Vocero
|
Transcripción
|
| patricio giuliano |
Está bien. Bueno, bienvenidos todos. |
| |
Gracias a todos por tomarse el tiempo de ver esta presentación. |
| |
Preparando las albóndigas al vapor más frescas. |
| |
Y mi nombre es Patrick Giuliano y mis coautores son Mason Chen y Charles Chen de Applied Materials, así como Yvanny Chang. |
| |
Bien, hoy les contaré cómo aproveché... mi equipo y yo aprovechamos el poder de JMP para entender realmente sobre |
| |
cocina de bolas de masa hervida. |
| |
Y entonces, la declaración general del problema aquí es que la mayoría de los alimentos, como las albóndigas, se preparan sin un control preciso de los parámetros de cocción. |
| |
Y el sabor de una bola de masa, así como otros resultados para medir qué tan buena es una bola de masa, se ve afectado negativamente por el tiempo de cocción inadecuado y esto es intuitivo para todos los que han disfrutado de la comida, por lo que |
| |
no necesitamos hablar demasiado sobre eso. Pero |
| |
Tarde o temprano, la IA y la robótica serán una parte importante de la industria alimentaria. |
| |
Y nuestra experiencia reciente con Covid 19 realmente ha resaltado eso, por lo que voy a hablar un poco sobre cómo |
| |
puede comprender mejor el proceso de bola de masa utilizando un enfoque de modelado muy multifacético, que utiliza muchas de las capacidades de modelado de JMP, incluida la optimización robusta del diseño de Monte Carlo. |
| |
Entonces, ¿por qué albóndigas? |
| |
Bueno, las albóndigas son muy fáciles de cocinar. |
| |
Y al cocinarlos, por supuesto, matamos cualquier partícula extraña que pueda estar viviendo en ellos. |
| |
Y cocinar puede implicar una interacción humana muy limitada. |
| |
Entonces, por supuesto, con eso, el diseño y el espacio de proceso relacionado con la cocina es muy intuitivo y extensible. |
| |
y podemos considerar la física asociada con este problema y tratar de usar JMP para ayudarnos a comprender e investigar mejor la física. |
| |
La IA realmente llegará tarde o temprano debido a Covid 19, por supuesto, y |
| |
¿Por qué vendría la cocción robótica de albóndigas? Bien |
| |
Y también otras preguntas podrían ser, ¿cuáles son los beneficios? ¿Cuáles son los desafíos de cocinar albóndigas de forma automatizada en un entorno robótico? |
| |
Y, por supuesto, esto podría ser un desafío porque en realidad los robots no tienen nariz para oler. Y por eso, esa es una gran razón por la cual, además de |
| |
un enfoque de modelado avanzado y multifacético, es importante considerar algunos otros criterios estructurados. |
| |
Y más adelante en esta presentación, hablaré un poco sobre los criterios HACCP y cómo los integramos para resolver nuestro problema de una manera más estructurada. |
| |
Bueno entonces |
| |
Antes de sumergirme en muchos de los interesantes análisis de JMP, me gustaría brindar una breve introducción a la física de la transferencia de calor, la ciencia de los alimentos y cómo los diferentes mecanismos de transferencia de calor afectan la cocción de las albóndigas. |
| |
Como puede ver en esta diapositiva, hay un |
| |
q |
| |
en la parte superior del diagrama y en la parte superior derecha y que se hace referencia a Q... se refiere a la densidad de flujo de calor, que es la cantidad de energía que |
| |
fluye a través de una unidad de área por unidad de tiempo y la dirección del cambio de temperatura. |
| |
Desde el punto de vista de la física, las proteínas y la carne cruda y hervida difieren en sus cantidades de energía. Se debe superar una barrera de energía de activación para convertir la estructura de la proteína de la carne cruda en una estructura desnaturalizada o compactada, como se muestra aquí. |
| |
en esta imagen de la izquierda. |
| |
Entonces, la primera tarea del cocinero, al hervir carne en términos físicos, es aumentar la temperatura en todo el volumen de la pieza. |
| |
al menos |
| |
Alcanzar la temperatura de desnaturalización. |
| |
Más adelante, voy a hablar sobre el hallazgo más interesante de esta fase particular del experimento donde descubrimos que había un corte de temperatura. |
| |
E intuitivamente, uno pensaría que por debajo de cierta temperatura las albóndigas se cocinarían... no se cocinarían correctamente, estarían demasiado empapadas, y por encima de cierta temperatura, tal vez también estarían demasiado empapadas o quemadas o crujientes. |
| |
