Altoparlante | Trascrizione |
| Stuart Little | Salve a tutti e benvenuti a questa conferenza sull'utilizzo di JMP in Croda per favorire lo sviluppo di nuovi prodotti. |
| Quindi di cosa parleremo oggi, e in primo luogo tratteremo un po 'di contesto in Croda, come stiamo usando JMP e dove siamo in quel viaggio, e un riepilogo del problema che stiamo cercando di risolvere. |
| Una volta risolto il problema, passeremo a JMP, osservando come gli strumenti e le piattaforme in JMP hanno consentito una facile esplorazione dei dati e un facile sviluppo |
| di un modello di prestazione della struttura. |
| E poi finalmente concluderemo questo discorso discutendo i risultati di questo lavoro e come |
| Facendo questo tipo di ricerca, siamo stati in grado di aumentare il consenso all'uso dei dati e delle tecniche DOE all'interno e ... nel settore della ricerca del business. |
| Quindi, in primo luogo, chi siamo come Croda. È una domanda che sorge spesso, |
| perché siamo un'entità business-to-business. Ma come azienda, Croda è il nome dietro |
| molti ingredienti e tecnologie ad alte prestazioni e dietro molti dei marchi più grandi e di maggior successo in tutto il mondo, in una vasta gamma di mercati. Creiamo, produciamo e vendiamo prodotti chimici speciali. Dall'inizio di Croda, questi sono stati |
| materiali prevalentemente sostenibili. Quindi abbiamo iniziato producendo lanolina, che proviene dalla lana di pecora, e continuiamo a costruire su questa sostenibilità. L'anno scorso noi |
| ha promesso pubblicamente di essere positivi per il clima, la terra e le persone entro il 2030 e hanno aderito agli obiettivi di sviluppo sostenibile delle Nazioni Unite come parte della nostra spinta per raggiungere questo obiettivo e diventare il fornitore più sostenibile di ingredienti innovativi in tutto il mondo. |
| Quindi, in termini di mercati che serviamo, abbiamo una sorta di grande attività di cura della persona in cui ci occupiamo di cura della pelle e protezione solare e |
| una sorta di cura dei capelli, cosmetici colorati e quel tipo di prodotti tradizionali per la cura personale. Il business delle scienze della vita, i nostri prodotti ... il nostro |
| i prodotti e la competenza aiutano i clienti a ottimizzare le loro formulazioni e il loro utilizzo dei principi attivi. Voglio dire, più di recente, abbiamo stipulato un accordo con Pfizer |
| per fornire i materiali che stanno entrando nel loro vaccino COVID-19. La nostra attività di prodotti chimici industriali, |
| questa è ... quella parte dell'azienda è responsabile della fornitura di materiali tecnicamente differenziati e prevalentemente sostenibili a una vasta gamma di mercati. Molti mercati non sono del tutto ... non si adattano perfettamente a nient'altro in questa diapositiva. |
| E poi finalmente abbiamo la nostra attività di tecnologie per le prestazioni. Questo copre molte, ancora, molte aree simili, |
| fornendo risposte ad alte prestazioni in tutti questi. E poi oggi, in particolare, parliamo della nostra attività di tecnologie energetiche, e in particolare, tipo di tecnologia delle batterie nell'elettronica ad alte prestazioni. |
| Quindi, dove siamo in Croda e JMP è che usiamo JMP da circa due anni e abbiamo avuto molto interesse internamente. È stato più difficile costruire la fiducia che queste tecniche abbiano un valore reale |
| ricercare. E quindi, per dimostrarlo, siamo andati via, abbiamo creato una serie di casi di studio che sono stati |
| abbastanza successo nel complesso. Abbiamo dimostrato il potenziale e alcune delle insidie al suo interno. E poi tutto ciò ha portato a una serie di progetti leggermente più ampia, uno dei quali è quello di cui parleremo ... parleremo con voi oggi. |
| come si migliora l'efficienza dei sistemi di raffreddamento elettrico? Il driver principale per questo progetto è |
| una sorta di elettrificazione dei trasporti, quindi sono i veicoli a batteria. Come si mantiene la batteria correttamente? Come ti assicuri che i motori funzionino al loro livello ottimale? |
| E come hai fatto a farlo senza fulminare nessuno? |
