Conférencier
|
Transcription
|
| Patrick Julien |
D'accord. Eh bien, bienvenue à tous. |
| |
Merci à tous d'avoir pris le temps de regarder cette présentation. |
| |
Préparer les raviolis cuits à la vapeur les plus frais. |
| |
Et je m'appelle Patrick Giuliano et mes co-auteurs sont Mason Chen et Charles Chen d'Applied Materials, ainsi qu'Yvanny Chang. |
| |
D'accord, alors aujourd'hui, je vais vous expliquer comment j'ai exploité... mon équipe et moi-même exploitons la puissance de JMP pour vraiment comprendre |
| |
cuisson des boulettes. |
| |
Et pour que l'énoncé général du problème ici soit que la plupart des aliments comme les boulettes sont fabriqués sans contrôle précis des paramètres de cuisson. |
| |
Et le goût d'une boulette, ainsi que d'autres résultats pour mesurer la qualité d'une boulette, est affecté par un temps de cuisson inapproprié, ce qui est intuitif pour tous ceux qui ont apprécié la nourriture. |
| |
nous n'avons pas besoin de trop en parler. Mais |
| |
Tôt ou tard, l'IA et la robotique occuperont une place importante dans l'industrie alimentaire. |
| |
Et notre récente expérience avec Covid 19 a vraiment mis cela en évidence et je vais donc parler un peu de la façon dont nous |
| |
peut mieux comprendre le processus de dumpling à l'aide d'une approche de modélisation à multiples facettes, qui utilise de nombreuses fonctionnalités de modélisation de JMP, y compris l'optimisation robuste de la conception Monte Carlo. |
| |
Alors pourquoi des boulettes ? |
| |
Eh bien, les boulettes sont très faciles à cuisiner. |
| |
Et en les faisant cuire, bien sûr, nous tuons toutes les particules étrangères qui pourraient y vivre. |
| |
Et la cuisine peut impliquer une interaction humaine très limitée. |
| |
Alors bien sûr avec ça, la conception et l'espace de processus liés à la cuisson sont très intuitifs et extensibles |
| |
et nous pouvons considérer la physique associée à ce problème et essayer d'utiliser JMP pour nous aider à vraiment comprendre et mieux étudier la physique. |
| |
L'IA arrive vraiment tôt ou tard à cause de Covid 19, bien sûr, et |
| |
pourquoi la cuisson robotisée des raviolis viendrait-elle ? Bien |
| |
Et aussi d'autres questions pourraient être, quels sont les avantages ? Quels sont les défis de la cuisson des boulettes de manière automatisée dans un environnement robotisé ? |
| |
Et bien sûr, cela pourrait être un défi car en fait les robots n'ont pas le nez pour sentir. Et donc à cause de cela, c'est une grande raison pour laquelle, en plus de |
| |
une approche de modélisation avancée et à multiples facettes, il est important de considérer certains autres critères structurés. |
| |
Et plus tard dans cette présentation, je vais parler un peu, un peu des critères HACCP et de la façon dont nous les avons intégrés afin de résoudre notre problème de manière plus structurée. |
| |
Bon alors |
| |
Avant de me plonger dans une grande partie de l'analyse intéressante de JMP, j'aimerais brièvement vous présenter la physique du transfert de chaleur, la science alimentaire et la manière dont les différents mécanismes de transfert de chaleur affectent la cuisson des boulettes. |
| |
Donc, comme vous pouvez le voir sur cette diapositive, il y a un |
| |
Q |
| |
en haut du diagramme et en haut à droite et que Q est appelé ... il se réfère à la densité de flux de chaleur, qui est la quantité d'énergie qui |
| |
traverse une unité de surface par unité de temps et la direction du changement de température. |
| |
Du point de vue de la physique, les protéines et la viande crue et bouillie diffèrent par leurs quantités d'énergie. Une barrière d'énergie d'activation doit être surmontée afin de transformer la structure des protéines de viande crue en une structure dénaturée ou compactifiée, comme illustré ici. |
| |
sur cette photo à gauche. |
| |
Ainsi, la première tâche du cuisinier, lorsqu'il fait bouillir de la viande en termes de physique, est d'augmenter la température dans tout le volume de la pièce. |
