Altoparlante
|
Trascrizione
|
| Patrizio Giuliano |
Va bene. Bene, benvenuti a tutti. |
| |
Grazie a tutti per aver dedicato del tempo a guardare questa presentazione. |
| |
Preparare gli gnocchi al vapore più freschi. |
| |
E mi chiamo Patrick Giuliano ei miei co-autori sono Mason Chen e Charles Chen di Applied Materials, così come Yvanny Chang. |
| |
Ok, quindi oggi ti parlerò di come ho sfruttato... io e il mio team sfruttiamo la potenza di JMP per capire veramente |
| |
cottura degli gnocchi. |
| |
E così l'affermazione generale del problema qui è che la maggior parte dei cibi come gli gnocchi sono fatti senza un controllo preciso dei parametri di cottura. |
| |
E il gusto di uno gnocco, e così come altri risultati per misurare quanto è buono uno gnocco, è influenzato negativamente da un tempo di cottura improprio e questo è intuitivo per tutti coloro che hanno apprezzato il cibo così |
| |
non abbiamo bisogno di parlarne troppo. Ma |
| |
Prima o poi l'intelligenza artificiale e la robotica saranno una parte importante dell'industria alimentare. |
| |
E la nostra recente esperienza con Covid 19 lo ha davvero evidenziato e quindi parlerò un po' di come noi |
| |
è in grado di comprendere meglio il processo di sformatura utilizzando un approccio di modellazione molto sfaccettato, che utilizza molte delle funzionalità di modellazione di JMP, inclusa la solida ottimizzazione del design Monte Carlo. |
| |
Allora perché gli gnocchi? |
| |
Bene, gli gnocchi sono molto facili da cucinare. |
| |
E cucinandoli, ovviamente, uccidiamo qualsiasi particella estranea che potrebbe vivere su di essi. |
| |
E cucinare può comportare un'interazione umana molto limitata. |
| |
Quindi, ovviamente, il design e lo spazio di processo relativo alla cottura sono molto intuitivi ed estendibili |
| |
e possiamo considerare la fisica associata a questo problema e provare a usare JMP per aiutarci a capire davvero e investigare meglio la fisica. |
| |
L'intelligenza artificiale arriverà davvero prima o poi a causa del Covid 19, ovviamente, e |
| |
perché dovrebbe arrivare la cottura robotica degli gnocchi? BENE |
| |
E anche altre domande potrebbero essere, quali sono i vantaggi? Quali sono le sfide nel cucinare gli gnocchi in modo automatizzato in un ambiente robotico? |
| |
E, naturalmente, questa potrebbe essere una sfida perché in realtà i robot non hanno il naso per annusare. E quindi per questo, questo è un grande motivo per cui, oltre a |
| |
un approccio di modellazione avanzato e sfaccettato, è importante considerare alcuni altri criteri strutturati. |
| |
E più avanti in questa presentazione, parlerò un po' dei criteri HACCP e di come li abbiamo integrati per risolvere il nostro problema in modo più strutturato. |
| |
Ok, allora |
| |
prima di immergermi in molte delle interessanti analisi di JMP, vorrei fornire brevemente un'introduzione alla fisica del trasferimento di calore, alla scienza alimentare e al modo in cui i diversi meccanismi di trasferimento del calore influenzano la cottura degli gnocchi. |
| |
Quindi, come puoi vedere in questa diapositiva, c'è un |
| |
Q |
| |
nella parte superiore del diagramma e in alto a destra e a cui si fa riferimento Q ... si riferisce alla densità del flusso di calore, che è la quantità di energia che |
| |
scorre attraverso un'area unitaria per unità di tempo e la direzione del cambiamento di temperatura. |
| |
Dal punto di vista della fisica, le proteine e la carne cruda e bollita si differenziano per la loro quantità di energia. Una barriera energetica di attivazione deve essere superata per trasformare la struttura proteica della carne cruda in una struttura denaturata o compattata come mostrato qui. |
| |
in questa immagine a sinistra. |
| |
Quindi il primo compito del cuoco, durante la bollitura della carne in termini fisici, è aumentare la temperatura in tutto il volume del pezzo |
