Altoparlante | Trascrizione |
| Stuart Little | Salve a tutti e benvenuti a questa discussione su come JMP viene utilizzato in Croda per favorire lo sviluppo di nuovi prodotti. |
| Quindi, cosa tratteremo oggi, e in primo luogo tratteremo un po' di contesto su Croda, come stiamo usando JMP e dove ci troviamo in quel viaggio, e un riepilogo del problema che stiamo cercando di risolvere. |
| Una volta risolto il problema, passeremo a JMP, osserveremo come gli strumenti e le piattaforme in JMP hanno consentito una facile esplorazione dei dati e un facile sviluppo |
| di un modello prestazionale della struttura. |
| E poi finalmente concluderemo discutendo i risultati di questo lavoro e come |
| facendo questo tipo di ricerca, siamo stati in grado di aumentare il buy-in per l'uso dei dati e delle tecniche DOE in e... nel lato ricerca del business. |
| Quindi, in primo luogo, chi siamo come Croda. È una domanda che si fa 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 della Croda, questi sono stati |
| materiali prevalentemente sostenibili. Quindi abbiamo iniziato producendo lanolina, che proviene dalla lana di pecora, e ci basiamo continuamente su questa sostenibilità. L'anno scorso noi |
| si è impegnato pubblicamente a essere positivo per il clima, la terra e le persone entro il 2030 e ha 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 specie di grande azienda di prodotti per la cura della persona in cui ci occupiamo di prodotti per la cura della pelle e del sole e |
| una sorta di cura dei capelli, cosmetici colorati e quel tipo di prodotti tradizionali per la cura personale. Business nel settore delle scienze della vita, i nostri prodotti... i nostri |
| i prodotti e l'esperienza aiutano i clienti a ottimizzare le loro formulazioni e l'uso dei loro principi attivi. Voglio dire, più recentemente, abbiamo un accordo con Pfizer |
| per fornire materiali che entreranno nel loro vaccino COVID-19. La nostra attività di prodotti chimici industriali, |
| cioè...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 a nient'altro in questa diapositiva. |
| E poi finalmente abbiamo il nostro business delle tecnologie per le prestazioni. Questo copre molto, di nuovo, molte aree simili, |
| fornendo risposte ad alte prestazioni in tutti questi ambiti. E poi oggi, in particolare, parliamo del nostro business delle tecnologie energetiche e, in particolare, del tipo di tecnologia delle batterie nell'elettronica ad alte prestazioni. |
| Quindi, dove siamo in Croda e JMP, utilizziamo 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 riuscito nel complesso. Abbiamo dimostrato il potenziale e alcune delle insidie al suo interno. E poi tutto ciò ha poi portato a una serie leggermente più grande di progetti, uno dei quali è quello di cui parleremo... parliamone oggi. |
| come possiamo migliorare l'efficienza dei sistemi di raffreddamento elettrici? Il motore principale di questo progetto è |
| una sorta di elettrificazione dei trasporti, quindi si tratta di veicoli a batteria. Come si mantiene correttamente la batteria? Come ti assicuri che i motori funzionino al loro livello ottimale? |
| E come hai fatto 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 gamma sarà. |
| E poiché, sai, questo è fondamentale e ci sono molte applicazioni diverse che sono sostanzialmente simili, la cosa veramente utile per noi sarebbe costruire |
| una comprensione di questi fluidi, avendo una sorta di modello guidato dai dati ed è qui che è entrato in gioco JMP. Quindi come possiamo farlo? |
| Bene, la prima cosa che abbiamo esaminato è stata quali sono gli attuali metodi di raffreddamento? Quindi, per le batterie, sono prevalentemente 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 surriscaldarsi, quindi abbiamo i dissipatori di calore, per cercare di portare via quell'energia. |
| E nei motori elettrici, stiamo cercando di minimizzare la resistenza lì dentro, tendono ad essere rivestiti di fluido. |
| In tutti e tre questi casi, il metodo di raffreddamento alternativo in arrivo |
| si basa sul fluido, quindi è l'immersione diretta per le batterie e l'elettronica, e poi in termini di motori elettrici, che 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 davvero elevata, in modo che possa espellere 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 questo. 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 efficiente trasferimento di calore, dobbiamo avere un alto coefficiente di trasferimento di calore, e dato che questo è ciò che possiamo effettuare, è lì che abbiamo guardato. |