| |
au moins |
| |
Atteindre la température de la dénaturation. |
| |
Plus tard, je parlerai de la découverte la plus intéressante de cette phase particulière de l'expérience où nous avons découvert qu'il y avait une coupure de température. |
| |
Et et intuitivement, on pourrait penser qu'en dessous d'une certaine température, les boulettes seraient cuites... ne seraient pas cuites correctement, elles seraient trop détrempées, et au-dessus d'une certaine température, elles seraient peut-être aussi trop détrempées ou brûlées ou croustillantes. |
| |
Une autre note finale sur la physique ici est qu'au seuil d'ébullition, la température de surface de l'eau fluctue et des bulles montent à la surface de la chaudière. |
| |
et se briser et s'effondrer et cela peut rendre difficile la collecte... la capture et... excusez-moi... pour capturer des lectures précises de température. |
| |
Cela nous amène donc à certains... Quels sont certains des outils que nous avons utilisés pour mener une expérience ? |
| |
Bien, |
| |
bien sûr, nous avons utilisé une cuisinière bouillante et c'est très important. |
| |
Bien sûr, nous avons utilisé quelque chose pour mesurer la température et pour cela nous avons utilisé un thermomètre infrarouge et nous avons utilisé une minuterie, bien sûr, et nous avons utilisé une balance de masse pour peser la boulette et tous les constituants entrant dans la boulette. |
| |
Nous pourrions envisager quelque chose appelé Gare R&R dans de futures études et où nous pourrions quantifier la répétabilité et la reproductibilité de nos outils de mesure. |
| |
Dans cette expérience, nous ne l'avons pas fait, mais c'est très important, car cela nous aide à maximiser la précision de nos estimations de modèle par minute... en minimisant les composants de bruit associés à notre processus de mesure. |
| |
Et ces composants de bruit pourraient non seulement être |
| |
un fait... un facteur de dire que la tolérance de précision pour la jauge, mais ils pourraient aussi être dus à la façon dont la personne interagit avec la mesure elle-même. |
| |
Et, et, en particulier, je vais parler un peu du défi de mesurer la température d'ébullition et de cuisson à haute température. |
| |
Bon alors brièvement, |
| |
ceci... nous avons configuré cette expérience comme une expérience conçue. Nous avons donc dû d'abord choisir les outils. |
| |
Nous devions décider comment nous allions faire la boulette. Nous avions donc besoin d'un processus de fabrication et d'un |
| |
acteurs de ce processus. Et puis nous avons dû concevoir une expérience structurée. Et pour ce faire, nous utilisons le plan de criblage définitif |
| |
et examiné certaines caractéristiques de la conception pour s'assurer que la conception fonctionnait de manière optimale pour notre expérience. |
| |
Ensuite, nous avons exécuté l'expérience. |
| |
Et puis |
| |
nous avons mesuré et enregistré la réponse. |
| |
Et bien sûr, enfin, la partie amusante, |
| |
nous devons interpréter efficacement les données et JMP. |
| |
Et ce sont des graphiques ici qui montrent des matrices de nuages de points générées dans JMP, en utilisant simplement la fonction graphique. |
| |
Et ceux-ci nous donnent en fait une indication de l'uniformité de cet espace de prédiction. J'en parlerai un peu plus plus tard... puis ensuite... dans les diapositives à venir. |
| |
Bon, voici nos données. Voici notre plan de collecte de données et à droite se trouve la réponse que nous avons mesurée, qui est un temps de montée ou un temps de cuisson d'une boulette. |
| |
Nous avons collecté 18 exécutions dans un DSD, que nous avons généré dans JMP à l'aide de la plate-forme DSD et dans le menu DOE. |
| |
Et nous avons recueilli des informations sur la masse de la viande, la masse des légumes qui entrent, la masse du... le type de viande, plutôt, la composition des légumes (soit du chou, soit des champignons), |
| |