| |
almeno |
| |
Raggiungere la temperatura della denaturazione. |
| |
Più avanti parlerò della scoperta più interessante di questa particolare fase dell'esperimento in cui abbiamo scoperto che c'era un'interruzione della temperatura. |
| |
E e intuitivamente, penseresti che al di sotto di una certa temperatura gli gnocchi sarebbero cotti... non sarebbero cotti correttamente, sarebbero mollicci, e al di sopra di una certa temperatura, forse sarebbero anche troppo mollicci o potrebbero essere bruciati o croccanti. |
| |
Un'altra nota finale sulla fisica qui è che alla soglia dell'ebollizione, la temperatura superficiale dell'acqua fluttua e le bolle saliranno sulla superficie della caldaia |
| |
e rompersi e collassare e ciò può rendere difficile raccogliere... catturare e... scusatemi... catturare letture accurate della temperatura. |
| |
Quindi questo ci porta ad alcuni... quali sono alcuni degli strumenti che abbiamo usato per condurre un esperimento? |
| |
BENE, |
| |
ovviamente abbiamo usato una pentola bollente e questo è molto importante. |
| |
Ovviamente abbiamo usato qualcosa per misurare la temperatura e per questo abbiamo usato un termometro a infrarossi e abbiamo usato un timer, ovviamente, e abbiamo usato una bilancia di massa per pesare il raviolo e tutti i costituenti che entrano nel raviolo. |
| |
Potremmo prendere in considerazione qualcosa chiamato Gare R&R in studi futuri e dove potremmo quantificare la ripetibilità e la riproducibilità dei nostri strumenti di misurazione. |
| |
In questo esperimento non l'abbiamo fatto, ma questo è molto importante, perché questo ci aiuta a massimizzare la precisione delle stime del nostro modello al minuto... riducendo al minimo i componenti del rumore associati al nostro processo di misurazione. |
| |
E quei componenti del rumore potrebbero non essere solo |
| |
un dato di fatto... un fattore di dire quella tolleranza di precisione per il misuratore, ma potrebbero anche essere dovuti al modo in cui la persona interagisce con la misurazione stessa. |
| |
E, in particolare, parlerò un po' della sfida con la misurazione dell'ebollizione e della temperatura di cottura ad alta temperatura. |
| |
Va bene così brevemente, |
| |
questo... abbiamo impostato questo esperimento come un esperimento progettato. E quindi abbiamo dovuto decidere prima gli strumenti. |
| |
Dovevamo decidere come avremmo fatto lo gnocco. Quindi avevamo bisogno di un processo produttivo e appropriato |
| |
attori di ruolo in quel processo. E poi abbiamo dovuto progettare un esperimento strutturato. E per farlo usiamo il design di schermatura definitivo |
| |
e abbiamo esaminato alcune caratteristiche del progetto per garantire che il progetto stesse funzionando in modo ottimale per il nostro esperimento. |
| |
Successivamente abbiamo eseguito l'esperimento. |
| |
Poi |
| |
abbiamo misurato e registrato la risposta. |
| |
E naturalmente, infine, la parte divertente, |
| |
dobbiamo interpretare efficacemente i dati e JMP. |
| |
E questi sono grafici che proprio qui mostrano matrici di grafici a dispersione generate in JMP, semplicemente usando la funzione grafico. |
| |
E questi in realtà ci danno un'indicazione dell'uniformità dello spazio di previsione. Ne parlerò un po' di più più avanti...poi dopo...nelle prossime diapositive. |
| |
Ok, quindi ecco i nostri dati. Ecco il nostro piano di raccolta dei dati ea destra c'è la risposta che abbiamo misurato, ovvero il tempo di lievitazione o di cottura degli gnocchi. |
| |
Abbiamo raccolto 18 esecuzioni in un DSD, che abbiamo generato in JMP utilizzando la piattaforma DSD e nel menu DOE. |
| |
E abbiamo raccolto informazioni sulla massa della carne, la massa delle verdure che entrano, la massa del... il tipo di carne, piuttosto, la composizione delle verdure (cavolo o funghi), |