| Quindi attualmente esiste una serie di metodi di raffreddamento per queste cose, che i nostri clienti stanno sicuramente cercando di migliorare, perché migliore è il controllo del raffreddamento della batteria, ad esempio, migliore è la capacità della batteria e più coerente è il l'intervallo sarà. |
| E poiché, sai, questo è fondamentale e ci sono molte applicazioni diverse sostanzialmente simili, la cosa davvero utile per noi sarebbe creare |
| una comprensione di questi fluidi, grazie a una sorta di modello basato sui dati ed è qui che è entrato in gioco JMP. Allora come possiamo farlo? |
| Ebbene, la prima cosa che abbiamo esaminato è stata quali sono gli attuali metodi di raffreddamento? Quindi, per le batterie, prevalentemente sono raffreddate ad aria o raffreddate a freddo nella generazione precedente. |
| E l'elettronica in macchina, hai il problema opposto della batteria ma la cosa tende a diventare troppo calda, quindi abbiamo i dissipatori di calore, per cercare di portare via quell'energia. |
| E nei motori elettrici, stiamo cercando di ridurre al minimo la resistenza al loro interno, tendono ad essere rivestiti di fluido. |
| In tutti e tre questi casi, il metodo alternativo di raffreddamento in arrivo |
| si basa sul fluido, quindi è l'immersione diretta per batterie ed elettronica, e quindi in termini di motori elettrici, tende ad essere più un flusso. |
| Allora che aspetto ha quel fluido? Ovviamente, abbiamo a che fare con tensioni elevate, quindi dobbiamo avere qualcosa che non sia elettricamente conduttivo. |
| Deve anche avere una conduttività del calore molto elevata, in modo che possa estrarre il calore dall'elettronica. |
| E poiché questi fluidi devono essere spostati nel sistema, la viscosità deve essere bassa. Quindi abbiamo una sorta di vincoli fisici pratici che sono stati introdotti dall'applicazione stessa. |
| Se lo guardi un po 'più in profondità, |
| la capacità dei fluidi di trasferire calore si basa prevalentemente su questa equazione. E ciò che questo ci dice è che c'è una parte che possiamo controllare |
| dal fluido, che è il coefficiente di scambio termico, e poi c'è una parte che è controllata dalla soluzione ingegneristica nell'applicazione a quella. Qual è l'area per il raffreddamento e quali sono le temperature delle superfici che stai cercando di raffreddare? |
| Ma in tutti i casi, per ottenere un trasferimento di calore efficiente, dobbiamo avere un coefficiente di trasferimento di calore elevato, e poiché questo è ciò che possiamo effettuare, è lì che abbiamo guardato. |
| Quel coefficiente di scambio termico è definito |
| secondo questa equazione in modo semplicistico, ci sono altri termini, ma prevalentemente, |
| è una funzione della densità, della conducibilità termica, della capacità termica e quindi ha un effetto sulla viscosità del sistema. |
| Quindi, se cerchiamo specificamente le applicazioni a cui erano interessati, |
| se vogliamo ottimizzare il nostro fluido dielettrico, dobbiamo aumentare la densità, aumentare la conducibilità termica e aumentare la capacità termica, ma oltre a ciò, dobbiamo ridurre la viscosità |
| del ... del fluido. |
| E questi corrispondono abbastanza bene alle sfide ingegneristiche che abbiamo, il che è utile. |
| Così |
| da quello, quello che volevamo veramente fare era sapere qual era l'obiettivo. |
| E volevamo davvero capire quale fosse la relazione tra struttura e prestazioni del prodotto come fluido dielettrico. |
| Quindi inizialmente abbiamo proceduto in un modo abbastanza tradizionale e abbiamo iniziato a condurre uno studio su larga scala misurando le proprietà fisiche di molti esteri e molti altri materiali. |
| E poi, quando l'abbiamo visto e guardato quello, abbiamo pensato, beh, in realtà, questi dati esistono, quindi perché non usiamo questi set di dati per provare a costruire alcuni modelli e dire, possiamo davvero capire quella proprietà fisica relazione tra struttura e prestazione. |
| Quindi è qui che ... faremo un salto in JMP, quindi abbi pazienza per un secondo. |
| Va bene. |