et bien sûr le poids total, la taille du lot que nous avons cuit, le nombre de boulettes par lot et la température de l'eau. |
| |
Donc, cette diapositive ne fait que souligner une partie de l'incroyable puissance d'un DSD et je n'entrerai pas trop dans les détails, mais les DSD sont très appréciés pour leurs caractéristiques de modélisation flexibles et puissantes. |
| |
Et ils offrent un grand potentiel pour effectuer un dépistage Blitz et optimiser l'optimisation en une seule expérience. |
| |
Ce graphique à droite est une matrice de corrélation générée dans JMP, dans sa plate-forme de diagnostic conçue du menu DOE et il est particulièrement puissant pour montrer |
| |
l'étendue de l'aliasing ou de la confusion parmi tous les effets de facteur dans votre modèle. Et ce que ce graphique montre clairement, c'est que |
| |
par le bleu le plus foncé, il n'y a pas de corrélation et, au fur et à mesure que la corrélation augmente et que nous obtenons des nuances de gris, puis finalement, lorsque nous obtenons une corrélation très positive, nous obtenons des nuances de rouge. Donc, ce que nous voyons vraiment, c'est que |
| |
les effets principaux sont complètement non corrélés les uns avec les autres, ce que nous aimons voir dans les interactions à deux facteurs, les effets principaux ne sont pas corrélés. |
| |
Avec des effets quadratiques qui se situent dans ce quadrant droit. Et puis les effets quadratiques ne sont en fait que partiellement corrélés les uns aux autres, puis vous avez ces termes d'interaction d'ordre supérieur, |
| |
qui sont vraiment partiellement corrélés avec les effets d'interaction et ces types de caractéristiques rendent cette conception particulière supérieure et aux conceptions factorielles fractionnaires typiques de résolution III et de résolution IV que nous avions l'habitude d'apprendre |
| |
avant les DSD. |
| |
D'accord. Donc, discutons rapidement un peu des diagnostics de conception. Voici la même corrélation ... un graphique de corrélation similaire, sauf que les facteurs ont en fait reçu leurs noms particuliers |
| |
et après dans... dans l'exécution de cette conception DSD. Et ce n'est qu'une version grise et blanche d'une matrice de corrélation pour vous aider à voir l'étendue de l'orthoginalité ou |
| |
non, ne pas être ??? parmi les facteurs. Et donc ce que vous pouvez voir dans notre expérience, c'est que nous avons effectivement observé un peu de |
| |
confondre entre une taille de lot une taille de lot et de la viande sans surprise, puis, bien sûr, de la viande avec l'interaction entre la viande et les légumes qui se trouvent dans la boulette. |
| |
Et notez que nous avons imposé une contrainte de conception ici, avec laquelle nous avons observé une certaine confusion, qui est la contrainte très intuitive en ce que les boulettes... que la masse totale de la boulette est la composition de chacun des composants de la boulette elle-même. |
| |
Donc, |
| |
L'autre... |
| |
alors pourquoi, pourquoi faisons-nous cela? |
| |
Pourquoi évaluons-nous cette uniformité entre guillemets ici, cette matrice de nuages de points ici et et qu'est-ce que cela nous dit? Bien, |
| |
afin de maximiser la capacité de prédiction dans tout l'espace du prédicteur, en temps de montée dans ce cas, on veut trouver les combinaisons des facteurs qui minimisent les zones blanches. D'accord. Et dans les zones blanches, on pense que la précision de la prédiction est la plus faible. |
| |
Et c'est un et c'est pourquoi nous prenons la conception et nous la mettons dans une matrice de nuages de points et c'est analogue à une sorte d'homogénéité de l'hypothèse d'erreur dans ANOVA, |
| |
où vous savez que nous recherchons un espace, l'espace de prédiction pour être également probable, ou l'hypothèse de variance égale dans la régression linéaire. |
| |
Lorsque nous voulons, nous voulons que cet espace soit également probable sur toute la plage des prédicteurs. |
| |
