Conférencier | Transcription |
| Stuart Little | Bonjour à tous, et bienvenue dans cette discussion sur la manière dont JMP est utilisé chez Croda pour aider à développer de nouveaux produits. |
| Donc, ce que nous allons couvrir aujourd'hui, et d'abord nous allons couvrir un certain contexte à Croda, comment nous utilisons JMP et où nous en sommes dans ce voyage, et un résumé du problème que nous essayons de résoudre. |
| Une fois que vous avez couvert le problème, nous allons ensuite passer à JMP, voir comment les outils et les plates-formes de JMP ont permis une exploration facile des données et un développement facile. |
| d'un modèle de performance de structure. |
| Et enfin, nous terminerons cela en discutant des résultats de ce travail et de la manière dont |
| en faisant ce genre de recherche, nous avons pu accroître l'adhésion à l'utilisation des données et des techniques du DOE dans et ... dans le domaine de la recherche de l'entreprise. |
| Alors tout d'abord, qui nous sommes en tant que Croda. C'est une question qui revient souvent, |
| parce que nous sommes une entité interentreprises. Mais en tant qu'entreprise, Croda est le nom derrière |
| un grand nombre d'ingrédients et de technologies de haute performance, et derrière un grand nombre des marques les plus grandes et les plus réussies à travers le monde, sur une gamme de marchés. Nous créons, fabriquons et vendons des produits chimiques de spécialité. Depuis le début de Croda, ceux-ci ont été |
| matériaux principalement durables. Nous avons donc commencé par fabriquer de la lanoline, qui est à partir de laine de mouton, et nous nous appuyons continuellement sur cette durabilité. L'année dernière nous |
| nous nous sommes engagés publiquement à être positifs pour le climat, la terre et les personnes d'ici 2030 et nous nous sommes inscrits aux objectifs de développement durable des Nations Unies dans le cadre de notre effort pour atteindre cet objectif et devenir le fournisseur le plus durable d'ingrédients innovants au monde. |
| Donc, en ce qui concerne les marchés que nous desservons, nous avons une sorte de très grande entreprise de soins personnels où nous traitons des soins de la peau et du soleil et |
| sorte de soins capillaires, cosmétiques de couleur et ce genre de produits de soins personnels traditionnels. Entreprise des sciences de la vie, nos produits ... notre |
| les produits et l'expertise aident les clients à optimiser leurs formulations et leur utilisation de principes actifs. Je veux dire, plus récemment, nous avons conclu un accord avec Pfizer |
| pour fournir du matériel qui va dans leur vaccin COVID-19. Notre activité de chimie industrielle, |
| c'est ... cette partie de l'entreprise est responsable de la fourniture de matériaux techniquement différenciés et principalement durables à une vaste gamme de marchés. Beaucoup de marchés ne sont pas tout à fait ... ne correspondent à rien d'autre sur cette diapositive. |
| Et puis, enfin, nous avons notre activité de technologies de performance. Cela couvre beaucoup, encore une fois, beaucoup de domaines similaires, |
| fournir des réponses de haute performance à travers tous ces domaines. Et puis aujourd'hui, en particulier, nous parlons de notre activité de technologies énergétiques, et plus précisément, de technologie de batterie dans l'électronique haute performance. |
| Donc, là où nous en sommes dans Croda et JMP, c'est que nous utilisons JMP depuis environ deux ans et nous avons eu beaucoup d'intérêt en interne. Il a été plus difficile de convaincre que ces techniques ont une valeur réelle |
| rechercher. Et donc pour le prouver, nous sommes partis, nous avons créé un certain nombre d'études de cas qui ont été |
| assez réussi dans l'ensemble. Nous en avons démontré le potentiel et certains des pièges. Et puis tout cela a conduit à un ensemble un peu plus grand de projets, dont l'un est celui dont nous allons parler ... vous parler aujourd'hui. |
| comment améliorer l'efficacité des systèmes de refroidissement électriques? Le principal moteur de ce projet est |
| sorte d'électrification des transports, c'est donc des véhicules à batterie. Comment entretenez-vous correctement la batterie? Comment vous assurez-vous que les moteurs fonctionnent à leur niveau optimal? |
| Et comment as-tu fait ça sans électrocuter qui que ce soit? |
