帶金屬嵌件的圓珠筆管注塑模模具設(shè)計(jì)（全套含CAD圖紙）,金屬,圓珠筆,注塑,模具設(shè)計(jì),全套,cad,圖紙 基于Kriging模型的注射成型中的有效翹曲變形優(yōu)化方法 摘要 在本文中，提出了一種使用Kriging模型的有效優(yōu)化方法，以最大限度地減少注塑成型中的翹曲變形。翹曲變形是過程條件的非線性隱式函數(shù)，通常由有限元（FE）方程的解決方案來評估，這是一項(xiàng)復(fù)雜的任務(wù)，通常涉及巨大的計(jì)算量。克里金模型可以在翹曲和過程條件之間建立一個近似的函數(shù)關(guān)系，在優(yōu)化中代替了昂貴的FE再分析翹曲。另外，Kriging模型的一個“空間歸檔”采樣策略被稱為矩形網(wǎng)格。 Moldflow公司的Plastics Insight軟件用于分析注塑件的翹曲變形。作為示例，研究了將模具溫度，熔融溫度，注射時間和包裝壓力視為設(shè)計(jì)變量的蜂窩電話機(jī)蓋的翹曲。結(jié)果表明，提出的優(yōu)化方法可以有效降低手機(jī)外殼的翹曲，注塑時間對所選范圍內(nèi)熱變形的影響最為顯著。 關(guān)鍵詞 注塑成型。 Krigingmodel.Rectangulargrid。 修改矩形網(wǎng)格 1引言 翹曲是影響產(chǎn)品質(zhì)量的重要因素。特別是隨著通信電子產(chǎn)品向輕，薄，短，小的設(shè)計(jì)理念的發(fā)展，減少翹曲，提高薄殼部件的質(zhì)量越來越重要。翹曲的原因歸因于零件的不均勻收縮。我們可以通過改變零件的幾何形狀、修改模具的結(jié)構(gòu)或調(diào)整工藝條件來減少翹曲。事實(shí)上，優(yōu)化工藝條件是最可行和最合理的方法。 不同的工藝條件將導(dǎo)致不同的不均勻性。已經(jīng)報(bào)道的有關(guān)優(yōu)化翹曲的有效因素的一些研究[1-5]。根據(jù)他們的結(jié)論，包裝壓力，模具溫度和注射時間（或注射速度）對注塑件的翹曲有重要的影響。塑料注射成型中的一個重要問題是在制造前預(yù)測和優(yōu)化翹曲。有一些出版物用于翹曲優(yōu)化。Lee和Kim提出了關(guān)于翹曲變形優(yōu)化的早期文獻(xiàn)[6]。他們使用改進(jìn)的復(fù)合方法優(yōu)化了壁厚和工藝條件，以減少翹曲并獲得超過70％的翹曲變形減少。隨后[7]，他們通過兩步搜索方法優(yōu)化，以提高產(chǎn)品質(zhì)量，包括翹曲，焊縫和打擊強(qiáng)度。Sahu等人 [8]使用改進(jìn)的復(fù)雜方法，Taguchi方法和遺傳算法優(yōu)化了工藝條件，并且其結(jié)果表明，復(fù)雜的方法獲得了減少翹曲的最佳結(jié)果。 復(fù)雜的方法可以有效地減少翹曲，但由于執(zhí)行過多的重新分析，因此需要大量的功能評估，因此耗時費(fèi)財(cái)。使用Taguchi方法[1-5]減少翹曲易于執(zhí)行，可以分析有效因素，但獲得的“最佳工藝條件”在設(shè)計(jì)空間上不是最好的; 它只是因子水平的最佳組合。 最近，響應(yīng)面法和神經(jīng)網(wǎng)絡(luò)模型已經(jīng)出現(xiàn)在翹曲優(yōu)化任務(wù)中。Shen et al。 [9]結(jié)合神經(jīng)網(wǎng)絡(luò)模型和遺傳算法來優(yōu)化過程條件，以減少最大和最小體積收縮之間的差異。Ozcelik，Erzurumlu和Kurtaran優(yōu)化的尺寸參數(shù)[10]和工藝條件[11-13]，通過將遺傳算法與響應(yīng)面法或神經(jīng)網(wǎng)絡(luò)模型相結(jié)合來減少薄殼塑料件的翹曲。從結(jié)果來看，響應(yīng)面方法和神經(jīng)網(wǎng)絡(luò)模型都可以被認(rèn)為是降低翹曲變形優(yōu)化中高計(jì)算成本的好方法，遺傳算法可以有效地找到全局最優(yōu)設(shè)計(jì)。 在這項(xiàng)研究中，包裝壓力，熔體溫度，模具溫度和注射時間被認(rèn)為是優(yōu)化翹曲的有效因素。