Donc dans cette expérience, bien sûr, afin de réduire le nombre de facteurs que nous examinons, nous avons d'abord utilisé l'ingénierie et notre compréhension de l'ingénierie et de la physique du problème. |
| |
Et donc pour l'identification, nous avons identifié six variables indépendantes ou variables les moins confondues entre elles et et et nous avons procédé et à l'analyse sur la base de ces variables primaires. |
| |
D'accord. |
| |
Donc, la première chose que nous avons faite est de prendre notre conception générée et d'utiliser la régression pas à pas pour essayer de simplifier le modèle, d'identifier uniquement les facteurs actifs dans le modèle. |
| |
Et ici, vous pouvez utiliser une combinaison de sélection vers l'avant, de sélection vers l'arrière et mixte comme critère d'arrêt afin de déterminer le modèle qui explique le plus de variation dans votre réponse. |
| |
Et aussi, je peux modéliser le type de viande comme discret et ou numérique ou ... plutôt numérique discret, et de cette façon je peux utiliser cet étiquetage pour faire correspondre le codage des facteurs à |
| |
le type de viande étant les crevettes ou le porc, que nous avons utilisé. |
| |
Alors, quel type de règle d'arrêt pouvez-vous utiliser dans le cadre de ce type de modèle de régression ? Bien, |
| |
malheureusement, quand j'ai couru ce modèle encore et encore, je n'ai pas vraiment pu le reproduire exactement. Et la reproduction du modèle peut être quelque peu incohérente, car l'ajustement... ce type de schéma d'ajustement implique une procédure de calcul pour itérer jusqu'à une solution. |
| |
Et donc, dans cette régression par étapes, le risque de surajustement est généralement plus élevé. |
| |
Et souvent, s'il y a une courbure dans le modèle |
| |
ou il y a deux interactions de facteurs, par exemple, les variantes explicatives à travers... sont partagées entre ces deux facteurs où vous ne pouvez pas démêler cette variabilité associée à l'un ou à l'autre. |
| |
Et donc ce que nous pouvons voir clairement ici, sur la base du R au carré ajusté, c'est que nous obtenons un très bon ajustement, et probablement un ajustement trop bon. |
| |
Cela signifie que nous ne pouvons pas prédire l'avenir en fonction d'eux sur l'ajustement à ce modèle particulier. |
| |
D'accord. |
| |
Alors, c'est là que ça devient assez intéressant. Donc |
| |
l'une des premières choses que nous avons faites, après avoir exécuté le pas à pas, c'est que nous avons attribué des entrées uniformes indépendantes à chacun des facteurs du modèle. |
| |
Et c'est une sorte d'implémentation de Monte Carlo dans JMP. |
| |
Un autre type de mise en œuvre de Monte Carlo et et et |
| |
c'est ce qu'il est important de comprendre dans ce cadre particulier, c'est que la différence entre l'effet principal et l'effet total peut indiquer l'étendue de l'interaction. |
| |
qu'il s'agit de l'étendue de l'interaction associée à un facteur particulier dans le modèle. Et donc cela montre qu'en particulier, la température de l'eau et de la viande, |
| |
en plus d'être le plus explicatif en termes d'effet total, peut probablement interagir avec d'autres facteurs dans ce modèle particulier. |
| |
Et ce que vous voyez, bien sûr, c'est que nous avons identifié la température de l'eau, la viande et le type de viande comme nos principaux prédicteurs, en utilisant le diagramme de Paredo pour les estimations transformées. |
| |
L'autre chose que je voudrais souligner ici avant de me lancer dans certaines des autres diapositives est l'indicateur d'indication de sensibilité que nous pouvons invoquer ici et |
| |
sous le profileur après avoir attribué des entrées uniformes indépendantes, |
| |
nous pouvons coloriser le profileur de profil pour indiquer la force de la relation entre chacun des facteurs d'entrée d'entrée et la et la réponse. Et nous pouvons également utiliser |
| |
l'indicateur de sensibilité, qui est représenté par ces triangles violets, pour nous montrer la sensibilité ou la vous pouvez dire la force de la relation |
| |