| |
e naturalmente il peso totale, le dimensioni del lotto che abbiamo cucinato, il numero di gnocchi per lotto e la temperatura dell'acqua. |
| |
Quindi questa diapositiva evidenzia solo parte dell'incredibile potere di un DSD e non entrerò troppo in questo, ma i DSD sono molto lodati per le loro caratteristiche di modellazione flessibili e potenti. |
| |
E consentono il grande potenziale per condurre lo screening Blitz e ottimizzare l'ottimizzazione in un singolo esperimento. |
| |
Questo grafico a destra è una matrice di correlazione generata in JMP, nella sua piattaforma diagnostica progettata del menu DOE ed è particolarmente potente per mostrare |
| |
l'entità dell'aliasing o della confusione tra tutti gli effetti dei fattori nel modello. E ciò che questo grafico mostra chiaramente è questo |
| |
dal blu più scuro, non c'è correlazione e, man mano che la correlazione aumenta e arriviamo a sfumature di grigio, e infine, quando arriviamo a una correlazione molto positiva, arriviamo a sfumature di rosso. Quindi quello che stiamo davvero vedendo è questo |
| |
gli effetti principali sono completamente non correlati tra loro, che è ciò che ci piace vedere nelle interazioni tra due fattori, gli effetti principali non sono correlati. |
| |
Con con effetti quadratici che è in alto in questo quadrante destro. E poi gli effetti quadratici sono in realtà solo parzialmente correlati tra loro e poi hai questi termini di interazione di ordine superiore, |
| |
che sono realmente parzialmente correlati con gli effetti di interazione e questi tipi di caratteristiche rendono questo particolare disegno superiore e ai tipici disegni fattoriali frazionari con Risoluzione III e Risoluzione IV che ci insegnavano |
| |
prima dei DSD. |
| |
Va bene. Quindi stiamo solo discutendo un po' della diagnostica del progetto. Ecco la stessa correlazione... un grafico di correlazione simile, tranne per il fatto che ai fattori sono stati dati i loro nomi particolari |
| |
e dopo in... nell'esecuzione di questo progetto DSD. E questa è solo una versione grigia e bianca di una matrice di correlazione per aiutarti a vedere l'estensione dell'ortoginalità o |
| |
non, non essendo ??? tra i fattori. E quindi quello che puoi vedere nel nostro esperimento è che in realtà ne abbiamo osservato un po' |
| |
confondere tra una dimensione del lotto una dimensione del lotto e la carne non sorprende, e poi, ovviamente, la carne con l'interazione tra la carne e le verdure che sono nello gnocco. |
| |
E nota che qui abbiamo imposto un vincolo di progettazione, con il quale abbiamo osservato qualche confusione, che è il vincolo molto intuitivo in quanto gli gnocchi... rispetto alla massa totale dello gnocco è la composizione di ciascuno dei componenti dello stesso gnocco. |
| |
COSÌ, |
| |
l'altro... |
| |
allora perché, perché lo stiamo facendo? |
| |
Perché stiamo valutando questa uniformità di virgolette senza virgolette qui, questa matrice del grafico a dispersione qui e cosa ci dice questo tipo? BENE, |
| |
per massimizzare la capacità di predizione in tutto lo spazio del predittore, in questo caso nel tempo di salita, vogliamo trovare le combinazioni dei fattori che minimizzano le aree bianche. Va bene. E nelle aree bianche si ritiene che l'accuratezza della previsione sia più debole. |
| |
E questo è un ed è per questo che prendiamo il disegno e lo inseriamo in una matrice di grafici a dispersione e questo è analogo alla sorta di omogeneità dell'ipotesi di errore in ANOVA, |
| |
dove sai che cerchiamo uno spazio, lo spazio di previsione per essere ugualmente probabile o l'ipotesi di varianza uguale nella regressione lineare. |
| |
Quando vogliamo, vogliamo che questo spazio sia ugualmente probabile in tutta la gamma dei predittori. |