| Quindi la prima cosa che abbiamo fatto |
| è stato raccolto quel mix di dati storici, dati che venivano ottenuti attraverso test mirati da parte dei team delle applicazioni. |
| E una volta che l'abbiamo messo in un punto, abbiamo esaminato che in JMP per dire c'è ... per capire, c'è una relazione, ma a un livello molto semplice tra le proprietà fisiche che stiamo misurando. |
| Quindi, se guardiamo a quel set di dati, il primo punto di riferimento per me, come sempre, è la piattaforma di distribuzione in JMP. |
| Ed è un modo davvero semplice per vedere se qualcosa che vuoi ha qualche tipo di schema vago da qualche altra parte. Quindi se io, in questo caso, se dici, oh, vogliamo tutto ciò che ha un'elevata conduttività termica, ciò che vediamo sono le proprietà che sono abbastanza estese |
| l'altro ... le altre proprietà che abbiamo misurato. Quindi non dice davvero, oh, c'è una relazione brillante, ciò di cui hai bisogno è questo, che è un po 'quello che ci aspettavamo. Ma è bello avere un assegno. |
| Allo stesso modo, se tracciamo tutto come file |
| scatterplots, quello che vediamo è molto rumore. Voglio dire, queste linee di adattamento sono lì solo per riferimento per mostrare che non c'è davvero alcun adattamento. |
| In nessun modo sto rivendicando la tua correlazione su questi. |
| E tutto ciò è stato deludente, che non ci sia una risposta ovvia |
| era atteso. |
| Dove è diventato interessante per noi è, abbiamo detto, beh, ci aspettavamo che non ci fosse un chiaro ... |
| una chiara relazione tra uno qualsiasi di questi fattori, perché se ci fosse stato, sarebbe stato ovvio per gli scienziati esperti che facevano il lavoro, e lo avremmo saputo. |
| Allora, abbiamo detto, beh, quello che sappiamo è che queste proprietà hanno tutte |
| una comprensione ... una relazione con la loro struttura. |
| Cosa succede se calcoliamo alcuni parametri fisici per queste cose e li combiniamo con una serie di identificatori strutturali e modi di guardare a queste molecole? Cosa succede se lo prendiamo e aggiungiamo quei dati ai dati del test? |
| Sai, possiamo quindi costruire un qualche tipo di modello? |
| Questo inizia a essere in grado di stimare la struttura e le prestazioni, quindi è esattamente quello che abbiamo fatto. |
| Sai, in questo caso, |
| quello che vediamo |
| è questo, |
| ancora una volta, se usiamo la piattaforma multivariata, basta dare una rapida occhiata per vedere se c'è qualche correlazione |
| su alcuni di questi fattori, |
| Questo |
| chiara differenziazione in alcuni casi, tra su e giù, e forse un piccolo accenno di correlazione, ma niente di chiaro che dica, questa è l'unica cosa di cui hai bisogno. Ancora una volta, questo è quello che ci aspettavamo. |
| Allora, cosa abbiamo fatto |
| abbiamo utilizzato le piattaforme di regressione in JMP |
| per cercare di capire |
| se possiamo costruire un modello e cosa |
| la relazione sembra. Quindi, per fare ciò, abbiamo selezionato casualmente un numero di righe per la selezione delle righe |
| strumento in JMP. Generalmente, estraendo cinque campioni a caso, che non avrebbero partecipato al modello, allora questi modelli sono relativamente costruiti |
| e perfezionarli in questo modo, quindi abbiamo sempre avuto un set di convalida dai dati iniziali, solo per ... solo per verificare che ciò che stavamo facendo avesse qualche possibilità di successo. |
| Quindi, se guardiamo solo ai modelli a 80 gradi, il primo modello a cui siamo arrivati |
| era questo. |
| Chiaramente, come possiamo vedere, ci sono una serie di fattori inclusi in questo modello che non hanno senso dal punto di vista statistico, perché sono solo overfitting e non sono significativi. |
| Tuttavia, questi sono abbastanza importanti in termini di descrizione delle molecole che si trovano lì, quindi come chimico, abbiamo creato questo modello. Quindi questo è un modello che permette, sai, molecole, se vuoi, di essere progettate per questa applicazione, |
| anche se sappiamo che è finita. E lo sappiamo |
| non è ... non è davvero un modello valido perché questi termini stanno solo guidando la R al quadrato, su e su. |
