Conférencier | Transcription |
| Stuart Little | Bonjour à tous et bienvenue dans cette discussion sur la façon dont JMP est utilisé chez Croda pour aider à stimuler le développement de nouveaux produits. |
| Donc, ce que nous allons couvrir aujourd'hui, et d'abord nous allons couvrir un peu le contexte de 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 la structure. |
| Enfin, nous terminerons en discutant des résultats de ce travail et de la manière dont |
| en faisant ce type de recherche, nous avons été en mesure d'augmenter 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 |
| beaucoup d'ingrédients et de technologies de haute performance, et derrière beaucoup 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 spécialisés. Depuis le début de Croda, ceux-ci ont été |
| matériaux majoritairement durables. Nous avons donc commencé par fabriquer de la lanoline, qui est à base de laine de mouton, et nous nous appuyons continuellement sur cette durabilité. L'année dernière, nous |
| s'est engagé publiquement à être positif pour le climat, la terre et les personnes d'ici 2030 et a adhéré aux objectifs de développement durable des Nations Unies dans le cadre de nos efforts pour y parvenir et devenir le fournisseur le plus durable d'ingrédients innovants à travers le monde. |
| Donc, en termes de marchés que nous servons, nous avons une sorte de très grosse entreprise de soins personnels où nous nous occupons des soins de la peau et des soins solaires et |
| sorte de soins capillaires, de cosmétiques colorés et de ces types de produits de soins personnels traditionnels. Le secteur des sciences de la vie, nos produits... nos |
| Les produits et l'expertise aident les clients à optimiser leurs formulations et leur utilisation d'ingrédients actifs. Je veux dire, plus récemment, nous avons conclu un accord avec Pfizer |
| pour fournir des matériaux qui entrent dans leur vaccin COVID-19. Notre activité chimie industrielle, |
| c'est... cette partie de l'entreprise est chargée de fournir des matériaux techniquement différenciés, principalement durables, à une vaste gamme de marchés. Beaucoup de marchés ne sont pas tout à fait... ne rentrent pas tout à fait dans quoi que ce soit d'autre sur cette diapositive. |
| Et enfin, nous avons notre entreprise de technologies de performance. Cela couvre beaucoup, encore une fois, beaucoup de domaines similaires, |
| fournir des réponses de haute performance dans tous ces domaines. Et puis aujourd'hui, en particulier, nous parlons de notre activité de technologies énergétiques, et plus particulièrement, de la technologie des batteries dans l'électronique haute performance. |
| Donc, où nous en sommes chez Croda et JMP, nous utilisons JMP depuis environ deux ans et nous avons suscité beaucoup d'intérêt en interne. Il a été plus difficile de renforcer la confiance 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 |
| plutôt réussi dans l'ensemble. Nous avons démontré le potentiel et certains des pièges que cela comporte. Et puis tout cela a conduit à un ensemble de projets un peu plus important, dont l'un est celui dont nous allons parler... je vous parle aujourd'hui. |
| Comment pouvons-nous améliorer l'efficacité des systèmes de refroidissement électriques ? Le principal moteur de ce projet est |
| une sorte d'électrification des transports, ce sont donc des véhicules à batterie. Comment bien entretenir la batterie ? Comment faites-vous pour vous assurer que les moteurs fonctionnent à leur niveau optimal ? |
| Et comment as-tu fait ça sans électrocuter personne ? |
| 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 le 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 par air ou refroidies à froid dans la génération précédente. |
| Et l'électronique dans la voiture, vous avez le problème inverse de la batterie, mais les choses ont tendance à devenir trop chaudes, 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 chemisés de fluide. |
| Dans ces trois cas, la méthode de refroidissement alternative entrante |
| repose sur le fluide, donc c'est 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 liquide ? Évidemment, 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, de sorte qu'il puisse extraire la chaleur de l'électronique. |
| Et parce que ces fluides doivent être déplacés dans le système, la viscosité doit être faible. Nous avons donc des sortes de contraintes physiques pratiques qui ont été introduites par l'application elle-même. |
| Si vous le regardez un peu plus en profondeur, |
| la capacité des fluides à transférer de 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 car dans tous les cas, pour obtenir un transfert de chaleur efficace, il faut avoir un coefficient de transfert de chaleur élevé, et comme c'est ce qu'on peut faire, c'est là qu'on a 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, puis d'avoir un effet sur la viscosité du système. |