應(yīng)用Kriging模型[14,15]組合改進(jìn)的矩形網(wǎng)格方法來構(gòu)建翹曲和過程參數(shù)的近似關(guān)系，優(yōu)化迭代基于降低高計(jì)算成本的近似關(guān)系。除了近似關(guān)系外，克里格模型還可以提供一些分析重要因素的信息。 2抽樣策略 提出了改進(jìn)的矩形網(wǎng)格（MRG）方法來提供用于構(gòu)建克里格模型的采樣點(diǎn)。我們將m個設(shè)計(jì)變量的范圍定義為lj≤xj≤uj,j=1,…,m; 以及第j維度的級數(shù)為qj（即采樣點(diǎn)數(shù)為j=1mqj）。然后按照以下方式執(zhí)行該方法: 1. 收縮變量范圍： 2. 在收縮空間內(nèi)進(jìn)行RG抽樣。 樣本點(diǎn)的分布由不同維度的所有不同數(shù)據(jù)組合定義： 3. 對每個采樣點(diǎn)的每個維度添加一個隨機(jī)運(yùn)動; 隨機(jī)運(yùn)動是： 其中αnj∈[0,1]來自均勻分布。 與RG [14]相比，MRG可以將邊界上的一些點(diǎn)移動到內(nèi)部設(shè)計(jì)區(qū)域，為Kriging模型提供更多有用的信息，并且可以確保點(diǎn)數(shù)具有較少的重疊坐標(biāo)值。此外，可以避免采樣點(diǎn)彼此靠近的情況，這可能是使用LHS [16]發(fā)生的，因?yàn)閮蓚€任意點(diǎn)之間的距離必須滿足： 注塑成型。 Krigingmodel.Rectangulargrid。 修改矩形網(wǎng)格 翹曲是影響產(chǎn)品質(zhì)量的重要因素。特別是隨著通信電子產(chǎn)品向輕，薄，短，小的設(shè)計(jì)理念的發(fā)展，減少翹曲，提高薄殼部件的質(zhì)量越來越重要。翹曲的原因歸因于零件的不均勻收縮。我們可以通過改變零件的幾何形狀、修改模具的結(jié)構(gòu)或調(diào)整工藝條件來減少翹曲。事實(shí)上，優(yōu)化工藝條件是最可行和最合理的方法。 不同的工藝條件將導(dǎo)致不同的不均勻性。已經(jīng)報(bào)道的有關(guān)優(yōu)化翹曲的有效因素的一些研究[1-5]。根據(jù)他們的結(jié)論，包裝壓力，模具溫度和注射時間（或注射速度）對注塑件的翹曲有重要的影響。塑料注射成型中的一個重要問題是在制造前預(yù)測和優(yōu)化翹曲。有一些出版物用于翹曲優(yōu)化。Lee和Kim提出了關(guān)于翹曲變形優(yōu)化的早期文獻(xiàn)[6]。他們使用改進(jìn)的復(fù)合方法優(yōu)化了壁厚和工藝條件，以減少翹曲并獲得超過70％的翹曲變形減少。隨后[7]，他們通過兩步搜索方法優(yōu)化，以提高產(chǎn)品質(zhì)量，包括翹曲，焊縫和打擊強(qiáng)度。Sahu等人 [8]使用改進(jìn)的復(fù)雜方法，Taguchi方法和遺傳算法優(yōu)化了工藝條件，并且其結(jié)果表明，復(fù)雜的方法獲得了減少翹曲的最佳結(jié)果。 復(fù)雜的方法可以有效地減少翹曲，但由于執(zhí)行過多的重新分析，因此需要大量的功能評估，因此耗時費(fèi)財(cái)。使用Taguchi方法[1-5]減少翹曲易于執(zhí)行，可以分析有效因素，但獲得的“最佳工藝條件”在設(shè)計(jì)空間上不是最好的; 它只是因子水平的最佳組合。 最近，響應(yīng)面法和神經(jīng)網(wǎng)絡(luò)模型已經(jīng)出現(xiàn)在翹曲優(yōu)化任務(wù)中。Shen et al。 [9]結(jié)合神經(jīng)網(wǎng)絡(luò)模型和遺傳算法來優(yōu)化過程條件，以減少最大和最小體積收縮之間的差異。Ozcelik，Erzurumlu和Kurtaran優(yōu)化的尺寸參數(shù)[10]和工藝條件[11-13]，通過將遺傳算法與響應(yīng)面法或神經(jīng)網(wǎng)絡(luò)模型相結(jié)合來減少薄殼塑料件的翹曲。從結(jié)果來看，響應(yīng)面方法和神經(jīng)網(wǎng)絡(luò)模型都可以被認(rèn)為是降低翹曲變形優(yōu)化中高計(jì)算成本的好方法，遺傳算法可以有效地找到全局最優(yōu)設(shè)計(jì)。 