Otra nota final sobre la física aquí es que en el umbral de ebullición, la temperatura de la superficie del agua fluctúa y las burbujas subirán a la superficie de la caldera. |
| |
y romperse y colapsarse y eso puede hacer que sea difícil reunir... capturar y... disculpe... capturar lecturas precisas de temperatura. |
| |
Eso nos lleva a algunas... ¿cuáles son algunas de las herramientas que usamos para realizar un experimento? |
| |
Bien, |
| |
por supuesto, usamos una olla hirviendo y eso es muy importante. |
| |
Por supuesto, usamos algo para medir la temperatura y para esto usamos un termómetro infrarrojo y usamos un temporizador, por supuesto, y usamos un balance de masa para pesar la bola de masa y todos los componentes que entran en la bola de masa. |
| |
Podríamos considerar algo llamado Gare R&R en estudios futuros y donde podamos cuantificar la repetibilidad y reproducibilidad de nuestras herramientas de medición. |
| |
En este experimento, no lo hicimos, pero eso es muy importante, porque nos ayuda a maximizar la precisión de las estimaciones de nuestro modelo por minuto... minimizando los componentes de ruido asociados con nuestro proceso de medición. |
| |
Y esos componentes de ruido no solo podrían ser |
| |
un hecho... un factor de, digamos, tolerancia de precisión para el indicador, pero también podrían deberse a cómo la persona interactúa con la medición en sí. |
| |
Y, en particular, voy a hablar un poco sobre el desafío de medir la temperatura de ebullición y cocción a alta temperatura. |
| |
Bien, tan brevemente, |
| |
esto... configuramos este experimento como un experimento diseñado. Y entonces tuvimos que decidir sobre las herramientas primero. |
| |
Tuvimos que decidir cómo haríamos la bola de masa. Así que necesitábamos un proceso de fabricación y apropiado |
| |
protagonistas de ese proceso. Y luego tuvimos que diseñar un experimento estructurado. Y para ello utilizamos el diseño de cribado definitivo |
| |
y analizó algunas características del diseño para garantizar que el diseño funcionaba de manera óptima para nuestro experimento. |
| |
A continuación ejecutamos el experimento. |
| |
Y luego |
| |
medimos y registramos la respuesta. |
| |
Y por supuesto, finalmente, la parte divertida, |
| |
Llegamos a interpretar efectivamente los datos y JMP. |
| |
Y estos son gráficos que están aquí que muestran matrices de diagramas de dispersión generadas en JMP, simplemente usando la función de gráfico. |
| |
Y estos en realidad nos dan una indicación de la uniformidad que el espacio de predicción. Hablaré un poco más sobre eso más adelante... luego a continuación... en las próximas diapositivas. |
| |
Bien, aquí están nuestros datos. Este es nuestro plan de recopilación de datos y, a la derecha, está la respuesta que medimos, que es el tiempo de fermentación o el tiempo de cocción de las albóndigas. |
| |
Recolectamos 18 ejecuciones en un DSD, que generamos en JMP utilizando la plataforma DSD y en el menú DOE. |
| |
Y recopilamos información sobre la masa de la carne, la masa de las verduras que entran, la masa de... el tipo de carne, más bien, la composición de las verduras (ya sea repollo o champiñones), |
| |
y, por supuesto, el peso total, los tamaños de la tanda que cocinamos, la cantidad de albóndigas por tanda y la temperatura del agua. |
| |
Así que esta diapositiva solo destaca parte del increíble poder de un DSD y no voy a entrar demasiado en esto, pero los DSD son muy elogiados por sus características de modelado flexibles y poderosas. |
| |
Y permiten el gran potencial para realizar la detección de Blitz y optimizar la optimización en un solo experimento. |
| |
Este gráfico a la derecha es una matriz de correlación generada en JMP, en su plataforma de diagnóstico diseñada del menú DOE y es particularmente poderosa para mostrar |
| |
el grado de aliasing o confusión entre todos los efectos de los factores en su modelo. Y lo que este gráfico muestra claramente es que |
| |
por el azul más oscuro, no hay correlación y, a medida que la correlación aumenta y llegamos a tonos de gris, y finalmente, cuando llegamos a una correlación muy positiva, llegamos a tonos de rojo. Así que lo que realmente estamos viendo es que |
| |
los efectos principales no están correlacionados entre sí, que es lo que nos gusta ver en las interacciones de dos factores, los efectos principales no están correlacionados. |
| |
