Vocero | Transcripción |
| Stuart Little | Hola a todos, y bienvenidos a esta charla sobre cómo se utiliza JMP en Croda para ayudar a impulsar el desarrollo de nuevos productos. |
| Entonces, lo que vamos a cubrir hoy, y en primer lugar, vamos a cubrir un poco de contexto para Croda, cómo estamos usando JMP y dónde estamos en ese viaje, y un resumen del problema que estamos tratando de resolver. |
| Una vez que haya cubierto el problema, vamos a pasar a JMP, ver cómo las herramientas y plataformas en JMP han permitido una fácil exploración de datos y un fácil desarrollo. |
| de un modelo de rendimiento de la estructura. |
| Y finalmente terminaremos discutiendo los resultados de este trabajo y cómo |
| al hacer este tipo de investigación, hemos podido aumentar la aceptación del uso de datos y técnicas DOE en y... en el lado de la investigación del negocio. |
| En primer lugar, quiénes somos como Croda. Es una pregunta que surge bastante, |
| porque somos una entidad de empresa a empresa. Pero como negocio, Croda es el nombre detrás |
| una gran cantidad de ingredientes y tecnologías de alto rendimiento, y detrás de muchas de las marcas más grandes y exitosas de todo el mundo, en una variedad de mercados. Creamos, fabricamos y vendemos productos químicos especiales. Desde el comienzo de Croda, estos han sido |
| predominantemente materiales sostenibles. Así que comenzamos fabricando lanolina, que es de lana de oveja, y continuamente nos basamos en esa sostenibilidad. el año pasado nosotros |
| se comprometió públicamente a ser positivo para el clima, la tierra y las personas para 2030 y se suscribió a los Objetivos de Desarrollo Sostenible de la ONU como parte de nuestro impulso para lograr esto y convertirnos en el proveedor más sostenible de ingredientes innovadores en todo el mundo. |
| Entonces, en términos de los mercados a los que servimos, tenemos una especie de negocio de cuidado personal muy grande donde nos ocupamos del cuidado de la piel y del sol y |
| tipo de cuidado del cabello, cosméticos de color y ese tipo de productos tradicionales para el cuidado personal. El negocio de las ciencias de la vida, nuestros productos...nuestros |
| Los productos y la experiencia ayudan a los clientes a optimizar sus formulaciones y el uso de ingredientes activos. Quiero decir, más recientemente, en un acuerdo con Pfizer |
| para proporcionar materiales que se incluirán en su vacuna COVID-19. Nuestro negocio de productos químicos industriales, |
| eso es... esa parte del negocio es responsable de suministrar materiales técnicamente diferenciados y predominantemente sostenibles a una amplia gama de mercados. Muchos mercados no son del todo... no encajan en nada más en esta diapositiva. |
| Y finalmente tenemos nuestro negocio de tecnologías de desempeño. Esto cubre muchas, de nuevo, muchas áreas similares, |
| proporcionando respuestas de alto rendimiento en todos estos. Y luego, hoy, en particular, estamos hablando de nuestro negocio de tecnologías energéticas, y específicamente, una especie de tecnología de baterías en electrónica de alto rendimiento. |
| Entonces, donde estamos en Croda y JMP es que hemos estado usando JMP durante aproximadamente dos años y hemos tenido mucho interés internamente. Ha sido más difícil generar confianza en que estas técnicas tienen un valor real |
| a la investigación. Y para probar esto, nos hemos ido, hemos creado una serie de estudios de casos que han sido |
| bastante exitoso en general. Hemos demostrado el potencial y algunas de las trampas dentro de eso. Y luego todo eso ha llevado a un conjunto de proyectos un poco más grande, uno de los cuales es del que vamos a hablar... hablarles hoy. |
| ¿Cómo mejoramos la eficiencia de los sistemas de refrigeración eléctricos? El principal impulsor de este proyecto es |
| tipo de electrificación del transporte, por lo que son vehículos de batería. ¿Cómo se mantiene la batería correctamente? ¿Cómo se asegura de que los motores funcionen a su nivel óptimo? |
| ¿Y cómo hiciste eso sin electrocutar a nadie? |
| Así que actualmente hay un conjunto de métodos de enfriamiento para estas cosas, que nuestros clientes sin duda están buscando cómo se puede mejorar, porque cuanto mejor sea el control del enfriamiento de la batería, por ejemplo, mejor será la capacidad de la batería y más consistente será la rango será. |