| |
Quindi in questo esperimento, ovviamente, per ridurre il numero di fattori che stiamo osservando, prima abbiamo usato l'ingegneria e la nostra comprensione dell'ingegneria e della fisica del problema. |
| |
E così per l'identificazione, abbiamo individuato sei variabili indipendenti o meno confondibili tra loro e abbiamo proceduto con l'analisi sulla base di queste variabili primarie. |
| |
Va bene. |
| |
Quindi la prima cosa che abbiamo fatto è stata prendere il nostro progetto generato e utilizzare la regressione graduale per cercare di semplificare il modello, identificare solo i fattori attivi nel modello. |
| |
E qui puoi utilizzare una combinazione di selezione in avanti, selezione all'indietro e mista come criteri di arresto per determinare il modello che spiega la maggior variazione nella tua risposta. |
| |
Inoltre, posso modellare il tipo di carne come discreto e o numerico o... piuttosto numerico discreto, e in questo modo posso usare questa etichettatura per far corrispondere la codifica fattoriale a |
| |
il tipo di carne è il gambero o il maiale, che abbiamo usato. |
| |
Quindi che tipo di regola di arresto puoi usare nel quadro di questo tipo di modello di regressione? BENE, |
| |
sfortunatamente, quando ho eseguito questo modello ancora e ancora, non sono stato davvero in grado di riprodurlo esattamente. E la riproduzione del modello può essere in qualche modo incoerente, poiché l'adattamento... questo tipo di schema di adattamento implica una procedura computazionale per iterare fino a una soluzione. |
| |
E quindi, quindi, in questa regressione graduale, il rischio di overfit è tipicamente più alto. |
| |
E spesso se c'è qualche curvatura nel modello |
| |
oppure ci sono due interazioni tra fattori, ad esempio, le varianti esplicative attraverso... sono condivise tra entrambi quei fattori in cui non è possibile separare quella variabilità associata all'uno o all'altro. |
| |
E quindi quello che possiamo vedere qui chiaramente, basandoci sulla R al quadrato aggiustata, è che stiamo ottenendo un ottimo adattamento, e probabilmente un adattamento troppo buono. |
| |
Significa che non possiamo prevedere in futuro in base a loro sull'adattamento a questo particolare modello. |
| |
Va bene. |
| |
Quindi ecco dove diventa piuttosto interessante. COSÌ |
| |
una delle cose che abbiamo fatto per prima cosa, dopo aver eseguito il passo per gradi, è stata assegnare input uniformi indipendenti a ciascuno dei fattori nel modello. |
| |
E questa è una sorta di implementazione Monte Carlo in JMP. |
| |
Un diverso tipo di implementazione Monte Carlo e e e |
| |
è importante capire in questo particolare quadro che la differenza tra l'effetto principale e l'effetto totale può indicare l'entità dell'interazione. |
| |
cappello che questa è l'estensione dell'interazione associata a un particolare fattore nel modello. E quindi questo sta dimostrando che, in particolare, la temperatura dell'acqua e la carne, |
| |
oltre ad essere più esplicativo in termini di effetto totale, può probabilmente interagire con altri fattori in questo particolare modello. |
| |
E quello che vedi, ovviamente, è che abbiamo identificato la temperatura dell'acqua, la carne e il tipo di carne come i nostri migliori predittori, usando il diagramma di Paredo per le stime trasformate. |
| |
L'altra cosa che vorrei evidenziare qui prima di lanciarmi in alcune delle altre diapositive è l'indicatore di sensibilità che possiamo invocare qui e |
| |
sotto il profiler dopo aver assegnato input uniformi indipendenti, |
| |
possiamo colorare il profiler del profilo per indicare la forza della relazione tra ciascuno dei fattori di input di input e la e la risposta. E possiamo anche usare |
| |
l'indicatore di sensibilità, che è rappresentato da questi triangoli viola, per mostrarci la sensibilità o si può dire la forza della relazione |
