通过最佳 DOE 和统计建模优化化学循环过程 (2020-EU-45MP-313)级别：中级
Frank Deruyck，HOGENT 应用科学与艺术大学讲师
在本演示文稿中，创建了一个最佳的 DOE 和统计模型，以最大限度地提高化学循环过程的性能，并通过捕获 CO2 来生成 H2 和合成气，这是能源和循环经济的潜在新资源。 所使用的复杂流化床反应器受多种可能的相互作用和二次效应以及随机噪声的影响，因此需要周到的实验和建模策略。 在 JMP 中，DOE 和分析平台提供了多种 DOE 准备和模型拟合选项。 本文将说明如何根据研发标准和目标以及模型目标和 DOE 诊断（例如功效、因子相关性和方差分布）在正交 RSM、自定义 DOE 和 DSD 之间做出决定。 通过使用逐步回归（固定因子正向选择和所有可能的模型）筛选出有效因子，然后进行 REML 分析消除随机噪声方差，从而建立模型。 获得了用于甲烷转化和合成气产量的有用模型，并得到了额外验证实验的支持。 刻画器合意性函数用于计算最佳操作条件。 这项工作展示了通过仔细的 DOE 设置和统计建模方法优化复杂技术过程的可能性。
爆发美国能源部预测建模视频回复：通过最佳 DOE 和统计模型优化化学循环过程 (2020-EU-45MP-313)很好的评论谢谢！ 坦率
回复：通过最佳 DOE 和统计模型优化化学循环过程 (2020-EU-45MP-313)分块允许您运行对随机化约束较小的实验，即它们更容易执行。 随机化是做出因果关系陈述的关键，这是您进行改进和故障排除所需要的。 您的验证实验解决了其中的一些问题，因此您的研究非常完整。 我提出的问题是关于重新随机化的必要性，因为您从初始随机化中获得的实验序列很难运行或会阻碍研究的泛化方面，特别是在像您这样的时间相关背景下。 如何解释重新随机化（再试一次）并不明显。 David Cox 在他关于实验计划的书中（Cox，1958 年）对此进行了处理，您提到的 REML 是 Cox 在早期版本中提到的一个选项。 块间信息的恢复是 Patterson & Thompson 1971 年的 REML 工作以及 Kenward & Roger 1997 年后来的改进的主要灵感https://journals.sagepub.com/doi/abs/10.1177/0962280214520728?journalCode=smma
下面是我与 Shelly Zacks 的书中的一段现代工业统计指的是：
“实验计划中的分组和随机化旨在提高结果的准确性并确保推理的有效性。 阻塞用于减少错误。 块是实验材料的一部分，预计比整个聚集体更均匀。 例如，如果实验旨在测试电子电路的聚酯涂层对其电流输出的影响，则电路之间的可变性可能比涂层对电流输出的影响大得多。 为了减少这种方差分量，可以按电路进行分块。 每个电路将在两种处理下进行测试：无涂层和涂层。 我们首先测试一个没有涂层的电路的电流输出。 稍后我们涂上电路，然后再次测试。 这种相同单位治疗前后的比较称为配对比较。 另一个阻塞的例子是著名的男孩鞋示例（Box, Hunter and Hunter, 1978 中的第 97 页）。 试验两种鞋底材料，将鞋底固定在n双男童鞋上，并测量鞋子在积极穿着一段时间后鞋底的磨损量。 由于男孩的活动之间存在很大差异，如果 m 对将使用一种类型的鞋底和另一种类型的鞋底，则不清楚磨损程度的任何差异是否是由于两者之间的差异造成的鞋底材质的特性还是给男生带来了差异。 通过用一双鞋来阻挡，我们可以减少很多可变性。 每双鞋都指定了两种类型的鞋底。 每个街区内的比较没有男孩之间的差异。 此外，由于男孩使用右脚或左脚的方式不同，因此应该随机分配左鞋或右鞋的鞋底类型。 因此，处理（两种类型的鞋底）在每个块内随机分配。 块的其他示例可以是机器、生产班次、星期几、操作员等。一般来说，如果有 t 个处理要比较和 b 个块，并且如果所有 t 个处理都可以在一个块内执行，我们分配每个块的所有 t 处理。 在每个块中应用处理的顺序应该是随机的。 这样的设计称为随机化完全区组设计。 稍后我们将看到对产量的适当分析如何有效地测试处理的效果。 如果不是，则可以在每个块内应用所有处理，最好以某种平衡的方式将处理分配给块。 稍后将讨论的此类设计称为平衡不完全区组设计 (BIBD)。 每个块内的随机化对于验证统计模型中的误差分量是独立的假设也很重要。 如果处理不是随机分配给每个区块内的实验单元，则该假设可能无效。”
回复：通过最佳 DOE 和统计模型优化化学循环过程 (2020-EU-45MP-313)好的，谢谢你的评论，你能解释一下这怎么会成为我研究中的一个问题吗？
回复：通过最佳 DOE 和统计模型优化化学循环过程 (2020-EU-45MP-313)很棒的谈话-谢谢。
我想提出的问题是由于原始随机化序列的困难而导致的重新随机化的各个方面。 如果您想调用因果论证，这一点很重要。
