MARC

 008260126s2025        us                              c    eng  d
■001000017357502
■00520260202103521
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314889237
■035    ▼a(MiAaPQ)AAI32038698
■035    ▼a(MiAaPQ)GeorgiaTech77820
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aBaker,  Adam.
■24512▼aA  Bayesian  Technology  Maturation  Framework  Applied  to  Structural  Test  Design
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a338  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Mavris,  Dimitri  N.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aThe  current  technology  development  process  is  characterized  by  a  holistic  combination  of  modeling,  expert  judgment,  and  benchmark  testing.  Technologies  are  characterized  through  the  assignment  of  an  ordinal  technology  readiness  level  and  then  progress  through  pre-defined  benchmark  tests  based  on  that  assigned  level.  This  is  potentially  problematic  as  the  prescribed  tests  may  or  may  not  suitably  address  the  underlying  areas  of  uncertainty  in  the  technology.  Restricting  the  use  of  data  from  tests  to  deterministic  passing  or  failing  grades  for  benchmark  performance  levels  is  reductive  and  both  fails  to  fully  exploit  the  information  that  is  generated  by  these  tests  and  is  potentially  problematic  as  it  falsely  assumes  the  result  will  always  be  repeatable  and  reproducible.The  purpose  of  this  research  is  to  develop  a  framework  that  will  reframe  the  technology  development  process  to  be  defined  based  on  the  underlying  uncertainty  sources  in  a  technology.  This  requires  creating  a  baseline  representation  of  uncertainty  in  a  technology,  identifying  how  these  uncertainties  impact  the  system  of  interest,  and  finally  showing  how  these  uncertainties  can  be  addressed  through  Bayesian  inference  using  test  results.  This  inference  can  both  leverage  test  data  to  reduce  the  uncertainty  in  phenomenological  properties  of  the  technology  and  challenge  the  input  assumptions  or  computational  models  for  the  technology.  The  common  thread  of  uncertainty  throughout  the  technology  development  process  creates  traceability  within  the  process  and  generates  actionable  data  at  every  step.  It  is  then  demonstrated  how  this  resulting  framework  enables  the  design  of  physical  tests  that  can  optimally  address  the  underlying  sources  of  uncertainty  in  a  technology.  This,  in  turn,  enables  enhanced  decision-making  for  testing,  as  a  efficacy  of  a  given  test  for  reducing  uncertainty  can  be  traded  off  against  the  cost  of  that  test.  The  results  demonstrate  that  a  Bayesian  framework  has  the  capacity  to  adequately  capture  the  various  forms  of  information  generated  in  the  current  technology  maturation  process  and  will  create  traceability  that  can  enable  the  exploitation  of  test  data  and  the  design  of  physical  tests  for  an  individual  technology.
■590    ▼aSchool  code:  0078.
■650  4▼aAerospace  engineering
■650  4▼aIndustrial  engineering
■650  4▼aApplied  mathematics
■653    ▼aBayesian  inference
■653    ▼aTechnology  development
■653    ▼aTechnology  maturation
■653    ▼aTest  design
■653    ▼aUncertainty  quantification
■690    ▼a0538
■690    ▼a0546
■690    ▼a0364
■71020▼aGeorgia  Institute  of  Technology▼bIndustrial  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357502▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서