| |
simile al coefficiente di regressione lineare indicherebbe la forza, dove più alto è il triangolo e più ripida è la relazione, |
| |
più forte è nella direzione positiva o negativa e più ampio e piatto è il triangolo, meno forte è la relazione che gioca quel fattore. |
| |
Va bene. |
| |
Quindi abbiamo ridotto il nostro modello e utilizzato un po 'di senso ingegneristico e utilizzando la piattaforma graduale. |
| |
E cosa otteniamo |
| |
è solo un'istantanea del nostro modello in forma dall'origine del design DSD e ha RSM strutturato come curvatura. E puoi vedere che questo è un grafico di interazione che mostra l'entità dell'interazione tra tutti i fattori in modo a coppie. |
| |
E abbiamo indicato dove sono presenti alcune delle interazioni e come sono queste interazioni. |
| |
Quindi questo è un modello su cui davvero possiamo avere più controllo |
| |
Ok, allora |
| |
Penso che un'altra cosa da menzionare sia che il vincolo di progettazione che abbiamo imposto è simile a quello che potresti considerare un design misto, in cui tutti i componenti si sommano e il vincolo deve sommarsi al 100%. |
| |
Ok, quindi ecco solo un'immagine di alto livello del profiler e possiamo regolare o modulare ciascuno dei fattori di input e poi |
| |
osservare l'impatto sulla risposta e lo abbiamo fatto in modo molto manuale |
| |
solo per ottenere un'intuizione su come si sta comportando il modello |
| |
E ovviamente per ottimizzare il nostro tempo di cottura ciò che abbiamo confermato è che il tempo deve essere più veloce, ovviamente, le varianti associate al tempo di cottura dovrebbero essere inferiori. |
| |
E il throughput, il throughput e il risparmio energetico dovrebbero essere ottimizzati, massimizzati. E quelli sono due aggiuntivi |
| |
risposte che abbiamo derivato in base al tempo di cottura. |
| |
Ok, quindi qui è dove entriamo nell'ottimizzazione in modo più completo in quell'ottimizzazione |
| |
del processo di cottura. E quindi, come ho detto prima, abbiamo progettato o creato due variabili di risposta aggiuntive che sono collegate alla fisica, dove abbiamo il massimo rendimento e questo dipende da quanti gnocchi... |
| |
Scusa, dipende da quanti gnocchi, ma anche dal peso e dal tempo. |
| |
E il risparmio energetico, che è il prodotto della potenza consumata per il tempo di cottura, che è una componente energetica. |
| |
E quindi, per impegnarsi in questo processo di ottimizzazione, |
| |
dobbiamo introdurre l'errore associato a ciascuno dei fattori di input e questo è rappresentato da queste distribuzioni qui in basso. |
| |
E dobbiamo anche considerare la pratica finestra di controllo HACCP e, naturalmente, la capacità del dispositivo di misurazione, che è qualcosa che vorremmo esaminare in studi futuri. |
| |
E quindi ecco solo una bella immagine del piano di controllo HACCP che usiamo e questo è molto simile a qualcosa come un'analisi delle modalità di fallimento e degli effetti nella professione di qualità. Ed è solo un approccio strutturato a |
| |
sperimentazione o sviluppo del processo di produzione e dove vengono identificate le variabili chiave, |
| |
e proprietari chiave e poi quali criteri vengono misurati e in che modo tali criteri vengono convalidati. E così HACCP è in realtà comune nel settore delle scienze alimentari e sta per Hazard Analysis Critical Control Point monitoring. |
| |
E io penso |
| |
oltre a tutte queste attività di preparazione, principalmente sono stato coinvolto nel contesto di questo esperimento come raccoglitore di dati e l'integrità dei dati è una cosa molto importante. E così |
| |
trascrivere i dati in modo appropriato è sicuramente è sicuramente importante. |
| |
