تحلیل حساسیت مبتنی بر اَبَرمکعب لاتین پیش‌رونده مطالعه موردی : طراحی بستر کاتالیست هیدرازینی

در حال حاضر، تعداد نمونه مورد نیاز برای رسیدن به دقت تحلیل حساسیت معین در طراحی، براساس روش­های سعی و خطا در طراحی صورت می­پذیرد. هدف این مقاله، توسعه روشی است برای تعیین تعداد نمونه مورد نیاز براساس معیار مشخص برای رسیدن به دقت تحلیل حساسیت معین می­باشد. لذا در این مقاله، یک روش  تحلیل حساسیت جدید مبتنی بر طرح آزمایشات ابرمکعب لاتین پیش‌رونده و همگرایی نتایج تحلیل ارائه شده است. برای این منظور یک روش نمونه‌برداری ابرمکعب لاتین پیش‌رونده توسعه داده شد. این رویکرد سیستماتیک منجر به تحلیل حساسیت دقیق، کارآمد و سریع در مدل‌های مختلف و با تعداد پارامترهای زیاد و بازه تغییرات بزرگ شده‌است. تحلیل حساسیت روی مدل طراحی بستر کاتالیستی یک رانشگر تک پیش‌رانه هیدرازینی به عنوان مطالعه موردی، انجام شده‌است و نتایج تحلیل حساسیت طراحی بستر کاتالیستی ارزیابی و تحلیل شده است. نتایج این تحقیق نشان می‌دهد که در تحلیل حساسیت مبتنی بر ابرمکعب لاتین پیشرونده با مشخص شدن کمینه جمعیت مورد نیاز برای انجام تحلیل حساسیت با دقت مشخص، هزینه محاسباتی تحلیل‌های مشابه و پیچیدگی‌های طراحی کاهش خواهد یافت.

Sensitivity analysis based on Progressive LHS Applied to Hydrazine Catalyst Bed Design

Now, the required samples to achieve the specific precision of sensitivity analysis in design are performed based on trial and error methods. The purpose of this paper is to develop an approach for determining the number of the required sample to achieve the specific precision of sensitivity analysis. Thus, in this paper, a new sensitivity analysis method is proposed based on the Progressive Latin hypercube Sampling (PLHS) and the convergence of the analysis results. For this purpose, a PLHS method has been developed. This cystic approach has led to a sensitivity analysis of accuracy, efficiency, and speed in a variety of models with a large number of large parameters and large changes. Sensitivity analysis has been performed on the design of a hydrazine monopropellant thruster catalyst bed model as a case study. The results of this study indicate that in the sensitivity analysis based on the PLHS, the minimum population required for sensitivity analysis with specified accuracy can be determined. This leads to lower processing costs in the sensitivity analysis process, especially in complex models.