| Y como, ya sabes, esto es fundamental y hay muchas aplicaciones diferentes que son muy similares, lo realmente útil para nosotros sería construir |
| una comprensión de estos fluidos, al tener algún tipo de modelo basado en datos y ahí es donde entró JMP. Entonces, ¿cómo podemos hacer eso? |
| Bueno, lo primero que vimos fue ¿cuáles son los métodos de enfriamiento actuales? Entonces, para las baterías, predominantemente son enfriadas por aire o frías en la generación anterior. |
| Y la electrónica en el automóvil, tiene el problema opuesto de la batería, pero tiende a calentarse demasiado, entonces tenemos disipadores de calor, para tratar de quitar esa energía. |
| Y en los motores eléctricos, estamos tratando de minimizar la resistencia allí, tienden a estar encamisados con fluido. |
| En estos tres casos, el método alternativo entrante de enfriamiento |
| depende del fluido, por lo que es inmersión directa para baterías y electrónica, y luego en términos de motores eléctricos, eso tiende a ser más un flujo. |
| Entonces, ¿cómo es ese líquido? Obviamente, estamos lidiando con altos voltajes, así que tenemos que tener algo que no sea eléctricamente conductor. |
| También necesita tener una conductividad de calor realmente alta, para que pueda extraer calor de los componentes electrónicos. |
| Y debido a que estos fluidos deben moverse por el sistema, la viscosidad debe ser baja. Así que tenemos una especie de restricciones físicas prácticas que han sido introducidas por la propia aplicación. |
| Si lo miras con un poco más de profundidad, |
| la capacidad de los fluidos para transferir calor se basa predominantemente en esta ecuación. Y lo que esto nos dice es que hay una parte que podemos controlar |
| por el fluido, que es el coeficiente de transferencia de calor, y luego hay una parte que está controlada por la solución de ingeniería en la aplicación de eso. ¿Cuál es el área de enfriamiento y cuáles son las temperaturas de las superficies que intenta enfriar? |
| Pero en todos los casos, para obtener una transferencia de calor eficiente, debemos tener un coeficiente de transferencia de calor alto, y como eso es lo que podemos lograr, ahí es donde buscamos. |
| Ese coeficiente de transferencia de calor se define |
| por esta ecuación de una manera simplista, hay otros términos allí, pero predominantemente, |
| es una función de la densidad, la conductividad térmica, la capacidad calorífica y luego tiene un efecto de la viscosidad del sistema. |
| Entonces, si buscamos específicamente las aplicaciones que nos interesaron, |
| si queremos optimizar nuestro fluido dieléctrico, necesitamos aumentar la densidad, aumentar la conductividad térmica y aumentar la capacidad calorífica, pero además de eso, debemos reducir la viscosidad |
| del... del fluido. |
| Y estos coinciden bastante bien con los desafíos de ingeniería que tenemos, lo cual es útil. |
| Entonces |
| a partir de eso, lo que realmente queríamos hacer era saber cuál era el objetivo. |
| Y realmente queríamos entender cuál era la relación entre la estructura y el rendimiento del producto como fluido dieléctrico. |
| Así que inicialmente procedimos de una manera bastante tradicional y comenzamos a realizar un estudio a gran escala midiendo las propiedades físicas de muchos ésteres y muchos otros materiales. |
| Y luego, cuando vimos eso y miramos eso, pensamos, bueno, en realidad, estos datos existen, así que ¿por qué no usamos estos conjuntos de datos para intentar construir algunos modelos y decir, podemos realmente entender esa propiedad física para relación estructura-rendimiento. |
| Así que ahí es donde... vamos a aparecer en JMP, así que tengan paciencia conmigo un segundo. |
| Bueno. |
| Así que lo primero que hicimos |
| fue recopilamos esa combinación de datos históricos, datos que los equipos de aplicaciones estaban obteniendo a través de pruebas dirigidas. |
| Y una vez que tenemos eso en un solo lugar, examinamos eso en JMP para decir que está ahí... para entender, hay una relación, pero en un nivel realmente simple entre las propiedades físicas que estamos midiendo. |
