smt

La caja de herramientas de modelado sustituto (SMT) es un paquete Python que contiene una colección de métodos de modelado sustituto, técnicas de muestreo y funciones de evaluación comparativa. Este paquete proporciona una biblioteca de modelos sustitutos que es fácil de usar y facilita la implementación de métodos adicionales.

SMT es diferente de las bibliotecas de modelado sustituto existentes debido a su énfasis en los derivados, incluidas las derivadas de capacitación utilizadas para el modelado mejorado con gradiente, los derivados de predicción y los derivados con respecto a los datos de capacitación.

También incluye nuevos modelos sustitutos que no están disponibles en otros lugares: Kriging por reducción parcial de cuadrados al aliento e interpolación de spline minimizante de energía. SMT se documenta utilizando herramientas personalizadas para integrar el código probado automáticamente y las parcelas generadas dinámicamente para producir guías de usuarios de alta calidad con un esfuerzo mínimo de los contribuyentes.

SMT se distribuye bajo la nueva licencia BSD.

Para citar SMT 2.0: P. Saves y R. Lafage y N. Bartoli e Y. Diouane e JH Bussemaker y T. Lefebvre y Jt Hwang y J. Morlier y Jrra Martins. SMT 2.0: una caja de herramientas de modelado sustituto con un enfoque en las variables jerárquicas y mixtas procesos gaussianos. Avances en software de ingeniería, 2024.

@article{saves2024smt,
         author = {P. Saves and R. Lafage and N. Bartoli and Y. Diouane and J. Bussemaker and T. Lefebvre and J. T. Hwang and J. Morlier and J. R. R. A. Martins},
         title = {{SMT 2.0: A} Surrogate Modeling Toolbox with a focus on Hierarchical and Mixed Variables Gaussian Processes},
         journal = {Advances in Engineering Sofware},
         year = {2024},
         volume = {188}, 
         pages = {103571},
         doi = {https://doi.org/10.1016/j.advengsoft.2023.103571}}

Para citar SMT Legacy: Ma Bouhlel y Jt Hwang y N. Bartoli y R. Lafage y J. Morlier y Jrra Martins. Un marco de modelado sustituto de Python con derivados. Avances en software de ingeniería, 2019.

@article{SMT2019,
        Author = {Mohamed Amine Bouhlel and John T. Hwang and Nathalie Bartoli and Rémi Lafage and Joseph Morlier and Joaquim R. R. A. Martins},
        Journal = {Advances in Engineering Software},
        Title = {A Python surrogate modeling framework with derivatives},
        pages = {102662},
        issn = {0965-9978},
        doi = {https://doi.org/10.1016/j.advengsoft.2019.03.005},
        Year = {2019}}

Paquetes requeridos

SMT depende de los siguientes módulos: Numpy, Scipy, Scikit-Learn, Pydoe3 y Cython.

Instalación

Si desea instalar la última versión

pip install smt

O bien, si desea instalar desde la rama maestra actual

pip install git+https://github.com/SMTOrg/smt.git@master

Uso

Para ejemplos que demuestren cómo usar SMT, puede echar un vistazo a los cuadernos tutoriales o ir a la carpeta 'SMT/Ejemplos'.

Documentación

Documentación de la caja de herramientas de modelado sustituto.

Que contribuye

Para contribuir a SMT, consulte la sección contribuyente de la documentación.