| Il existe donc actuellement un ensemble de méthodes de refroidissement pour ces choses, que nos clients cherchent certainement à améliorer, car meilleur est le contrôle du refroidissement de votre batterie, par exemple, meilleure est la capacité de la batterie et plus la cohérence est grande. la gamme sera. |
| Et parce que, vous savez, c'est essentiel et qu'il y a beaucoup d'applications différentes qui sont globalement similaires, la chose vraiment utile pour nous serait de construire |
| une compréhension de ces fluides, en ayant une sorte de modèle basé sur les données et c'est là que JMP est intervenu. Alors, comment pouvons-nous faire cela? |
| Eh bien, la première chose que nous avons examinée, c'était quelles sont les méthodes de refroidissement actuelles? Donc, pour les batteries, elles sont principalement refroidies à l'air ou refroidies à froid dans la génération précédente. |
| Et l'électronique dans la voiture, vous avez le problème inverse de la batterie, mais la chose a tendance à devenir trop chaude, alors nous avons des dissipateurs thermiques, pour essayer de retirer cette énergie. |
| Et dans les moteurs électriques, nous essayons de minimiser la résistance là-dedans, ils ont tendance à être gainés de fluide. |
| Dans ces trois cas, la méthode alternative de refroidissement entrante |
| repose sur le fluide, c'est donc une immersion directe pour les batteries et l'électronique, puis en termes de moteurs électriques, cela a tendance à être plus un flux. |
| Alors à quoi ressemble ce fluide? De toute évidence, nous avons affaire à des tensions élevées, nous devons donc avoir quelque chose qui n'est pas électriquement conducteur. |
| Il doit également avoir une conductivité thermique très élevée pour pouvoir évacuer la chaleur de l'électronique. |
| Et comme ces fluides doivent être déplacés dans le système, la viscosité doit être faible. Nous avons donc en quelque sorte des contraintes physiques pratiques qui ont été introduites par l'application elle-même. |
| Si vous regardez un peu plus en profondeur, |
| la capacité des fluides à transférer la chaleur repose principalement sur cette équation. Et ce que cela nous dit, c'est qu'il y a une partie que nous pouvons contrôler |
| par le fluide, qui est le coefficient de transfert de chaleur, et puis il y a une partie qui est contrôlée par la solution d'ingénierie dans l'application à cela. Quelle est la zone de refroidissement et quelles sont les températures des surfaces que vous essayez de refroidir? |
| Mais dans tous les cas, pour obtenir un transfert de chaleur efficace, nous devons avoir un coefficient de transfert de chaleur élevé, et comme c'est ce que nous pouvons effectuer, c'est là que nous avons cherché. |
| Ce coefficient de transfert de chaleur est défini |
| par cette équation de manière simpliste, il y a d'autres termes là-dedans, mais principalement, |
| c'est une fonction de la densité, de la conductivité thermique, de la capacité calorifique, et qui a ensuite un effet sur la viscosité du système. |
| Donc, si nous recherchons spécifiquement les applications qui vous intéressent, |
| si nous voulons optimiser notre fluide diélectrique, nous devons augmenter la densité, augmenter la conductivité thermique et augmenter la capacité thermique, mais parallèlement, nous devons réduire la viscosité |
| du ... du fluide. |
| Et ceux-ci correspondent assez bien aux défis techniques auxquels nous sommes confrontés, ce qui est utile. |
| Alors |
| à partir de là, ce que nous voulions vraiment faire était de savoir quel était l'objectif. |
| Et nous voulions vraiment comprendre quelle était la relation entre la structure et les performances du produit en tant que fluide diélectrique. |
| Donc, au départ, nous avons procédé de manière assez traditionnelle et nous avons commencé à mener une étude à grande échelle mesurant les propriétés physiques de nombreux esters et de nombreux autres matériaux. |
| Et puis, quand nous avons vu cela et regardé cela, nous avons pensé que, en fait, ces données existent, alors pourquoi ne pas utiliser ces ensembles de données pour essayer de construire des modèles, et dire, pouvons-nous vraiment comprendre cette propriété physique pour relation entre la structure et la performance. |
| Alors c'est là que ... nous allons juste entrer dans JMP, alors supportez-moi une seconde. |
| D'accord. |
| Alors la première chose que nous avons faite |