Con efectos cuadráticos que está arriba en este cuadrante derecho. Y luego, los efectos cuadráticos en realidad solo están parcialmente correlacionados entre sí y luego tienes estos términos de interacción de orden superior, |
| |
que son los que en realidad están parcialmente correlacionados con los efectos de interacción y este tipo de características hacen que este diseño en particular sea superior a los diseños factoriales fraccionados típicos de Resolución III y Resolución IV que nos solían enseñar |
| |
antes de los DSD. |
| |
Bueno. Así que solo discutimos rápidamente un poco sobre el diagnóstico de diseño. Aquí está la misma correlación... una gráfica de correlación similar, excepto que a los factores se les ha dado sus nombres particulares |
| |
y después de... ejecutar este diseño DSD. Y esta es solo una versión gris y blanca de una matriz de correlación para ayudarlo a ver el alcance de la ortoginalidad o |
| |
no, no siendo??? entre los factores. Entonces, lo que pueden ver en nuestro experimento es que en realidad observamos un poco de |
| |
confundiendo entre un tamaño de lote un tamaño de lote y la carne como era de esperar, y luego, por supuesto, la carne con la interacción entre la carne y las verduras que están en la bola de masa. |
| |
Y tenga en cuenta que impusimos una restricción de diseño aquí, con la que observamos cierta confusión, que es la restricción muy intuitiva de que las albóndigas... que la masa total de la albóndiga es la composición de cada uno de los componentes de la misma. |
| |
Entonces, |
| |
el otro... |
| |
Entonces, ¿por qué, por qué estamos haciendo esto? |
| |
¿Por qué estamos evaluando esta uniformidad entre comillas aquí, esta matriz de diagrama de dispersión aquí y qué nos dice esto? Bien, |
| |
para maximizar la capacidad de predicción en todo el espacio del predictor, en este caso en tiempo ascendente, queremos encontrar las combinaciones de los factores que minimizan las áreas blancas. Bueno. Y en las áreas blancas es donde se cree que la precisión de la predicción es más débil. |
| |
Y este es un y es por eso que tomamos el diseño y lo colocamos en una matriz de diagrama de dispersión y esto es análogo a la suposición de homogeneidad del error en ANOVA, |
| |
donde sabes que buscamos un espacio, el espacio de predicción para que sea igualmente probable, o la suposición de varianza igual en la regresión lineal. |
| |
Cuando queramos, queremos que este espacio sea igualmente probable en todo el rango de los predictores. |
| |
Entonces, en este experimento, por supuesto, para reducir la cantidad de factores que estamos analizando, primero usamos la ingeniería y nuestra comprensión de la ingeniería y la física del problema. |
| |
Y así, para la identificación, identificamos seis variables independientes o variables que menos se confundían entre sí y y procedimos al análisis sobre la base de estas variables primarias. |
| |
Bueno. |
| |
Así que lo primero que hicimos fue que tomamos nuestro diseño generado y usamos la regresión por pasos para tratar de simplificar el modelo, identificar solo los factores activos en el modelo. |
| |
Y aquí puede usar una combinación de selección hacia adelante, selección hacia atrás y mixta como criterio de parada para determinar el modelo que explica la mayor variación en su respuesta. |
| |
Y también, puedo modelar el tipo de carne como discreto y numérico o... bastante numérico discreto, y de esta manera puedo usar este etiquetado para hacer que la codificación de factores se corresponda con |
| |
el tipo de carne es el camarón o el cerdo, que usamos. |
| |
Entonces, ¿qué tipo de regla de parada puede usar en el marco de este tipo de modelo de regresión? Bien, |
| |
desafortunadamente, cuando ejecuté este modelo una y otra vez, no pude reproducirlo exactamente. Y la reproducción del modelo puede ser algo inconsistente, ya que el ajuste... este tipo de esquema de ajuste involucra un procedimiento computacional para iterar a una solución. |
| |
Y por lo tanto, en esta regresión por pasos, el riesgo de sobreajuste suele ser mayor. |
| |
Y muchas veces si hay alguna curvatura en el modelo |
| |
o hay interacciones de dos factores, por ejemplo, las variantes explicativas a través de... se comparten entre ambos factores en los que no se puede separar esa variabilidad asociada con uno u otro. |
| |
Entonces, lo que podemos ver aquí claramente, basado en el R cuadrado ajustado, es que estamos obteniendo un muy buen ajuste, y probablemente un ajuste demasiado bueno. |