| Tale coefficiente di scambio termico è definito |
| da 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 nello specifico le applicazioni a cui eravamo interessati, |
| se vogliamo ottimizzare il nostro fluido dielettrico, dobbiamo aumentare la densità, aumentare la conducibilità termica e aumentare la capacità termica, ma insieme a ciò, dobbiamo ridurre la viscosità |
| del... del fluido. |
| E questi si abbinano abbastanza bene con le 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 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, 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 per rapporto tra struttura e prestazioni. |
| Quindi è qui che... faremo un salto in JMP quindi abbi pazienza un secondo. |
| Va bene. |
| Quindi la prima cosa che abbiamo fatto |
| dove abbiamo 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 posto, lo abbiamo esaminato in JMP per dire che 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 solo 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'alta conduttività termica, ciò che vediamo sono le proprietà che sono piuttosto estese |
| l'altro... le altre proprietà che abbiamo misurato. Quindi non dice davvero, oh, c'è una relazione brillante, quello di cui hai bisogno è questo, che è più o meno quello che ci aspettavamo. Ma è bello avere un assegno. |
| Allo stesso modo, se poi tracciamo tutto come |
| grafici a dispersione, quello che vediamo è molto rumore. Voglio dire, queste linee di adattamento sono lì solo come 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 c'è 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, sarebbe stato ovvio per gli scienziati esperti che facevano il lavoro, e noi lo avremmo saputo. |
| Quindi, 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 queste molecole? Cosa succede se lo prendiamo e aggiungiamo quei dati ai dati del test? |
| Sai, allora possiamo costruire una specie 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, |
| ciò che vediamo |
| è questo, |
| ancora una volta, se usiamo la piattaforma multivariata, solo una rapida occhiata per vedere se c'è qualche correlazione |
| su alcuni di questi 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 usato le piattaforme di regressione in JMP |
| per cercare di capire |
| se potremmo 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, si tratta di modelli relativamente costruiti |
| e li abbiamo perfezionati in quel 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 che sono stati inclusi in questo modello che non hanno senso da un punto di vista statistico, perché sono solo overfitting e non sono significativi. |
| Tuttavia, questi sono abbastanza importanti in termini di descrizione delle molecole che sono lì dentro, quindi come chimico, abbiamo creato questo modello. Quindi questo è un modello che permette, sai, di progettare molecole, se vuoi, per questa applicazione, |
| anche se sappiamo che è troppo montato. E lo sappiamo |
| non è... non è davvero un modello valido perché questi termini stanno solo facendo salire la R al quadrato sempre più in alto. |
| Anche noi |
| costruito il modello senza quei termini. |
| Questo è un modello di gran lunga migliore in termini di stima delle prestazioni di queste cose, la R al quadrato è leggermente inferiore, |
| ma tutti i termini che ci sono hanno un impatto significativo |
| sulla prestazione. |
| 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 effettivi misurati, vediamo una ragionevole correlazione tra di loro. Certamente quando ci aspettiamo che le cose siano alte, lo sono. |
| Quindi questo ci ha dato una certa fiducia che questo modello potrebbe effettivamente funzionare per noi. |
| In termini e... poi in termini di quando abbiamo visto quanto poteva 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. |
| Ancora una volta attraverso una gamma di diversi tipi di materiale, questo ci ha dato la certezza che ciò che eravamo... ciò che stavamo vedendo potesse essere un effetto reale. |
| Tutto molto bello, |
| è solo un effetto dei dati che abbiamo misurato? |