在這項(xiàng)研究中，包裝壓力，熔體溫度，模具溫度和注射時間被認(rèn)為是優(yōu)化翹曲的有效因素。應(yīng)用Kriging模型[14,15]組合改進(jìn)的矩形網(wǎng)格方法來構(gòu)建翹曲和過程參數(shù)的近似關(guān)系，優(yōu)化迭代基于降低高計(jì)算成本的近似關(guān)系。除了近似關(guān)系外，克里格模型還可以提供一些分析重要因素的信息。 提出了改進(jìn)的矩形網(wǎng)格（MRG）方法來提供用于構(gòu)建克里格模型的采樣點(diǎn)。我們將m個設(shè)計(jì)變量的范圍定義為lj≤xj≤uj,j=1,…,m; 以及第j維度的級數(shù)為qj（即采樣點(diǎn)數(shù)為j=1mqj）。然后按照以下方式執(zhí)行該方法: 1. 收縮變量范圍： 2. 在收縮空間內(nèi)進(jìn)行RG抽樣。 樣本點(diǎn)的分布由不同維度的所有不同數(shù)據(jù)組合定義： 3. 對每個采樣點(diǎn)的每個維度添加一個隨機(jī)運(yùn)動; 隨機(jī)運(yùn)動是： 其中αnj∈[0,1]來自均勻分布。 與RG [14]相比，MRG可以將邊界上的一些點(diǎn)移動到內(nèi)部設(shè)計(jì)區(qū)域，為Kriging模型提供更多有用的信息，并且可以確保點(diǎn)數(shù)具有較少的重疊坐標(biāo)值。此外，可以避免采樣點(diǎn)彼此靠近的情況，這可能是使用LHS [16]發(fā)生的，因?yàn)閮蓚€任意點(diǎn)之間的距離必須滿足： 圖1顯示，MRG方法優(yōu)于RG和LHS。 3克里金模型 克里金模型被描述為“將功能建模為隨機(jī)過程的實(shí)現(xiàn)”的方式，因此被稱為“隨機(jī)過程模型”。事實(shí)上，Kriging模型是內(nèi)插技術(shù)，Kriging預(yù)測器是一種預(yù)測器，其可以將預(yù)期的平方預(yù)測誤差降至最低，這取決于：（i）是無偏的，（ii）是觀察到的響應(yīng)值的線性函數(shù)。 3.1 Model 克里金模型可以寫成： 其中Xj={x1j,x2j,…,xmj}是具有m個變量的第i個樣本點(diǎn)，y(Xi)是擬合到第n個樣本點(diǎn)的近似函數(shù)，fh(Xi)是Xi的線性或非線性函數(shù)，βh是要估計(jì)的回歸系數(shù)，z(Xi)是隨機(jī)的 函數(shù)具有平均零和方差σ2。隨機(jī)函數(shù)之間的空間相關(guān)函數(shù)由下式給出： 可以通過使樣本的可能性最大化來估計(jì)參數(shù)βh，σ2和θl。 似然函數(shù)是： 在實(shí)踐中，可以通過最大化似然函數(shù)的對數(shù)來獲得，忽略常數(shù)： 讓這個表達(dá)式相對于σ2和β的導(dǎo)數(shù)等于零; 那么我們可以得到： 將方程 9和10代入等式 8，我們可以得到所謂的“集中對數(shù)似然”函數(shù)： 它僅依賴于R，因此取決于相關(guān)參數(shù)θlS。 通過最大化我們可以獲得的功能： 然后，估計(jì)值β和σ2可以從等式 9和等式10得到。 3.2預(yù)測因子 函數(shù)值y(X*)可以將新點(diǎn)X*近似地估計(jì)為樣本Y的響應(yīng)值的線性組合： 錯誤是: 將等式 1代入等式 14給出： 其中Z=[z1,z2,…,.zn]和F=[f1,f2,…,fn]為使X*的預(yù)測值無偏，此時的平均誤差應(yīng)為零，即： 然后我們得到： 預(yù)測值的均方誤差（MSE）在等式 15中給出： 即是： 最小化φ（X*）與公式 17，我們可以得到： 導(dǎo)出： 得到： 因此，我們可以預(yù)測函數(shù)值y(X*) 通過使用方程式21來計(jì)算每個新點(diǎn)X*。 辛普森等人 [17]建議克里格模型的最佳選擇是在中等數(shù)量變量（小于50）中的確定性和高度非線性。很多研究人員在設(shè)計(jì)復(fù)雜工程時已早期應(yīng)用[18-20]。