similaire au coefficient de régression linéaire indiquerait la force, où plus le triangle est grand et plus la relation est raide, |
| |
plus la direction positive ou négative est forte et plus le triangle est large et plat, moins la relation qui joue avec ce facteur est forte. |
| |
D'accord. |
| |
Nous avons donc décidé de réduire notre modèle et d'utiliser un certain sens de l'ingénierie et d'utiliser la plate-forme par étapes. |
| |
Et ce que nous obtenons |
| |
est un c'est juste un instantané de notre modèle ajusté à partir de la conception DSD et il a RSM structuré comme courbure. Et vous pouvez voir qu'il s'agit d'un diagramme d'interaction qui montre l'étendue de l'interaction entre tous les facteurs d'une manière par paires. |
| |
Et nous avons indiqué où certaines des interactions sont présentes et à quoi ressemblent ces interactions. |
| |
C'est donc un modèle sur lequel nous pouvons vraiment mieux maîtriser |
| |
Bon alors |
| |
Je pense qu'une autre chose à mentionner est que la contrainte de conception que nous avons imposée est similaire à ce que vous pourriez considérer comme une conception de mélange, où tous les composants s'additionnent et la contrainte doit totaliser 100 %. |
| |
Bon, voici juste une image de haut niveau du profileur et nous pouvons ajuster ou moduler chacun des facteurs d'entrée, puis |
| |
observer le, l'impact sur la réponse et et nous l'avons fait de manière très manuelle |
| |
juste pour avoir une idée de la façon dont le modèle fonctionne |
| |
Et bien sûr pour optimiser notre temps de cuisson ce que nous avons confirmé c'est que le temps doit être plus rapide, bien sûr, les variantes associées au temps de cuisson doivent être plus faibles. |
| |
Et le débit, le débit et les économies d'énergie doivent être optimisés, maximisés. Et ce sont deux supplémentaires |
| |
réponses que nous avons dérivées en fonction du temps de cuisson. |
| |
D'accord, alors voici où nous entrons dans l'optimisation plus complètement dans cette optimisation |
| |
du processus de cuisson. Et donc, comme je l'ai mentionné précédemment, nous avons conçu ou nous avons créé deux variables de réponse supplémentaires qui sont liées à la physique, où nous avons un débit maximal et cela dépend du nombre de boulettes... |
| |
Je suis désolé, cela dépend du nombre de boulettes, mais aussi du poids et du temps. |
| |
Et l'économie d'énergie, qui est le produit de la puissance consommée et du temps de cuisson, qui est une composante énergétique. |
| |
Et donc pour s'engager dans ce processus d'optimisation, |
| |
nous devons introduire une erreur associée à chacun des facteurs d'entrée et cela est représenté par ces distributions en bas ici. |
| |
Et nous devons également tenir compte de la fenêtre de contrôle HACCP pratique et, bien sûr, de la capacité des appareils de mesure, ce que nous aimerions examiner dans de futures études. |
| |
Et donc voici juste une, une belle image du plan de contrôle HACCP que nous utilisons et cela ressemble beaucoup à quelque chose comme une analyse des modes de défaillance et des effets dans la profession de la qualité. Et c'est juste une approche structurée pour |
| |
l'expérimentation ou le développement de processus de fabrication et où les variables clés sont identifiées, |
| |
et les principaux propriétaires, puis à quels critères sont mesurés et comment ces critères sont validés. Et donc HACCP est en fait courant dans l'industrie des sciences alimentaires et signifie la surveillance des points de contrôle critiques de l'analyse des risques. |
| |
Et je pense |
| |
en plus de toutes ces activités de préparation, j'ai surtout été impliqué dans le cadre de cette expérience en tant que collecteur de données et l'intégrité des données est une chose très importante. Et ainsi |
| |
transcrire les données de manière appropriée est définitivement important. |
| |
Ainsi, tous les points de contrôle HACCP doivent être intégrés dans la plage de simulation Monte Carlo et, en fin de compte, la plage de tolérance HACCP peut être utilisée pour dériver l'exigence de performance du processus. |