| Quindi quello che abbiamo fatto è stato usare la piattaforma di profilazione in JMP, produrre un modello condivisibile che potevamo inviare al team di progetto, e essenzialmente organizzare una competizione e dire guarda, chi può trovare il più alto... |
| la più alta conduttività termica in questo modello da una molecola che potrebbe effettivamente essere prodotta, |
| vince. |
| Sai, da quel momento avevamo un elenco di circa 14 materiali che sembravano promettenti. Abbiamo dovuto eliminarne alcuni perché era impossibile reperire 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 che sono stati testati, li abbiamo reinseriti nel modello |
| e per vedere, solo per vedere com'era il potere predittivo di questo modello. |
| Quindi, se diamo un'occhiata a quei dati, sai, penso, date le differenze di questi materiali, mi aspettavo del tutto |
| Questo... |
| questo per rompere il modello. |
| Tuttavia, quando noi... |
| se guardiamo di nuovo le previsioni, |
| quello che vediamo è che quelli evidenziati in blu sono i nuovi materiali che sono stati realizzati. Sai, ne abbiamo scelto deliberatamente un paio più basso solo per curiosità, solo per controllare. E tutti quelli che abbiamo scelto che pensavamo sarebbero stati alti erano alti. |
| Quindi nel modello sovradimensionato che aveva valore dal punto di vista della progettazione di una struttura, ciò che vediamo è un valore anomalo. Nel... nel modello che era statisticamente ragionevole, in realtà vediamo un adattamento molto migliore nel complesso. |
| E quello era |
| edificante, che possiamo iniziare a non essere in grado, in un certo senso, 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 il giusto tipo di materiali per portare avanti davvero i progetti. |
| Allora, se guardiamo di nuovo a questi residui, quello che vediamo è per il |
| 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 di overfitting che erano un po' al di sotto del 10% ma, ancora una volta, questo è quello che mi sarei aspettato di vedere. |
| Ed è, sai, è stato bello che fossero tutti nella gamma giusta, perché dimostra che questo approccio stava avendo valore, ma è stato anche abbastanza scoprire che non erano tutti esattamente a posto, perché io Pensa, se avessimo prodotto nove materiali e fossero stati tutti entro l'1%, |
| Non sono sicuro che la gente avrebbe creduto neanche a questo. |
| COSÌ |
| il fatto è che stavamo ricevendo un simile... |
| un livello di differenza simile alle previsioni dei materiali con cui abbiamo iniziato e dei 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. |
| Quindi cosa possiamo dire allora |
| è che il rapporto di prestazioni della 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 dirigere questa enfasi sui nuovi materiali in questo progetto. Viene utilizzato per selezionare materiali probabili da testare da cose che già realizziamo. |
| Ed è, sai, c'è una correlazione accettabile nei risultati tra il modello e le nuove molecole che stiamo creando, |
| 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 una specie di medio-alto su quella gamma di conducibilità 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 verificandolo in laboratorio e realizzandolo. |
| Dove questo progetto poi diventa ancora più difficile è, ora stiamo 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 quello slancio è arrivato esclusivamente dalla facilità d'uso di JMP e delle piattaforme in esso contenute per acquisire un set di dati |
| e con un po 'di conoscenza del dominio, spingilo davvero avanti e dì, sì, ecco un modello che aiuterà a dirigere questa enfasi per questo progetto e i successivi progetti in quest'area per Croda. |
| Quindi, solo in conclusione, i dati che abbiamo ottenuto dai test sono stati usati 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 dimostra |
| che esiste una prestazione strutturale una relazione di esteri (scusa, 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. |
| Quelle previsioni vengono quindi verificate inizialmente solo per esclusione e poi lateralmente creando nuovi materiali e dimostrando davvero che questo modello vale per quel tipo di chimica. |
| È anche dimostrata la possibilità di adattare le 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 guardare molto rapidamente i set di dati e dire, c'è qualcosa lì ? |
| E con quello, |
| Vorrei solo dire grazie 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. |