最近，黃等人 [21]已經(jīng)使用Kriging模型來最大限度地減少金屬成形工藝設(shè)計(jì)中的模具磨損。此外，Hawe和Sykulski [22]已經(jīng)展示了Kriging模型在電磁裝置優(yōu)化中的應(yīng)用。 4基于Kriging模型的翹曲優(yōu)化 4.1優(yōu)化模型和優(yōu)化過程 翹曲變形最小設(shè)計(jì)問題可以說如下： 找到 最小化翹曲（x1,x2,…,xm） 受制于xj≤xj≤xj j=1,2,…,m 其中x1,x2,…,xm是表示過程條件的變量，熱變形（x1,x2,…,xm）是量化的熱變形值，將由基于優(yōu)化中的克里格模型的近似函數(shù)代替迭代，并且xj和xj是第j個設(shè)計(jì)變量的上限和下限。 基于克里格模型的優(yōu)化算法描述如下： 1. 使用MRG方法獲取一組具有n個點(diǎn)（每個點(diǎn)對應(yīng)于一組過程條件）的樣本，并運(yùn)行Moldflow程序以獲取采樣點(diǎn)的翹曲值。然后，選擇與最小翹曲值對應(yīng)的一組工藝條件作為初始設(shè)計(jì)。 2. 基于獲得的試樣，使用Kriging模型建立翹曲與工藝參數(shù)之間的近似關(guān)系。 3. 最小化熱變化值以通過Kriging近似函數(shù)獲得修改后的設(shè)計(jì)。 然后，通過Moldflow程序計(jì)算相應(yīng)的熱變化值。 4. 檢查收斂：如果滿足下一節(jié)的收斂標(biāo)準(zhǔn)，則停止; 否則，將修改后的設(shè)計(jì)添加到樣本集中，然后轉(zhuǎn)到步驟2。注意，如果修改后的設(shè)計(jì)比以前的初始設(shè)計(jì)更好，則初始設(shè)計(jì)將被更新。 4.2收斂標(biāo)準(zhǔn) 收斂標(biāo)準(zhǔn)用于同時滿足優(yōu)化和克里格近似的精度，即： 其中k是優(yōu)化迭代指數(shù)，yk是Kriging模型的近似翹曲值。 5手機(jī)蓋翹曲優(yōu)化 作為示例，調(diào)查了蜂窩電話機(jī)蓋。 其長度，寬度，高度和厚度分別為130mm，55mm，11mm和1mm。蓋子由3,780個三角形元素離散化，如圖2所示。它由PC / ABS制成，其材料性質(zhì)如表1所示。 設(shè)計(jì)變量是模具溫度（A），熔體溫度（B），注射時間（C）和包裝壓力（D）。翹曲通過平面外位移來量化，該位移是Moldflow中默認(rèn)平面的最大向上變形和最大向下變形的總和。四個變量的范圍在表2中給出。我們希望在大型可行的成型窗口中找到最佳設(shè)計(jì)。因此，這些范圍可以大于實(shí)際制造中的范圍。此外，這個范圍可以避免熔體短路。 模具溫度的范圍基于Moldflow的Plastics Insight中的推薦值，該數(shù)值考慮了材料的性能。熔體溫度的范圍比Moldflow中應(yīng)使用的最小值高10°C，因?yàn)檩^低的熔融溫度可能導(dǎo)致熔體短路。注射時間和包裝壓力根據(jù)制造商的經(jīng)驗(yàn)確定。 MRG方法選擇了五十四種工藝組合。在FE模擬之后，獲得試樣，然后使用DACE工具箱構(gòu)建Kriging模型。在常數(shù)回歸項(xiàng)和ε1=ε2=1.0e-3的條件下，只需要修改五個來獲得最優(yōu)解，結(jié)果如表3所示。在Intel P4處理器PC上花費(fèi)11個小時的CPU時間（運(yùn)行Moldflow并執(zhí)行優(yōu)化），優(yōu)化過程消耗的凈時間只有2.3s。 圖3顯示了蜂窩電話機(jī)優(yōu)化的迭代歷史。隨著迭代次數(shù)的增加，Kriging模型的模擬值逐漸接近Moldflow中的分析值。 圖4和圖5分別顯示優(yōu)化前后的翹曲值 6結(jié)果與討論 6.1優(yōu)化結(jié)果分析 為了詳細(xì)分析結(jié)果，每個因素對翹曲的影響也將通過有限元模擬來研究，條件是所有其他因素都保持在最佳水平。結(jié)果如圖16所示。 通常，如果模具溫度低，則會產(chǎn)生更高的殘余應(yīng)力，因?yàn)榍惑w中的熔體具有高的冷卻速率。