| |
Lo que significa que no podemos predecir en el futuro basándonos en ellos sobre el ajuste a este modelo en particular. |
| |
Bueno. |
| |
Así que aquí es donde se pone bastante interesante. Entonces |
| |
una de las cosas que hicimos primero, después de ejecutar paso a paso, es que asignamos entradas uniformes independientes a cada uno de los factores del modelo. |
| |
Y esta es una especie de implementación de Monte Carlo en JMP. |
| |
Un tipo diferente de implementación de Monte Carlo y y y |
| |
es un qué es lo que es importante entender en este marco particular es que la diferencia entre el efecto principal y el efecto total puede indicar el alcance de la interacción. |
| |
que este es el grado de interacción asociado con un factor particular en el modelo. Y esto demuestra que, en particular, la temperatura del agua y la carne, |
| |
además de ser más explicativo en términos del efecto total, es probable que interactúe con otros factores en este modelo en particular. |
| |
Y lo que ven, por supuesto, es que identificamos la temperatura del agua, la carne y el tipo de carne como nuestros principales predictores, utilizando el diagrama de Paredo para las estimaciones transformadas. |
| |
La otra cosa que me gustaría resaltar aquí antes de lanzarme a algunas de las otras diapositivas es el indicador de indicación de sensibilidad que podemos invocar aquí y |
| |
bajo el generador de perfiles después de que asignemos entradas uniformes independientes, |
| |
podemos colorear el generador de perfiles de perfil para indicar la fuerza de la relación entre cada uno de los factores de entrada de entrada y la respuesta. Y también podemos usar |
| |
el indicador de sensibilidad, que está representado por estos triángulos morados, para mostrarnos la sensibilidad o puede decir la fuerza de la relación |
| |
similar al coeficiente de regresión lineal indicaría la fuerza, donde cuanto más alto sea el triángulo y más inclinada sea la relación, |
| |
cuanto más fuerte sea en la dirección positiva o negativa y cuanto más ancho y plano sea el triángulo, menos fuerte será la relación que ese factor juega. |
| |
Bueno. |
| |
Así que decidimos reducir nuestro modelo y usar algo de sentido de la ingeniería y usar la plataforma paso a paso. |
| |
Y lo que obtenemos |
| |
Esta es solo una instantánea de nuestro modelo que se ajusta desde el origen del diseño DSD y tiene RSM estructurado como curvatura. Y pueden ver que este es un gráfico de interacción que muestra el grado de interacción entre todos los factores en forma de pares. |
| |
Y hemos indicado dónde están presentes algunas de las interacciones y cómo se ven esas interacciones. |
| |
Así que este es un modelo que realmente podemos manejar más |
| |
Bueno entonces |
| |
Creo que otra cosa para mencionar es que la restricción de diseño que impusimos es similar a lo que podría considerar un diseño mixto, donde todos los componentes se suman y la restricción tiene que sumar 100%. |
| |
Bien, aquí hay solo una imagen de alto nivel del generador de perfiles y podemos ajustar o modular cada uno de los factores de entrada y luego |
| |
observar el impacto en la respuesta y lo hicimos de una manera muy manual |
| |
solo para ganar algo de intuición sobre cómo se está desempeñando el modelo |
| |
Y claro para optimizar nuestro tiempo de cocción lo que confirmamos es que el tiempo tiene que ser más rápido, claro, las variantes asociadas al tiempo de cocción deberían ser menores. |
| |
Y el rendimiento, el rendimiento y el ahorro de energía deben optimizarse, maximizarse. Y esos son dos adicionales |
| |
respuestas que obtuvimos en función del tiempo de cocción. |
| |
Bien, aquí es donde nos adentramos más en la optimización en esa optimización. |
| |
del proceso de cocción. Y como mencioné antes, diseñamos o creamos dos variables de respuesta adicionales que están conectadas a la física, donde tenemos el máximo rendimiento y eso depende de cuántos dumplings... |
| |
Lo siento, depende de cuantas empanadillas, pero también del peso y del tiempo. |
| |
Y el ahorro energético, que es el que es producto de la energía consumida y el tiempo de cocción, que es un componente energético. |
| |
Entonces, para participar en este proceso de optimización, |
| |
necesitamos introducir el error asociado con cada uno de los factores de entrada y eso está representado por estas distribuciones en la parte inferior aquí. |