| Donc, si nous recherchons spécifiquement les applications qui nous intéressaient, |
| si nous voulons optimiser notre fluide diélectrique, nous devons augmenter la densité, augmenter la conductivité thermique et augmenter la capacité calorifique, mais à côté de cela, nous devons réduire la viscosité |
| du... du fluide. |
| Et ceux-ci correspondent assez bien aux défis d'ingénierie que nous avons, ce qui est utile. |
| Donc |
| à partir de là, ce que nous voulions vraiment faire, c'était que nous savions quelle était la cible. |
| 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 beaucoup d'esters et de beaucoup d'autres matériaux. |
| Et puis, quand nous avons vu cela et regardé cela, nous avons pensé, eh bien 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. |
| C'est donc là que... nous allons simplement entrer dans JMP, alors patientez avec moi une seconde. |
| D'accord. |
| Alors la première chose que nous avons faite |
| Nous avons rassemblé ce mélange de données historiques, des données obtenues grâce à des tests ciblés par les équipes d'applications. |
| Et une fois que nous avons rassemblé cela en un seul endroit, nous avons en quelque sorte examiné cela dans JMP pour dire s'il y a... pour comprendre, y a-t-il une relation, mais à un niveau très simple entre les propriétés physiques que nous mesurons. |
| Donc, si nous examinons cet ensemble de données, la première 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 forme 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 ça ne dit pas vraiment, oh, il y a une relation brillante, ce dont vous avez besoin c'est ça, ce qui est un peu ce à quoi nous nous attendions. Mais c'est bien d'avoir un chèque. |
| De même, si nous traçons alors 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. |
| Je ne prétends en aucun cas votre corrélation sur ceux-ci. |
| Et tout cela était décevant, qu'il n'y ait pas de réponse évidente |
| était attendu. |
| Là où c'est devenu intéressant pour nous, c'est qu'on s'est dit, eh bien, on s'attendait à ce qu'il n'y ait pas de clair... |
| une relation claire entre l'un de ces facteurs, parce que s'il y en avait eu, cela aurait été évident pour les scientifiques expérimentés qui font 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... une relation à leur structure. |
| Que se passe-t-il si nous calculons certains paramètres physiques pour ces choses et combinons cela avec un certain nombre d'identificateurs structurels et de façons de regarder ces molécules ? Que se passe-t-il si nous prenons cela et ajoutons ces données aux données de test ? |
| Est-ce que... vous savez, 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. |
| Vous savez, 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 |
| une différenciation claire dans certains cas, entre le haut et le 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 pouvions construire un modèle, et ce que cela |
| 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, ces modèles sont relativement construits |
| et les affinait 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. |
| Alors, si nous regardons juste les modèles à 80 degrés, le premier modèle auquel nous sommes arrivés |
| était celui-ci. |
| Clairement, 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, parce qu'ils sont tout simplement trop ajustés et qu'ils ne sont tout simplement pas significatifs. |
| Cependant, ceux-ci sont assez importants pour décrire les molécules qui s'y trouvent, donc en tant que chimiste, nous avons créé ce modèle. Donc c'est un modèle qui permet, vous savez, des molécules, si vous voulez, d'être conçues pour cette application, |
| même si nous savons qu'il est trop équipé. Et nous savons que |
| ce n'est pas... ce n'est pas vraiment un modèle valide parce que ces termes ne font que faire monter et monter le R au carré. |
| Nous avons aussi |
| construit le modèle sans ces termes. |
| C'est un bien meilleur modèle 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 les performances. |
| 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... puis en termes de moment où nous avons examiné à quel point cela pourrait être bon, nous avons simplement examiné quelle est la différence en 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 pourrait avoir 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 profilage dans JMP, produit un modèle partageable que nous pourrions envoyer à l'équipe du projet, et essentiellement mis en place un concours et dit regarder, celui qui peut trouver le plus haut... |
| la conductivité thermique la plus élevée dans ce modèle à partir d'une molécule qui pourrait réellement être fabriquée, |
| gagne. |
| Vous savez, à partir de là, nous avions une liste d'environ 14 matériaux qui semblaient prometteurs. Nous avons dû en supprimer quelques-uns parce qu'il était impossible de trouver des matières premières, nous nous sommes donc retrouvés avec environ neuf nouveaux matériaux qui ont été synthétisés et testés. Or, ces matériaux étaient presque exclusivement |