| |
Bon alors |
| |
nous considérons une plage d'entrées où Monte Carlo peut confirmer que cette plage attendue est pratique pour le temps de cuisson. |
| |
Nous voulons considérer un petit changement dans chacun des facteurs d'entrée à chacun à chaque niveau chacun à chaque niveau de composant HACCP et |
| |
et cela est déterminé par la plage de points de contrôle. Sur la base de la plage de points de contrôle, nous pouvons déterminer le delta x et le delta dans chacune des entrées à partir du temps de réponse delta y. |
| |
Et nous pouvons continuer à augmenter le delta x de manière itérative, |
| |
tout en espérant que l'augmentation est suffisamment faible pour que le changement de y soit suffisamment faible pour répondre à la spécification. Et généralement dans l'industrie, il s'agit d'une tolérance de conception et dans ce cas, il s'agit de notre plage de paramètres de contrôle du point de contrôle HACCP ou de notre limite de paramètre de contrôle. |
| |
Et si si cette procédure itérative échoue, alors nous devons réduire l'incrément et X et nous appelons cette procédure allocation de tolérance. D'accord. |
| |
Nous avons fait cela manuellement et en utilisant en quelque sorte notre propre recette spéciale. Bien que cela puisse être fait de manière plus automatisée dans JMP et |
| |
et dans ce cas, vous pouvez voir que nous avons plus de toutes nos réponses. Donc, utiliser l'optimisation des réponses multiples, ainsi que ce qui impliquerait d'invoquer les fonctions de désirabilité et de maximiser la désirabilité sous le profileur de prédiction |
| |
ainsi qu'une modélisation de processus gaussien, |
| |
également disponible sous le profileur de prédiction. |
| |
D'accord. Donc, dans la veine, vous savez, d'utiliser des outils pour se compléter et essayer de mieux comprendre notre produit... notre processus et notre expérience, nous utilisons la, la capacité de modélisation neuronale dans le menu d'analyse, sous les outils de modélisation de prédiction. |
| |
Et |
| |
Nous, nous avons essayé de l'utiliser pour faciliter notre prédiction. |
| |
Ce modèle utilise une fonction TanH, qui peut être plus puissante pour détecter la courbure dans les effets non linéaires, |
| |
mais c'est une sorte de boîte noire et cela n'est pas vraiment lié à la physique. Donc |
| |
alors qu'il est également robuste aux réponses non normales et quelque peu robuste à la confusion d'aliasing. |
| |
il, il a ses limites, en particulier avec une petite taille d'échantillon, comme celle que nous avons ici, et vous pouvez en fait voir que le r au carré entre les ensembles d'apprentissage et de validation n'est pas particulièrement |
| |
identiques ou variables, ce modèle n'est donc pas particulièrement cohérent aux fins de prédiction. |
| |
Enfin, nous avons utilisé la plate-forme de partition de JMP pour exécuter un partitionnement récursif sur notre |
| |
temps de réponse réponse. |
| |
Et et ce modèle est certainement relativement facile à interpréter en général, mais je pense particulièrement pour notre expérience car nous pouvons voir que pour le temps de montée, nous avons cette température coupée à environ 85 degrés C, |
| |
et cela et ainsi qu'une certaine différenciation de température par rapport au débit maximal, mais en particulier la coupure à 85 degrés est la plus ... est très intéressante. |
| |
La note R au carré dans ce modèle est d'environ 0,7, du moins en ce qui concerne la réponse à la hausse de la température, ce qui est plutôt bon pour ce type de modèle, compte tenu de la petite taille de l'échantillon. |
| |
Et |
| |
ce qui est le plus intéressant en ce qui concerne cette coupure, c'est qu'en dessous de 85 ° C, l'eau ne bouillait vraiment pas. Il n'y avait pas |
| |