| avons-nous rassemblé ce mélange de données historiques, des données obtenues grâce à des tests ciblés par les équipes d'application. |
| Et une fois que nous avons réuni cela en un seul endroit, nous avons en quelque sorte examiné cela dans JMP pour dire y a-t-il ... pour comprendre, y a-t-il une relation, mais à un niveau très simple entre les propriétés physiques que nous mesurons. |
| Donc, si nous regardons cet ensemble de données, le premier port d'escale pour moi, comme toujours, est la plate-forme de distribution dans JMP. |
| Et c'est un moyen très simple de voir si quelque chose que vous voulez a une sorte de motif vague ailleurs. Donc, si je, dans ce cas, si vous dites, oh, nous voulons tout ce qui a une conductivité thermique élevée, ce que nous voyons, ce sont les propriétés qui sont assez étendues à travers |
| l'autre ... les autres propriétés que nous avons mesurées. Donc, cela ne dit pas vraiment, oh, il y a une relation brillante, ce dont vous avez besoin, c'est de ceci, ce à quoi nous nous attendions. Mais c'est bien d'avoir un chèque. |
| De même, si nous traçons ensuite tout comme |
| nuages de points, ce que nous voyons est beaucoup de bruit. Je veux dire, ces lignes d'ajustement sont juste là pour référence pour montrer qu'il n'y a pas vraiment d'ajustement. |
| En aucun cas je ne revendique votre corrélation à ce sujet. |
| Et tout cela était décevant, qu'il n'y ait pas de réponse évidente |
| était attendu. |
| Là où cela est devenu intéressant pour nous, nous avons dit, eh bien, nous nous attendions à ce qu'il n'y ait pas de clair ... |
| une relation claire entre n'importe lequel de ces facteurs, car s'il y en avait eu, cela aurait été évident pour les scientifiques expérimentés qui faisaient le travail, et nous l'aurions su. |
| Donc, alors, nous avons dit, eh bien, ce que nous savons, c'est que ces propriétés ont toutes |
| une compréhension ... un rapport à leur structure. |
| Que se passe-t-il si nous calculons certains paramètres physiques pour ces choses et les combinons avec un certain nombre d'identificateurs structurels et de façons de voir ces molécules? Que se passe-t-il si nous prenons cela et ajoutons ces données aux données de test? |
| Est-ce que ... tu sais, pouvons-nous alors construire une sorte de modèle? |
| Cela commence à être en mesure d'estimer la structure et les performances, c'est donc exactement ce que nous avons fait. |
| Tu sais, dans ce cas, |
| ce que nous voyons |
| est-ce, |
| encore une fois, si nous utilisons la plate-forme multivariée, juste comme un coup d'œil rapide pour voir s'il y a une corrélation |
| sur certains de ces facteurs, |
| ce |
| différenciation claire dans certains cas, entre haut et bas, et peut-être quelques indices de corrélation, mais rien de clair qui dit, c'est la seule chose dont vous avez besoin. Encore une fois, c'est ce à quoi nous nous attendions. |
| Alors, ce que nous avons fait |
| avons-nous utilisé les plates-formes de régression dans JMP |
| essayer de comprendre |
| si nous pourrions construire un modèle, et qu'est-ce que |
| la relation ressemble. Donc, pour ce faire, nous avons sélectionné au hasard un certain nombre de lignes pour la sélection de lignes |
| outil dans JMP. Généralement, en retirant cinq échantillons au hasard, qui n'allaient pas participer au modèle, alors c'est un modèle relativement construit. |
| et les a raffinés de cette façon, donc nous avions toujours un ensemble de validation à partir des données initiales, juste pour ... juste pour vérifier que ce que nous faisions avait une chance de succès. |
| Donc, si nous regardons simplement les modèles à 80 degrés, le premier modèle auquel nous sommes arrivés |
| était celui-ci. |
| De toute évidence, comme nous pouvons le voir, il y a un certain nombre de facteurs qui ont été inclus dans ce modèle qui n'ont aucun sens d'un point de vue statistique, car ils sont simplement surajustés et ils ne sont tout simplement pas significatifs. |
| Cependant, ceux-ci sont assez importants pour décrire les molécules qui s'y trouvent, alors en tant que chimiste, nous avons créé ce modèle. C'est donc un modèle qui permet, vous le savez, de concevoir des molécules, si vous le souhaitez, pour cette application, |
| même si nous savons que c'est trop ajusté. Et nous savons que |