| composé de matériaux que le modèle n'avait pas vraiment vus auparavant, vous savez. Dans certains cas, une partie de la molécule serait la même, mais elle était tout à fait distincte des matériaux d'origine. |
| Donc une fois qu'on les a fait et une fois qu'ils ont été testés on les a remis dans le modèle |
| et pour voir, juste pour voir à quoi ressemblait le pouvoir prédictif de ce modèle. |
| Donc, si nous examinons ces données, vous savez, je pense, compte tenu des différences entre ces matériaux, je m'attendais à |
| 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 qui sont les nouveaux matériaux qui ont été fabriqués. Vous savez, nous avons délibérément choisi un couple qui était plus bas juste par curiosité, juste pour vérifier. Et tous ceux que nous avons choisis et que nous pensions être élevés étaient élevés. |
| Ainsi, dans le modèle surajusté 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 constatons en fait un bien meilleur ajustement dans l'ensemble. |
| Et c'était |
| édifiant, que nous pouvons commencer à ne pas, en quelque sorte, concevoir une seule molécule et dire, oh, voilà, allez-y... allez-y pop ; voici la seule chose que vous devez faire. Mais certainement être capable de diriger les chimistes synthétiques vers les bons types de matériaux pour vraiment faire avancer les projets. |
| Alors, si nous regardons à nouveau ces résidus, ce que nous voyons est pour le |
| vous savez, pour le modèle statistiquement bon sans surajustement, ce que nous avons vu, c'est 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 surajustement qui étaient un peu en dessous de 10 % mais, encore une fois, c'est un peu ce que je m'attendrais à voir. |
| Et c'est, vous savez, c'était bien qu'ils soient tous dans la bonne fourchette, parce que cela montre que cette approche avait de la valeur, mais c'était aussi tout à fait de constater qu'ils n'étaient pas tous exactement au bon endroit, parce que je Pensez-y, si nous avions produit neuf matériaux et qu'ils auraient tous été à moins de 1 %, |
| Je ne suis pas sûr que les gens auraient cru cela non plus. |
| Donc |
| le fait est que nous obtenions un... |
| un niveau de différence similaire aux prédictions des matériaux avec lesquels nous avons commencé et des 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 simplement à |
| les diapositives une seconde. |
| Alors qu'est-ce qu'on peut dire alors |
| est que la relation de performance de la structure de ces matériaux |
| a été créé dans JMP à l'aide des plates-formes de régression. |
| Nous avons utilisé les outils de visualisation de JMP pour pouvoir voir qu'il y a de réels avantages à faire cela, et que le modèle lui-même est utilisé pour diriger l'accent mis sur les nouveaux matériaux dans ce projet. Il est utilisé pour filtrer les matériaux susceptibles d'être testés 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. |
| Ainsi, en termes de nouvelles molécules, |
| nous avons mis l'accent sur des molécules à conductivité thermique plus élevée. Donc, comme vous pouvez le voir sur ce graphique, vous savez, toutes les nouvelles molécules sont en quelque sorte moyennes à élevées sur cette plage de conductivité thermique, ce qui est en quelque sorte ce que nous voulions obtenir d'elles. |
| 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 alors plus difficile encore, nous essayons maintenant de construire des modèles similaires pour tous les autres facteurs |
| qui influencent les performances de ces fluides diélectriques, puis nous essaierons d'équilibrer ces modèles les uns par rapport aux autres pour trouver les meilleurs résultats. |
| Donc, tout ce développement supplémentaire 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, poussez vraiment cela vers l'avant et dites, oui, voici un modèle qui aidera à diriger cet accent pour ce projet et les projets ultérieurs dans ce domaine pour Croda. |
| Alors, juste pour conclure, 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 existe une performance de structure une relation d'esters (désolé, je ne sais pas pourquoi ma barre des tâches saute). Le modèle a été utilisé pour prédire des matériaux à haute conductivité thermique. |
| Ces prédictions sont ensuite vérifiées initialement 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 pouvoir créer des matériaux spécifiques pour des applications spécifiques. |
| Et je pense que le plus important pour moi, |
| le véritable succès de ce travail a créé une dynamique interne pour démontrer en quelque sorte que JMP n'est pas un avantage, c'est une... c'est une véritable plate-forme pour développer la recherche, pour examiner très rapidement des ensembles de données et dire, y a-t-il quelque chose là-bas ? |
| Et avec cela, |
| J'aimerais juste dire merci 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. Oui, merci beaucoup. |