beaucoup de bouillonnement, pas de turbulence. La lecture était très stable. Cependant, à mesure que nous augmentions la température, l'eau commençait à circuler, la turbulence dans l'eau provoquait une température non uniforme, l'effondrement des bulles de cavitation, la montée de vapeur, et c'est fondamentalement un environnement de température instable. |
| |
Dans ce type d'environnement, la convection domine plutôt que la conduction. |
| |
Et la vapeur bloque également la lumière du thermomètre infrarouge, ce qui augmente également l'incertitude associée à la mesure de la température. |
| |
Et et la vapeur elle-même présente un risque de brûlure qui, en plus de la sécurité, peut avoir un impact sur la façon dont l'opérateur ajuste le thermomètre et met le réglage de la distance à laquelle l'opérateur place le thermomètre, ce qui est très important pour la précision de la mesure. |
| |
Donc, et c'est en fait la raison pour laquelle nous avons plafonné notre conception à 95 ° C, car il était vraiment impossible de mesurer avec précision la température de l'eau au-delà de cela. |
| |
D'accord. |
| |
Alors, qu'est-ce que... où en sommes-nous arrivés ici ? Bien, |
| |
en résumé, nous... dans cette expérience, nous utilisons DSD (DOE) pour collecter les données uniquement. |
| |
Ensuite, nous utilisons la régression pas à pas pour réduire les effets importants, mais nous ne sommes pas allés trop loin dans la régression pas à pas. Et nous utilisons le bon sens pour minimiser le nombre de facteurs dans notre expérience ainsi que l'expertise en ingénierie. |
| |
Nous utilisons également des entrées uniformes indépendantes, |
| |
qui est très puissant |
| |
pour nous donner une idée de l'ampleur des effets en utilisant, par exemple en colorisant le profil ou en regardant le rang des effets et aussi en regardant la différence entre l'effet principal et l'effet total pour nous donner une indication de l'interaction présente dans le modèle. |
| |
Nous avons également ajouté des indicateurs de sensibilité sous le profileur pour nous aider à quantifier notre sensibilité globale aux fins de l'optimisation de Monte Carlo |
| |
schéma que nous avons utilisé. |
| |
Les principaux effets du modèle, la température, bien sûr, et la physique expliquée expliquent vraiment pourquoi la température est le facteur numéro un, comme je l'ai partagé dans nos découvertes. |
| |
Et en plus, entre 80-90 degrés C, ce que l'on voit des profileurs que nous avons observés est une sorte de transition rapide et une augmentation de la sensibilité de la relation entre le temps de montée et la température, ce qui est bien sûr cohérent avec nos observations expérimentales. |
| |
Deuxièmement, en ce qui concerne les effets des facteurs qui interagissent les uns avec les autres et parce qu'il existe deux types différents de physique qui interagissent réellement, la physique de base... les modes physiques qui interagissent sont la convection et la conduction, |
| |
le pas à pas sur le DSD est un bon point de départ, car il nous donne un modèle continu sans transformation |
| |
Sans |
| |
Transformation neuronale avancée ou de type boîte noire, sur laquelle nous pouvons au moins avoir une bonne idée de la sensibilité globale pour commencer. |
| |
Et nos modèles neuronaux dans nos modèles de partition ne pouvaient pas nous le montrer, en particulier compte tenu de la petite taille de l'échantillon dans notre expérience. |
| |
Et enfin, nous utilisons la simulation Monte Carlo, une simulation Monte Carlo robuste |
| |
dans notre propre cadre. Et nous avons également fait un peu d'optimisation des réponses multiples sur l'augmentation du temps et du débit de la consommation d'énergie par rapport à nos facteurs importants. Et grâce à cette expérience, nous avons commencé à vraiment qualifier et à approfondir notre compréhension de l'importance de |
| |
les facteurs les plus importants dans cette expérience en utilisant une approche de modélisation multidisciplinaire. |
| |
Enfin, je vais partager quelques références ici pour vous d'intérêt. Merci beaucoup pour votre temps et |