| |
Y también debemos considerar la ventana práctica de control HACCP y, por supuesto, la capacidad del dispositivo de medición, que es algo que nos gustaría analizar en estudios futuros. |
| |
Y aquí hay una buena imagen del plan de control HACCP que usamos y esto sigue de manera muy similar a algo así como un análisis de efectos y modos de falla en la profesión de calidad. Y es solo un enfoque estructurado para |
| |
experimentación o desarrollo del proceso de fabricación y donde se identifican las variables clave, |
| |
y propietarios clave y luego contra qué criterios se están midiendo y cómo se validan esos criterios. Entonces, HACCP es común en la industria de la ciencia de los alimentos y significa monitoreo de puntos críticos de control de análisis de peligros. |
| |
Y yo pienso |
| |
Además de todas estas actividades de preparación, principalmente estuve involucrado en el contexto de este experimento como recolector de datos y la integridad de los datos es algo muy importante. Y entonces |
| |
La transcripción de datos de manera adecuada es definitivamente importante. |
| |
Por lo tanto, todos los puntos de control de HACCP deben incorporarse al rango de simulación de Monte Carlo y, en última instancia, el rango de tolerancia de HACCP se puede usar para derivar el requisito de rendimiento del proceso. |
| |
Bueno entonces |
| |
consideramos un rango de entradas donde Monte Carlo puede confirmar que este rango esperado es práctico para el tiempo de cocción. |
| |
Queremos considerar un pequeño cambio en cada uno de los factores de entrada en cada nivel en cada nivel de componente HACCP y |
| |
y esto está determinado por el rango del punto de control. Con base en el rango del punto de control, podemos determinar el delta x y el delta en cada una de las entradas del tiempo de respuesta delta y. |
| |
Y podemos continuar incrementando el delta x incrementalmente de forma iterativa, |
| |
mientras se espera que el aumento sea lo suficientemente pequeño para que el cambio en y sea lo suficientemente pequeño para cumplir con la especificación. Y, por lo general, en la industria esa es una tolerancia de diseño y, en este caso, es nuestro rango de parámetros de control de punto de control HACCP o límite de parámetros de control. |
| |
Y si ese procedimiento iterativo falla, entonces tenemos que hacer que el incremento y X sean más pequeños y llamamos a este procedimiento asignación de tolerancia. Bueno. |
| |
Hicimos esto de forma manual y lo usamos como nuestra propia receta especial. Aunque esto se puede hacer de forma más automatizada en JMP y |
| |
y en este caso, puede ver que tenemos más todas nuestras respuestas. Entonces, usar la optimización de respuesta múltiple, así como lo que implicaría usar las funciones de deseabilidad y maximizar la conveniencia bajo el generador de perfiles de predicción |
| |
así como un proceso de modelado gaussiano, |
| |
también disponible en el generador de perfiles de predicción. |
| |
Bueno. Entonces, en la línea de, ya sabes, usar herramientas para complementarse entre sí y tratar de comprender mejor nuestro producto... nuestro proceso y nuestro experimento, usamos la capacidad de modelado neuronal en el menú de análisis, en las herramientas de modelado de predicción. |
| |
Y |
| |
Nosotros, tratamos de utilizarlo para facilitar nuestra predicción. |
| |
Este modelo utiliza una función TanH, que puede ser más potente para detectar la curvatura en efectos no lineales. |
| |
pero es una especie de caja negra y realmente no se relaciona con la física. Entonces |
| |
mientras que también es resistente a las respuestas no normales y algo resistente a la confusión de aliasing. |
| |
tiene sus limitaciones, particularmente con un tamaño de muestra pequeño, como el que tenemos aquí, y en realidad se puede ver que la r cuadrada entre los conjuntos de entrenamiento y validación no son particularmente |
| |
son iguales o varían, por lo que este modelo no es particularmente consistente a los efectos de la predicción. |
| |
Finalmente, usamos la plataforma de particiones en JMP para ejecutar particiones recursivas en nuestro |
| |
tiempo de respuesta respuesta. |
| |
Y este modelo definitivamente es relativamente fácil de interpretar en general, pero creo que particularmente para nuestro experimento porque podemos ver que durante el tiempo de aumento tenemos esta temperatura cortada en aproximadamente 85 grados C, |