因此，從質(zhì)量的觀點(diǎn)來看，最高的模具溫度在其范圍內(nèi)是最好的。但是， 圖6顯示，當(dāng)所有其他因素保持在其最佳值時，模具溫度對翹曲的影響非常小。這種現(xiàn)象導(dǎo)致最佳模具溫度在其范圍內(nèi)不是最高值。 圖6顯示，當(dāng)熔體溫度從260℃變化到300℃時，翹曲值非線性地降低。較低的熔體溫度具有不良的流動性，可產(chǎn)生較高的剪切應(yīng)力。如果沒有足夠的時間釋放剪切應(yīng)力，翹曲將會增加。結(jié)果表明，熔化溫度較高，使翹曲最小化，與優(yōu)化結(jié)果一致。 注射時間短可以在空腔中引起快速熔融流動，這對殘余應(yīng)力和分子取向有貢獻(xiàn)另一方面，長時間的注射時間將會導(dǎo)致鐵素體激素的上升。這將導(dǎo)致材料中更高的剪切應(yīng)力和更多的分子取向。圖6顯示后一種效應(yīng)在所選擇的范圍內(nèi)可能更為重要。 包裝壓力在兩個方面影響翹曲。低填充壓力不能壓縮空腔中的塑料材料，這可能形成體積收縮并引起大的翹曲。另一方面，當(dāng)將更多的熔體轉(zhuǎn)移到空腔中時，高的填充壓力可以產(chǎn)生更高的殘余應(yīng)力引起的流動和高壓力。圖6顯示后一種效應(yīng)在所選范圍內(nèi)更重要，因?yàn)楫?dāng)包裝壓力越來越高時，翹曲增加。 6.2 Kriging模型的結(jié)果分析 設(shè)計(jì)變量的兩個相關(guān)函數(shù)如圖7所示。 對應(yīng)于θ=1和θ= 5。隨著設(shè)計(jì)變量的變化，θ= 5的曲線下降得更快。這說明較大的θ使變量更活躍。因此，參數(shù)θ可以解釋為測量相應(yīng)變量的重要性[15]。對于該示例，參數(shù)θls的數(shù)量與處理參數(shù)相同，因此每個元素θl反映相應(yīng)的處理參數(shù)對翹曲的影響。表4顯示，在優(yōu)化后，Kriging模型中對應(yīng)于噴射時間的θl值大于其他模型，因此注射時間對翹曲的影響最大，也與圖6一致。 7結(jié)論 在本研究中，提出了一種改進(jìn)的矩形網(wǎng)格（MRG）。 與RG相比，MRG將邊界上的一些點(diǎn)移動到內(nèi)部設(shè)計(jì)區(qū)域，這將為Kriging模型提供更多有用的信息。此外，它可以確保這些點(diǎn)具有較少的重疊坐標(biāo)值。通過RG的遺產(chǎn)，它可以避免這些點(diǎn)彼此靠近的情況。 基于MRG，提出了一種有效的優(yōu)化方法，使注射成型中的翹曲最小化。該方法基于Kriging模型的近似函數(shù)進(jìn)行優(yōu)化，而不是通過Moldflow進(jìn)行昂貴的翹曲分析。已經(jīng)使用優(yōu)化方法來最小化手機(jī)蓋的翹曲，結(jié)果表明它具有良好的翹曲優(yōu)化的精度和有效性。 克里格模型不僅有助于降低優(yōu)化的計(jì)算成本，而且有利于分析過程參數(shù)對翹曲的影響，特別是反映其非線性關(guān)系。 就手機(jī)蓋而言，注射時間是所選范圍內(nèi)影響翹曲的重要因素。 致 謝 作者衷心感謝中國國家自然科學(xué)基金重大計(jì)劃（10590354）對這項(xiàng)工作的財(cái)政支持，并感謝Moldflow Corporation（Framingham，MA）為本研究提供了仿真軟件。 參考文獻(xiàn) 1. Wang TJ, Yoon CK (2000) Shrinkage and warpage analysis of injection-molded parts. In: Proceedings of the SPE ANTEC Annual Technical Conference, Orlando, Florida, May 2000, pp 687–692 2. Huang MC, Tai CC (2001) The effective factors in the warpage problem of an injection-molded part with a thin shell feature. J