| Anche noi |
| ha costruito il modello senza questi termini. |
| Questo è un modello molto migliore in termini di stima delle prestazioni di queste cose, la R al quadrato è leggermente inferiore, |
| ma tutti i termini presenti hanno un impatto significativo |
| sulla performance. |
| Lo svantaggio di questo modello è che non ci aiuta davvero a progettare |
| qualsiasi nuova chimica. |
| Ma, in entrambi i casi, quando guardiamo |
| i valori previsti rispetto ai valori misurati effettivi, vediamo una ragionevole correlazione tra di loro. Certamente quando ci aspettiamo che le cose siano alte, lo sono. |
| Questo ci ha dato una certa fiducia che questo modello potrebbe effettivamente funzionare per noi. |
| In termini e ... poi in termini di quando abbiamo esaminato quanto potrebbe essere buono, abbiamo semplicemente guardato qual è la differenza percentuale tra |
| il valore misurato e il valore effettivo. E quello che vediamo è che sono quasi universalmente entro il 10%, prevalentemente entro il 5% per entrambi i modelli. |
| Anche in questo caso su una gamma di diversi tipi di materiale, questo ci ha dato la certezza che quello che eravamo ... quello che stavamo vedendo avrebbe potuto essere un effetto reale. |
| Tutto ciò è molto bello, |
| è solo un effetto dei dati che abbiamo misurato? |
| Quindi quello che abbiamo fatto è stato che abbiamo utilizzato la piattaforma di profiler in JMP, prodotto un modello condivisibile che avremmo potuto inviare al team di progetto, e essenzialmente abbiamo organizzato una competizione e detto look, chiunque può trovare il massimo ... |
| la più alta conducibilità termica in questo modello da una molecola che potrebbe essere effettivamente prodotta, |
| vince. |
| Sai, da quello abbiamo avuto un elenco di circa 14 materiali che sembravano promettenti. Abbiamo dovuto ritagliarne alcuni perché era impossibile procurarsi le materie prime, quindi ci siamo ritrovati con circa nove nuovi materiali che sono stati sintetizzati e testati. Ora questi materiali erano quasi esclusivamente |
| fatto di materiali che il modello non aveva mai visto prima, sai. In alcuni casi, parte della molecola sarebbe stata la stessa, ma erano abbastanza distinti dai materiali originali. |
| Quindi una volta che li abbiamo realizzati e, una volta testati, li abbiamo rimessi nel modello |
| e per vedere, solo per vedere com'era il potere predittivo di questo modello. |
| Quindi, se diamo uno sguardo a quei dati, sai, penso, date le differenze di questi materiali, mi aspettavo completamente |
| Questo... |
| questo per rompere il modello. |
| Tuttavia, quando noi ... |
| se guardiamo di nuovo le previsioni, |
| quello che vediamo è che quelli blu evidenziati sono i nuovi materiali che sono stati realizzati. Sai, abbiamo scelto deliberatamente una coppia più bassa solo per curiosità, solo per controllare. E tutti quelli che abbiamo scelto che pensavamo sarebbero stati alti erano alti. |
| Quindi nel modello overfitted che aveva valore dal punto di vista della progettazione e della struttura, ciò che vediamo è un valore anomalo. Nel ... nel modello statisticamente ragionevole, in realtà vediamo un adattamento generale molto migliore. |
| E questo è stato |
| edificante, che possiamo iniziare a non essere in grado di progettare una singola molecola e dire, oh, ecco qua, via ... via, pop; ecco l'unica cosa che devi fare. Ma certamente essere in grado di indirizzare i chimici sintetici verso i giusti tipi di materiali per portare avanti davvero i progetti. |
| Quindi, se guardiamo di nuovo a questi residui, ciò che vediamo è per il file |
| sai, per il modello statisticamente buono senza overfitting, quello che abbiamo visto è che tutto rientrava nel 10% di tutti i nuovi materiali, |
| che, per quello che stavamo cercando di ottenere, era abbastanza buono. Ce ne sono alcuni nel modello overfitting che erano un po 'sotto il 10% ma, ancora una volta, questo è un po' quello che mi sarei aspettato di vedere. |