| ce n'est pas ... ce n'est pas vraiment un modèle valide parce que ces termes ne font que pousser le R de haut en bas. |
| Nous avons aussi |
| construit le modèle sans ces termes. |
| C'est un modèle bien meilleur en termes d'estimation des performances de ces choses, le R au carré est un peu plus bas, |
| mais tous les termes qui s'y trouvent ont un impact significatif |
| sur la performance. |
| L'inconvénient de ce modèle est qu'il ne nous aide pas vraiment à concevoir |
| toute nouvelle chimie. |
| Mais, dans les deux cas, quand on regarde |
| les valeurs prédites par rapport aux valeurs mesurées réelles, nous voyons une corrélation raisonnable entre elles. Certes, lorsque nous nous attendons à ce que les choses soient élevées, elles le sont. |
| Cela nous a donc donné une certaine confiance dans le fait que ce modèle pourrait réellement fonctionner pour nous. |
| En termes et ... ensuite en termes de quand nous avons examiné à quel point cela pourrait être bon, nous avons simplement regardé quelle est la différence de pourcentage entre |
| la valeur mesurée et la valeur réelle. Et ce que nous voyons, c'est qu'ils sont presque universellement à moins de 10%, principalement à moins de 5% pour l'un ou l'autre modèle. |
| Encore une fois, à travers une gamme de différents types de matériaux, cela nous a donné l'assurance que ce que nous étions ... ce que nous voyions pouvait être un effet réel. |
| Tout cela est très agréable, |
| est-ce juste un effet des données que nous avons mesurées? |
| Donc, ce que nous avons fait, c'est que nous avons utilisé la plate-forme de profileur dans JMP, produit un modèle partageable que nous pourrions envoyer à l'équipe du projet, et essentiellement mis en place un concours et dit look, celui qui peut trouver le plus élevé ... |
| la conductivité thermique la plus élevée dans ce modèle à partir d'une molécule qui pourrait effectivement être fabriquée, |
| gagne. |
| Vous savez, à partir de là, nous avions une liste d'environ 14 documents qui semblaient prometteurs. Nous avons dû en supprimer quelques-uns parce qu'ils étaient impossibles à trouver des matières premières, nous nous sommes donc retrouvés avec environ neuf nouveaux matériaux qui ont été synthétisés et testés. Maintenant, ces matériaux étaient presque exclusivement |
| composé de matériaux que le modèle n'avait pas vraiment vu auparavant, vous savez. Dans certains cas, une partie de la molécule serait la même, mais ils étaient tout à fait distincts des matériaux d'origine. |
| Donc une fois qu'on les a fait et, une fois qu'ils ont été testés, on les remet dans le modèle |
| et pour voir, juste pour voir à quoi ressemblait le pouvoir prédictif de ce modèle. |
| Donc, si nous regardons ces données, vous savez, je pense, étant donné les différences de ces matériaux, je m'attendais pleinement |
| ce... |
| ceci pour casser le modèle. |
| Cependant, lorsque nous ... |
| si nous regardons à nouveau les prédictions, |
| ce que nous voyons, ce sont les bleus surlignés, ce sont les nouveaux matériaux qui ont été fabriqués. Vous savez, nous avons délibérément choisi un couple plus bas juste par curiosité, juste pour vérifier. Et tous ceux que nous avons choisis et que nous pensions être élevés étaient élevés. |
| Donc, dans le modèle sur-ajusté qui avait de la valeur du point de vue de la conception d'une structure, ce que nous voyons est une valeur aberrante. Dans le ... dans le modèle qui était statistiquement raisonnable, nous voyons en fait un bien meilleur ajustement dans l'ensemble. |
| Et c'était |
| édifiant, que nous pouvons commencer à être en mesure de ne pas, en quelque sorte, concevoir une seule molécule et dire, oh, c'est parti, c'est parti ... voici la seule chose que vous devez faire. Mais certainement être capable de diriger les chimistes de synthèse vers les bons types de matériaux pour vraiment faire avancer les projets. |
| Donc, si nous regardons à nouveau ces résidus, ce que nous voyons est pour le |
| vous savez, pour le modèle statistiquement bon sans sur-ajustement, ce que nous avons vu était que tout était à moins de 10% de tous les nouveaux matériaux, |
| ce qui, pour ce que nous essayions de réaliser, était assez bon. Il y en a quelques-uns dans le modèle de sur-ajustement qui étaient un peu moins de 10% mais, encore une fois, c'est un peu ce à quoi je m'attendrais. |
