通過最佳 DOE 和統計建模優化化學循環過程 (2020-EU-45MP-313)級別：中級
Frank Deruyck，HOGENT 應用科學與藝術大學講師
在本演示文稿中，創建了一個最佳的 DOE 和統計模型，以最大限度地提高化學循環過程的性能，並通過捕獲 CO2 來生成 H2 和合成氣，這是能源和循環經濟的潛在新資源。 所使用的複雜流化床反應器受多種可能的相互作用和二次效應以及隨機噪聲的影響，因此需要周到的實驗和建模策略。 在 JMP 中，DOE 和分析平台提供了多種 DOE 準備和模型擬合選項。 本文將說明如何根據研發標準和目標以及模型目標和 DOE 診斷（例如功效、因子相關性和方差分佈）在正交 RSM、自定義 DOE 和 DSD 之間做出決定。 通過使用逐步回歸（固定因子正向選擇和所有可能的模型）篩選出有效因子，然後進行 REML 分析消除隨機噪聲方差，從而建立模型。 獲得了用於甲烷轉化和合成氣產量的有用模型，並得到了額外驗證實驗的支持。 刻畫器合意性函數用於計算最佳操作條件。 這項工作展示了通過仔細的 DOE 設置和統計建模方法優化複雜技術過程的可能性。
爆發美國能源部預測建模視頻回复：通過最佳 DOE 和統計模型優化化學循環過程 (2020-EU-45MP-313)很好的評論謝謝！ 坦率
回复：通過最佳 DOE 和統計模型優化化學循環過程 (2020-EU-45MP-313)分塊允許您運行對隨機化約束較小的實驗，即它們更容易執行。 隨機化是做出因果關係陳述的關鍵，這是您進行改進和故障排除所需要的。 您的驗證實驗解決了其中的一些問題，因此您的研究非常完整。 我提出的問題是關於重新隨機化的必要性，因為您從初始隨機化中獲得的實驗序列很難運行或會阻礙研究的泛化方面，特別是在像您這樣的時間相關背景下。 如何解釋重新隨機化（再試一次）並不明顯。 David Cox 在他關於實驗計劃的書中（Cox，1958 年）對此進行了處理，您提到的 REML 是 Cox 在早期版本中提到的一個選項。 塊間信息的恢復是 Patterson & Thompson 1971 年的 REML 工作以及 Kenward & Roger 1997 年後來的改進的主要靈感https://journals.sagepub.com/doi/abs/10.1177/0962280214520728?journalCode=smma
下面是我與 Shelly Zacks 的書中的一段現代工業統計指的是：
“實驗計劃中的分組和隨機化旨在提高結果的準確性並確保推理的有效性。 阻塞用於減少錯誤。 塊是實驗材料的一部分，預計比整個聚集體更均勻。 例如，如果實驗旨在測試電子電路的聚酯塗層對其電流輸出的影響，則電路之間的可變性可能比塗層對電流輸出的影響大得多。 為了減少這種方差分量，可以按電路進行分塊。 每個電路將在兩種處理下進行測試：無塗層和塗層。 我們首先測試一個沒有塗層的電路的電流輸出。 稍後我們塗上電路，然後再次測試。 這種相同單位治療前後的比較稱為配對比較。 另一個阻塞的例子是著名的男孩鞋示例（Box, Hunter and Hunter, 1978 中的第 97 頁）。 試驗兩種鞋底材料，將鞋底固定在n雙男童鞋上，並測量鞋子在積極穿著一段時間後鞋底的磨損量。 由於男孩的活動之間存在很大差異，如果 m 對將使用一種類型的鞋底和另一種類型的鞋底，則不清楚磨損程度的任何差異是否是由於兩者之間的差異造成的鞋底材質的特性還是要區分男生的。 通過用一雙鞋來阻擋，我們可以減少很多可變性。 每雙鞋都指定了兩種類型的鞋底。 每個街區內的比較沒有男孩之間的差異。 此外，由於男孩使用右腳或左腳的方式不同，因此應該隨機分配左鞋或右鞋的鞋底類型。 因此，處理（兩種類型的鞋底）在每個塊內隨機分配。 塊的其他示例可以是機器、生產班次、星期幾、操作員等。一般來說，如果有 t 個處理要比較和 b 個塊，並且如果所有 t 個處理都可以在一個塊內執行，我們分配每個塊的所有 t 處理。 在每個塊中應用處理的順序應該是隨機的。 這樣的設計稱為隨機化完全區組設計。 稍後我們將看到對產量的適當分析如何有效地測試處理的效果。 如果不是，則可以在每個塊內應用所有處理，最好以某種平衡的方式將處理分配給塊。 稍後將討論的此類設計稱為平衡不完全區組設計 (BIBD)。 每個塊內的隨機化對於驗證統計模型中的誤差分量是獨立的假設也很重要。 如果處理不是隨機分配給每個區塊內的實驗單元，則該假設可能無效。”
回复：通過最佳 DOE 和統計模型優化化學循環過程 (2020-EU-45MP-313)好的，謝謝你的評論，你能解釋一下這怎麼會成為我研究中的一個問題嗎？
回复：通過最佳 DOE 和統計模型優化化學循環過程 (2020-EU-45MP-313)很棒的談話-謝謝。
我想提出的問題是由於原始隨機化序列的困難而導致的重新隨機化的各個方面。 如果您想調用因果論證，這一點很重要。