| Ed è, sai, è stato bello che fossero tutti nella gamma giusta, perché mostra che questo approccio stava avendo valore, ma è stato anche abbastanza per scoprire che non erano esattamente a posto, perché io Penso, se avessimo prodotto nove materiali e sarebbero stati tutti entro l'1%, |
| Non sono sicuro che la gente avrebbe creduto neanche a questo. |
| Così |
| il fatto è che stavamo ottenendo un simile ... |
| un livello di differenza simile alle previsioni dai materiali con cui abbiamo iniziato e ai nuovi materiali che abbiamo realizzato. Quindi abbiamo iniziato ad avere una certa fiducia in questo in questo modello. |
| E poi, se torniamo a |
| le diapositive un secondo. |
| Allora cosa possiamo dire allora |
| è che il rapporto prestazioni struttura di questi materiali |
| è stato creato in JMP utilizzando le piattaforme di regressione. |
| Abbiamo utilizzato gli strumenti di visualizzazione in JMP per essere in grado di vedere che ci sono vantaggi reali per farlo e che il modello stesso viene utilizzato per indirizzare questa enfasi sui nuovi materiali in questo progetto. Viene utilizzato per selezionare materiali probabili da testare da cose che già produciamo. |
| Ed è, sai, c'è una correlazione accettabile nei risultati tra il modello e le nuove molecole che stiamo producendo, |
| tutto ciò ha dato vera fiducia a questo approccio e ci ha davvero permesso, in un certo senso, di spingere ulteriormente questo progetto e di suddividerlo in materiali target specifici. |
| Quindi, in termini di nuove molecole, |
| abbiamo diretto questa enfasi sulle molecole con una maggiore conduttività termica. Quindi, come puoi vedere in questo grafico, sai, tutte le nuove molecole sono da medie ad alte in quella gamma di conduttività termica, che è più o meno quello che volevamo ottenere da loro. |
| Abbiamo dimostrato che potevamo mirare a un miglioramento, utilizzando i dati e poi verificarlo in laboratorio e realizzarlo. |
| Laddove questo progetto diventa ancora più difficile, stiamo ora cercando di costruire modelli simili per tutti gli altri fattori |
| che influenzano le prestazioni di questi fluidi dielettrici, quindi cercheremo di bilanciare questi modelli l'uno contro l'altro per trovare i migliori risultati. |
| Quindi tutto questo ulteriore sviluppo è in corso, ma quell'impulso è arrivato esclusivamente dalla facilità d'uso di JMP e delle piattaforme in esso contenute per prendere un set di dati |
| e con un po 'di conoscenza del dominio, spingilo davvero in avanti e dì, sì, ecco un modello che aiuterà a dirigere questa enfasi per questo progetto e per i progetti successivi in quest'area per Croda. |
| Quindi, solo in conclusione, i dati che abbiamo ottenuto dai test sono stati utilizzati per modellare con successo le prestazioni di questi materiali. Non è assolutamente perfetto, ma è abbastanza buono per quello che vogliamo. |
| Il modello... |
| il modello lo dimostra |
| che c'è una prestazione della struttura una relazione di esteri (scusate, non sono sicuro del motivo per cui la mia barra delle applicazioni sta saltando). Il modello è stato utilizzato per prevedere materiali ad alta conduttività termica. |
| Tali previsioni vengono quindi verificate inizialmente solo per esclusione e poi lateralmente producendo nuovi materiali, e dimostrando davvero che questo modello vale per quel tipo di chimica. |
| Viene inoltre dimostrata la possibilità di personalizzare proprietà di, |
| in questo caso, dielettrici ma altri materiali, se costruisci modelli simili, in modo da poter iniziare a creare materiali specifici per applicazioni specifiche. |
| E penso che la cosa più importante per me, |
| il vero successo di questo lavoro ha creato uno slancio interno per dimostrare che JMP non è piacevole da avere, è una ... è una vera piattaforma per sviluppare la ricerca, per esaminare molto rapidamente i set di dati e dire, c'è qualcosa lì ? |
| E con quello |
| Vorrei solo ringraziarti per aver guardato. Ovviamente non posso rispondere a nessuna domanda su una registrazione, ma se vuoi metterti in contatto sentiti libero di commentare nella Community. Sì, grazie mille. |