Mater Process Technol 110(1):1–9 3. Liao SJ, Chang DY, Chen HJ, Tsou LS, Ho JR, Yau HT, Hsieh WH, Wang JT, Su YC (2004) Optimal process conditions of shrinkage and warpage of thin-wall parts. Polym Eng Sci 44(5):917–928 4. Wang TH, Young WB, Wang J (2002) Process design for reducing the warpage in thin-walled injection molding. Int Polym Process 17(2):146–152 5. Dong B-B, Shen C-Y, Liu C-T (2005) The effect of injection process parameters on the shrinkage and warpage of PC/ABS’s part. Polym Mater Sci Eng 21(4):232–235 6. Lee BH, Kim BH (1995) Optimization of part wall thicknesses to reduce warpage of injection-molded parts based on the modified complex method. Polym Plast Technol Eng 34(5):793–811 7. Lee BH, Kim BH (1996) Automated selection of gate location based on desired quality of injection molded part. Polym Plast Technol Eng 35(2):253–269 8. Sahu R, Yao DG, Kim B (1997) Optimal mold design methodology to minimize warpage in injection molded parts. Technical papers of the 55th SPE ANTEC Annual Technical Conference, Toronto, Canada, April/May 1997, vol 3, pp 3308–3312 9. Shen C-Y, Wang L-X, Zhang Q-X (2005) Process optimization of injection molding by the combining ANN/HGA method. Polym Mater Sci Eng 21(5):23–27 10. Ozcelik B, Erzurumlu T (2005) Determination of effecting dimensional parameters on warpage of thin shell plastic parts using integrated response surface method and genetic algorithm. Int Commun Heat Mass Transfer 32(8):1085–1094 11. Ozcelik B, Erzurumlu T (2006) Comparison of the warpage optimization in the plastic injection molding using ANOVA, neural network model and genetic algorithm. J Mater Process Technol 171(3):437–445 12. Kurtaran H, Ozcelik B, Erzurumlu T (2005) Warpage optimization of a bus ceiling lamp base using neural network model and genetic algorithm. J Mater Process Technol 