最適なDOEと統計モデリングによる化学ループプロセスの最適化（2020-EU-45MP-313）レベル：中級
フランク・デルイック、HOGENT応用科学芸術大学講師
このプレゼンテーションでは、最適なDOEと統計モデルを作成して、CO2回収による化学ループプロセスのパフォーマンスを最大化し、H2と合成ガスを生成します。これは、エネルギーとサーキュラーエコノミーの新しい手段となる可能性があります。 使用される複雑な流動床反応器は、ランダムノイズだけでなく、いくつかの可能な相互作用および二次効果の影響を受けるため、慎重な実験およびモデリング戦略が必要です。 JMPでは、DOEおよび分析プラットフォームは、さまざまなDOE準備およびモデルフィッティングオプションを提供します。 このホワイトペーパーでは、R＆Dの基準と目標に基づいて、直交RSM、カスタムDOE、DSDのいずれかを決定する方法、および力率、因子相関、分散プロファイルなどのモデル目標とDOE診断について説明します。 モデル構築は、ステップワイズ回帰（固定因子前方選択およびすべての可能なモデル）を使用して有効な因子を選別し、続いてランダムノイズ分散を排除するREML分析によって行われます。 メタン変換と合成ガス収量の有用なモデルが得られ、追加の検証実験によってサポートされています。 プロファイラーの望ましさ関数は、最適な動作条件を計算するために使用されます。 この作業は、慎重なDOE設定と統計モデリングアプローチを使用して、複雑な技術プロセスを最適化する可能性を示しています。
起こるDOE予測モデリングビデオRe：最適なDOEと統計モデリングによる化学ループプロセスの最適化（2020-EU-45MP-313）素晴らしいコメントありがとう！ フランク
Re：最適なDOEと統計モデリングによる化学ループプロセスの最適化（2020-EU-45MP-313）ブロッキングにより、ランダム化の制約が小さい、つまり実行が容易な実験を実行できます。 ランダム化は、改善とトラブルシューティングに必要な因果関係のステートメントを作成するための鍵です。 あなたの検証実験はそれのいくつかを処理したので、あなたの研究はかなり完了しています。 私が提起した問題は、最初のランダム化から得られる一連の実験を実行するのが難しいか、特にあなたのような時間に関連するコンテキストで研究の一般化の側面を妨げるため、再ランダム化の必要性に関するものです。 再ランダム化を説明する方法（これをもう一度試してみる）は明らかではありません。 David Coxは、実験の計画に関する彼の本（Cox、1958）でそれを扱っており、あなたが言及したREMLは、初期のバージョンでCoxによって言及された1つのオプションです。 ブロック間情報がPatterson＆Thompson 1971のREML作業の重要なインスピレーションであり、Kenward＆Roger1997によるその後の改善である場合の回復https://journals.sagepub.com/doi/abs/10.1177/0962280214520728?journalCode=smma
以下は、ShellyZacksが載っている私の本の段落です。現代の産業統計これを参照します：
「実験の計画におけるブロッキングとランダム化は、結果の精度を高め、推論の妥当性を確保することを目的としています。 ブロッキングは、エラーを減らすために使用されます。 ブロックは、骨材全体よりも均質であると予想される実験材料の一部です。 たとえば、実験が電子回路のポリエステルコーティングが電流出力に与える影響をテストするように設計されている場合、回路間のばらつきは、コーティングが電流出力に与える影響よりもかなり大きくなる可能性があります。 この変動成分を減らすために、回路ごとにブロックすることができます。 各回路は、コーティングなしとコーティングの2つの処理でテストされます。 まず、コーティングなしの回路の電流出力をテストします。 後で回路をコーティングし、再度テストします。 同じ単位の治療前後のこのような比較は、一対比較と呼ばれます。 ブロッキングのもう1つの例は、有名な男の子の靴の例です（Box、Hunter and Hunter、1978年の97ページ）。 2種類の靴底の素材は、n足の男の子の靴に靴底を固定し、靴を積極的に履いた後の靴底の摩耗量を測定することによってテストされます。 男の子の活動にはばらつきが大きいため、mペアが一方のタイプのソールともう一方のタイプのソールである場合、摩耗の程度に見られる可能性のある違いが両者の違いによるものかどうかは明らかではありません。ソール素材の特徴や男の子同士の違い。 靴でブロックすることで、ばらつきを大幅に減らすことができます。 靴の各ペアには、2種類の靴底が割り当てられています。 各ブロック内の比較では、男の子間のばらつきはありません。 さらに、男の子は右足と左足の使い方が異なるため、靴底の種類を左右の靴にランダムに割り当てる必要があります。 したがって、トリートメント（2種類のソール）は、各ブロック内でランダムに割り当てられます。 ブロックの他の例としては、機械、生産のシフト、曜日、オペレーターなどがあります。一般に、比較するt処理があり、bブロックがあり、すべてのt処理を単一のブロック内で実行できる場合は、各ブロックへのすべてのt処理。 各ブロック内で処理を適用する順序はランダム化する必要があります。 このようなデザインは、ランダム化された完全なブロックデザインと呼ばれます。 収量の適切な分析がどのように処理の効果を有効にテストできるかを後で見るでしょう。 そうでない場合は、すべての処理を各ブロック内で適用できます。バランスの取れた方法でブロックに処理を割り当てることが望ましいです。 このような設計は、後で説明するように、バランス型不完全ブロック設計（BIBD）と呼ばれます。 各ブロック内のランダム化は、統計モデルのエラーコンポーネントが独立しているという仮定を検証するためにも重要です。 各ブロック内の実験ユニットに治療がランダムに割り当てられていない場合、この仮定は有効でない可能性があります。」
Re：最適なDOEと統計モデリングによる化学ループプロセスの最適化（2020-EU-45MP-313）コメントありがとうございます。これが私の研究でどのように問題になる可能性があるか説明していただけますか？
Re：最適なDOEと統計モデリングによる化学ループプロセスの最適化（2020-EU-45MP-313）素晴らしい話-ありがとう。
私が提起したかった問題は、元のランダム化シーケンスの難しさによる再ランダム化の側面です。 これは、因果関係の引数を呼び出す場合に重要です。