| Et c'est, vous savez, c'était bien qu'ils soient tous dans la bonne fourchette, car cela montre que cette approche avait de la valeur, mais c'était aussi tout à fait de constater qu'ils n'étaient pas tout à fait corrects, parce que je tlhink, si nous avions produit neuf matériaux et ils avaient tous été à moins de 1%, |
| Je ne suis pas sûr que les gens l'auraient cru non plus. |
| Alors |
| le fait est que nous obtenions un résultat similaire ... |
| un niveau similaire de différence avec les prédictions des matériaux avec lesquels nous avons commencé et les nouveaux matériaux que nous avons fabriqués. Nous avons donc commencé à avoir une réelle confiance en cela dans ce modèle. |
| Et puis, si nous revenons à |
| les diapositives une seconde. |
| Alors ce que nous pouvons dire alors |
| est que la relation de performance de la structure de ces matériaux |
| a été créé dans JMP en utilisant les plates-formes de régression. |
| Nous avons utilisé les outils de visualisation de JMP pour être en mesure de voir qu'il y a de réels avantages à faire cela, et que le modèle lui-même est utilisé pour orienter cette emphase sur les nouveaux matériaux dans ce projet. Il est utilisé pour sélectionner des matériaux probables à tester à partir de choses que nous fabriquons déjà. |
| Et c'est, vous savez, il y a une corrélation acceptable dans les résultats entre le modèle et les nouvelles molécules que nous fabriquons, |
| tout cela a donné une réelle confiance à cette approche, et cela nous a vraiment permis, en quelque sorte, de pousser ce projet plus loin et de le diviser en matériaux cibles spécifiques. |
| Donc, en termes de nouvelles molécules, |
| nous avons mis l'accent sur les molécules à conductivité thermique plus élevée. Donc, comme vous pouvez le voir dans ce graphique, vous savez, toutes les nouvelles molécules sont en quelque sorte moyennes à élevées sur cette plage de conductivité thermique, ce que nous voulions en tirer. |
| Nous avons démontré que nous pouvions cibler une amélioration, en utilisant des données, puis la vérifier en laboratoire et la réaliser. |
| Là où ce projet devient encore plus difficile, nous essayons maintenant de construire des modèles similaires pour tous les autres facteurs |
| qui influencent les performances de ces fluides diélectriques, et nous essaierons ensuite d'équilibrer ces modèles les uns par rapport aux autres pour trouver les meilleurs résultats. |
| Donc, tout ce développement est en cours, mais cet élan est venu uniquement de la facilité d'utilisation de JMP et des plates-formes qu'il contient pour prendre un ensemble de données. |
| et avec un peu de connaissance du domaine, faites vraiment avancer cela et dites, oui, voici un modèle qui aidera à orienter cet accent pour ce projet et les projets ultérieurs dans ce domaine pour Croda. |
| Donc, juste en conclusion, les données que nous avons obtenues à partir des tests ont été utilisées pour modéliser avec succès les performances de ces matériaux. Ce n'est pas absolument parfait, mais c'est assez bon pour ce que nous voulons. |
| Le modèle... |
| le modèle démontre |
| qu'il y a une structure performance une relation d'esters (désolé, je ne sais pas pourquoi ma barre des tâches saute). Le modèle a été utilisé pour prédire les matériaux à conductivité thermique élevée. |
| Ces prédictions sont ensuite vérifiées dans un premier temps par simple exclusion, puis latéralement en fabriquant de nouveaux matériaux, et en montrant vraiment que ce modèle est valable pour ce type de chimie. |
| Il a également démontré la possibilité d'adapter les propriétés de, |
| dans ce cas, des diélectriques mais d'autres matériaux, si vous construisez des modèles similaires, afin que vous puissiez commencer à être en mesure de créer des matériaux spécifiques pour des applications spécifiques. |
| Et je pense que le plus important pour moi, |
| le vrai succès de ce travail a créé une dynamique interne pour en quelque sorte démontrer que JMP n'est pas agréable à avoir, c'est un ... c'est une vraie plate-forme pour développer la recherche, pour regarder très rapidement des ensembles de données et dire, y a-t-il quelque chose là-bas ? |
| Et avec cela, |
| Je tiens simplement à vous remercier d'avoir regardé. Évidemment, je ne peux répondre à aucune question sur un enregistrement, mais si vous souhaitez entrer en contact, n'hésitez pas à commenter dans la communauté. Ouais, merci beaucoup. |