169(10):314–319 13. Kurtaran H, Erzurumlu T (2006) Efficient warpage optimization of thin shell plastic parts using response surface methodology and genetic algorithm. Int Adv Manuf Technol 27(5–6):468–472 14. Lophaven SN, Nielsen HB, Sondergaard J (2002) DACE—a Matlab Kriging toolbox, version 2. Informatics and mathematical modelling, Technical University of Denmark 15. Jones DR, Schonlau M, Welch WJ (1998) Efficient global optimization of expensive black-box functions. J Global Optimization 13(4):455–492 16. Mckay MD, Beckman RJ, Conover WJ (1979) A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics 21 (2):239–245 17. Simpson TW, Peplinski JD, Koch PN, Allen JK (2001) Metamodels for computer-based engineering design: survey and recommendations. Eng Comput 17(2):129–150 18. Giunta AA, Waston LT (1998) A comparison of approximation modeling techniques: polynomial versus interpolating models. AIAA Meeting Papers, pp 392–401 19. Simpson TW, Korte JJ, Mauery TM, Mistree F (1998) Comparison of response surface and Kriging models for multidisciplinary design optimization. AIAA Meeting Papers, pp 1–11 20. Lee SH, Kim HY, Oh SI (2002) Cylindrical tube optimization using response surface method based on stochastic process. J Mater Process Technol 130–131:490–496 21. Huang D, Allen TT, Notz WI, Miller RA (2006) Sequential Kriging optimization using multiple-fidelity evaluations. Struct Multidisc Optim 32(5):369–382 22. Hawe GI, Sykulski JK (2006) A hybrid one-then-two stage algorithm for computationally expensive electromagnetic design optimization. In: Proceedings of the 9th Workshop on Optimization and Inverse Problems in Electromagnetics, Sorrento, Italy, September 2006, pp 191–192 Yuehua Gao & Xicheng Wang 收到日期：2006年11月15日/接受日期：2007年4月5日/網(wǎng)絡(luò)發(fā)布：2007年6月15日?Springer-Verlag London Limited 2007