| |
y eso, además de cierta diferenciación de temperatura con respecto al rendimiento máximo, pero en particular, el corte de 85 grados es lo más... es muy interesante. |
| |
La nota de R cuadrada en este modelo es de aproximadamente 0,7, al menos con respecto a la respuesta de temperatura creciente, lo cual es bastante bueno para este tipo de modelo, considerando el pequeño tamaño de la muestra. |
| |
Y |
| |
lo más interesante con respecto a este corte es que por debajo de 85 C, el agua realmente no estaba hirviendo. no había |
| |
mucho burbujeo, sin turbulencia. La lectura fue muy estable. Sin embargo, a medida que aumentamos la temperatura, el agua comenzó a circular, la turbulencia en el agua causó una temperatura no uniforme, el colapso de las burbujas de cavitación, el aumento de vapor y básicamente es un entorno de temperatura inestable. |
| |
En este tipo de ambiente domina la convección en lugar de la conducción. |
| |
Y el vapor también bloquea la luz del termómetro infrarrojo, lo que también aumenta la incertidumbre asociada con la medición de la temperatura. |
| |
Y el vapor en sí presenta un riesgo de quemaduras que, además de la seguridad, puede afectar la forma en que el operador ajusta el termómetro y ajusta la distancia en la que el operador coloca el termómetro, lo cual es muy importante para la precisión de la medición. |
| |
Entonces, y esta, de hecho, fue la razón por la que limitamos nuestro diseño a 95 C porque era realmente imposible medir la temperatura del agua con precisión por encima de eso. |
| |
Bueno. |
| |
Entonces, ¿qué son ... dónde hemos llegado aquí? Bien, |
| |
en resumen, nosotros... en este experimento usamos DSD (DOE) solo para recolectar los datos. |
| |
Luego usamos la regresión por pasos para reducir los efectos importantes, pero no profundizamos demasiado en la regresión por pasos. Y usamos el sentido común para minimizar la cantidad de factores en nuestro experimento, así como la experiencia en ingeniería. |
| |
También utilizamos entradas uniformes independientes, |
| |
que es muy poderoso |
| |
por darnos una idea de la magnitud de los efectos usando, por ejemplo, coloreando el perfil o mirando el rango de los efectos y también mirando la diferencia entre el efecto principal y el efecto total para darnos una indicación de la interacción presente en el modelo. |
| |
También agregamos indicadores de sensibilidad debajo del generador de perfiles para ayudarnos a cuantificar nuestra sensibilidad global a los fines de la optimización de Monte Carlo. |
| |
esquema que empleamos. |
| |
Los efectos principales en el modelo realmente, la temperatura, por supuesto, y la física realmente explicada explica por qué la temperatura es el factor número uno, como he compartido en nuestros hallazgos. |
| |
Y además, entre 80 y 90 grados C, lo que vemos en los perfiladores es que observamos una especie de transición rápida y un aumento en la sensibilidad de la relación entre el tiempo de aumento y la temperatura que, por supuesto, es consistente con nuestras observaciones experimentales. |
| |
En segundo lugar, con respecto a los efectos de los factores que interactúan entre sí y debido a que hay dos tipos diferentes de física que realmente interactúan, la física básica... los modos físicos que interactúan son la convección y la conducción. |
| |
el paso a paso en el DSD es un buen punto de partida, porque nos da un modelo continuo sin transformación |
| |
Con ningún |
| |
Transformación avanzada de tipo neural o de caja negra, para empezar, al menos podemos tener un buen manejo de la sensibilidad global. |
| |
Y nuestros modelos neuronales en nuestros modelos de partición no pudieron mostrarnos esto, particularmente dado el pequeño tamaño de la muestra en nuestro experimento. |
| |
Y finalmente, usamos la simulación de Monte Carlo, simulación robusta de Monte Carlo |
| |
en nuestro propio marco. Y también hicimos un poco de optimización de respuesta múltiple sobre el aumento del tiempo y el rendimiento en el consumo de energía en comparación con nuestros factores importantes. Y a través de este experimento, comenzamos a calificar realmente y aumentar nuestra comprensión de la importancia de |
| |
los factores más importantes en este experimento utilizando un enfoque de modelado multidisciplinario. |
| |
Finalmente, compartiré algunas referencias aquí para que sean de su interés. Muchas gracias por su tiempo y |