Pertanto, tutti i punti di controllo HACCP devono essere incorporati nell'intervallo di simulazione Monte Carlo e, in ultima analisi, l'intervallo di tolleranza HACCP può essere utilizzato per derivare il requisito di prestazione del processo. |
| |
Ok, allora |
| |
consideriamo una gamma di input in cui Monte Carlo può confermare che questa gamma prevista è pratica per il tempo di cottura. |
| |
Vogliamo considerare un piccolo cambiamento in ciascuno dei fattori di input a ciascuno a ciascun livello ciascuno a ciascun livello di componente HACCP e |
| |
e questo è determinato dall'intervallo del punto di controllo. In base all'intervallo del punto di controllo, possiamo determinare il delta x e il delta in ciascuno degli input dal tempo di risposta delta y. |
| |
E possiamo continuare ad aumentare il delta x in modo incrementale iterativo, |
| |
sperando che l'aumento sia abbastanza piccolo in modo che il cambiamento in y sia abbastanza piccolo da soddisfare la specifica. E di solito nell'industria si tratta di una tolleranza di progettazione e in questo caso è la nostra gamma di parametri di controllo del punto di controllo HACCP o il limite dei parametri di controllo. |
| |
E se quella procedura iterativa fallisce, allora dobbiamo ridurre l'incremento e X e chiamiamo questa procedura allocazione di tolleranza. Va bene. |
| |
Lo abbiamo fatto manualmente e usando una sorta di nostra ricetta speciale. Anche se questo può essere fatto in modo più automatizzato in JMP e |
| |
e in questo caso, puoi vedere che abbiamo più tutte le nostre risposte. Quindi, utilizzando l'ottimizzazione della risposta multipla, oltre a ciò implicherebbe l'utilizzo delle funzioni di desiderabilità e la massimizzazione della desiderabilità sotto il profiler di previsione |
| |
così come una modellazione del processo gaussiano, |
| |
disponibile anche sotto il profiler di previsione. |
| |
Va bene. Quindi, nella vena di, sai, usare strumenti per completarsi a vicenda e cercare di capire meglio il nostro prodotto... il nostro processo e il nostro esperimento, usiamo la capacità di modellazione neurale nel menu di analisi, sotto gli strumenti di modellazione predittiva. |
| |
E |
| |
Noi, abbiamo cercato di utilizzarlo per facilitare la nostra previsione. |
| |
Questo modello utilizza una funzione TanH, che può essere più potente per rilevare la curvatura in effetti non lineari, |
| |
ma è una specie di scatola nera e non si ricollega alla fisica. COSÌ |
| |
mentre è anche robusto per risposte non normali e in qualche modo robusto per confondere aliasing. |
| |
esso, ha i suoi limiti, in particolare con una piccola dimensione del campione, come quella che abbiamo qui, e puoi effettivamente vedere che la r al quadrato tra gli insiemi di addestramento e convalida non è particolarmente |
| |
lo stesso o variano quindi questo modello non è particolarmente coerente ai fini della previsione. |
| |
Infine, abbiamo utilizzato la piattaforma di partizione in JMP per eseguire il partizionamento ricorsivo sul nostro |
| |
tempo di risposta risposta. |
| |
E questo modello è decisamente relativamente facile da interpretare in generale, ma penso in particolare per il nostro esperimento perché possiamo vedere che per il tempo di salita abbiamo questa temperatura tagliata a circa 85 gradi C, |
| |
e questo e oltre a una certa differenziazione della temperatura rispetto al rendimento massimo, ma in particolare il taglio di 85 gradi è il massimo ... è molto interessante. |
| |
La nota R al quadrato in questo modello è di circa 0,7, almeno per quanto riguarda la risposta all'aumento della temperatura, il che è abbastanza buono per questo tipo di modello, considerando la piccola dimensione del campione. |
| |
E |
| |
la cosa più interessante rispetto a questo limite è che al di sotto di 85 C l'acqua non bolle davvero. Non c'era |
| |
molto gorgoglio, nessuna turbolenza. La lettura è stata molto stabile. Tuttavia, quando abbiamo aumentato la temperatura, l'acqua ha iniziato a circolare, la turbolenza nell'acqua ha causato una temperatura non uniforme, il collasso della bolla di cavitazione, l'aumento del vapore, ed è fondamentalmente un ambiente di temperatura instabile. |
| |
In questo tipo di ambiente domina la convezione piuttosto che la conduzione. |
| |
E il vapore blocca anche la luce del termometro a infrarossi, il che aumenta anche l'incertezza associata alla misurazione della temperatura. |
| |
E il vapore stesso presenta un rischio di ustione che, oltre alla sicurezza, può influire sul modo in cui l'operatore regola il termometro e regola la distanza alla quale l'operatore posiziona il termometro, che è molto importante per la precisione della misurazione. |
| |
Quindi, e questo, in effetti, è stato il motivo per cui abbiamo limitato il nostro progetto a 95 °C perché era davvero impossibile misurare accuratamente la temperatura dell'acqua oltre. |
| |
Va bene. |
| |
Quindi cosa siamo...dove siamo arrivati qui? BENE, |
| |
in sintesi, noi... in questo esperimento usiamo DSD (DOE) solo per raccogliere i dati. |
| |
Quindi usiamo la regressione graduale per restringere gli effetti importanti, ma non siamo andati troppo in profondità nella regressione graduale. E usiamo il buon senso per ridurre al minimo il numero di fattori nel nostro esperimento così come l'esperienza ingegneristica. |
| |
Utilizziamo anche input uniformi indipendenti, |
| |
che è molto potente |
| |
per darci un'idea dell'entità degli effetti usando, ad esempio colorando il profilo o guardando il rango degli effetti e anche guardando la differenza tra l'effetto principale e l'effetto totale per darci un'indicazione dell'interazione presente nel modello. |
| |
Abbiamo anche aggiunto indicatori di sensibilità sotto il profiler per aiutarci a quantificare la nostra sensibilità globale ai fini dell'ottimizzazione Monte Carlo |
| |
schema che abbiamo utilizzato. |
| |
Gli effetti principali nel modello in realtà, la temperatura, ovviamente, e la fisica ha davvero spiegato perché la temperatura è il fattore numero uno come, come ho condiviso nelle nostre scoperte. |
| |
E inoltre, tra 80 e 90 gradi C, ciò che vediamo dai profiler che abbiamo osservato è una sorta di rapida transizione e un aumento della sensibilità della relazione tra tempo di salita e temperatura che è, ovviamente, coerente con le nostre osservazioni sperimentali. |
| |
In secondo luogo, per quanto riguarda gli effetti dei fattori che interagiscono tra loro e poiché esistono due diversi tipi di fisica che realmente interagiscono, la fisica di base... i modi fisici che interagiscono sono la convezione e la conduzione, |
| |
lo stepwise sul DSD è un buon punto di partenza, perché ci dà un modello continuo senza trasformazione |
| |
Senza |
| |
Trasformazione avanzata di tipo neurale o scatola nera, wo possiamo almeno avere una buona padronanza della sensibilità globale per cominciare. |
| |
E i nostri modelli neurali nei nostri modelli di partizione non potevano mostrarcelo, in particolare data la piccola dimensione del campione nel nostro esperimento. |
| |
E infine, usiamo la simulazione Monte Carlo, una robusta simulazione Monte Carlo |
| |
nel nostro quadro. E abbiamo anche fatto un po' di ottimizzazione della risposta multipla sul tempo di aumento e sul throughput del consumo energetico rispetto ai nostri fattori importanti. E attraverso questo esperimento, abbiamo iniziato a qualificare davvero e ad approfondire la nostra comprensione dell'importanza di |
| |
i fattori più importanti in questo esperimento utilizzando un approccio di modellazione multidisciplinare. |
| |
Infine, condividerò alcuni riferimenti qui per te per interesse. Grazie mille per il tuo tempo e |