| Entonces, si observamos ese conjunto de datos, el primer puerto de escala para mí, como siempre, es la plataforma de distribución en JMP. |
| Y es una manera realmente fácil de ver si algo que deseas tiene algún tipo de patrón vago en algún otro lugar. Entonces, si yo, en este caso, si dices, oh, queremos todo lo que tenga una alta conductividad térmica, lo que vemos son las propiedades que se extienden bastante a lo largo |
| el otro... las otras propiedades que hemos medido. Así que en realidad no dice, oh, hay una relación brillante, lo que necesitas es esto, que es más o menos lo que esperábamos. Pero es bueno tener un cheque. |
| De manera similar, si luego trazamos todo como |
| diagramas de dispersión, lo que vemos es mucho ruido. Quiero decir, estas líneas de ajuste están ahí como referencia para mostrar que realmente no hay ningún ajuste. |
| De ninguna manera estoy reclamando su correlación en estos. |
| Y todo eso fue decepcionante, que no hay una respuesta obvia |
| era de esperarse. |
| Lo que se puso interesante para nosotros es que dijimos, bueno, esperábamos que no hubiera una clara... |
| una relación clara entre cualquiera de estos factores, porque si la hubiera, habría sido obvio para los científicos experimentados que hacían el trabajo, y lo habríamos sabido. |
| Entonces, dijimos, bueno, lo que sí sabemos es que todas estas propiedades tienen |
| una comprensión... una relación con su estructura. |
| ¿Qué sucede si calculamos algunos parámetros físicos para estas cosas y los combinamos con una serie de identificadores estructurales y formas de ver estas moléculas? ¿Qué sucede si tomamos eso y agregamos esos datos a los datos de prueba? |
| ¿Sabes, podemos entonces construir algún tipo de modelo? |
| Esto comienza siendo capaz de estimar la estructura y el rendimiento, así que eso es exactamente lo que hicimos. |
| Ya sabes, en este caso, |
| lo que vemos |
| es eso, |
| de nuevo, si usamos la plataforma multivariante, solo como un vistazo rápido para ver si hay alguna correlación |
| en algunos de estos factores, |
| este |
| clara diferenciación en algunos casos, entre arriba y abajo, y tal vez algunos pequeños indicios de correlación, pero nada claro que diga, esto es lo único que necesita. Una vez más, esto es lo que esperábamos. |
| Entonces, lo que hicimos |
| ¿Usamos las plataformas de regresión en JMP? |
| para tratar de entender |
| si podríamos construir un modelo, y qué |
| parece la relación. Entonces, para hacer esto, seleccionamos aleatoriamente una cantidad de filas para la selección de filas |
| herramienta en JMP. En general, sacar cinco muestras al azar, que no iban a participar en el modelo, entonces es un modelo relativamente construido. |
| y los refinó de esa manera, por lo que siempre teníamos un conjunto de validación de los datos iniciales, solo para... solo para verificar que lo que estábamos haciendo tenía alguna posibilidad de éxito. |
| Entonces, si solo miramos los modelos de 80 grados, el primer modelo al que llegamos |
| era este |
| Claramente, como podemos ver, hay una serie de factores que se incluyeron en este modelo que no tienen sentido desde un punto de vista estadístico, porque simplemente se sobreajustan y simplemente no son significativos. |
| Sin embargo, estos son bastante importantes en términos de describir las moléculas que están allí, así que, como químico, creamos este modelo. Así que este es un modelo que permite, ya sabes, moléculas, si quieres, diseñarlas para esta aplicación, |
| aunque sabemos que está sobreajustado. Y sabemos que |
| no es... en realidad no es un modelo válido porque estos términos solo elevan la R al cuadrado. |
| Nosotros también |
| construyó el modelo sin esos términos. |
| Este es un modelo mucho mejor en términos de estimación del rendimiento de estas cosas, el R cuadrado es un poco más bajo, |
| pero todos los términos que están allí tienen un impacto significativo |
| sobre el rendimiento |
| La desventaja de este modelo es que realmente no nos ayuda a diseñar |
| cualquier nueva química. |
| Pero, en ambos casos, cuando miramos |
| los valores predichos contra los valores medidos reales, vemos una correlación razonable entre ellos. Ciertamente, cuando esperamos que las cosas sean altas, lo son. |
| Eso nos dio cierta confianza de que este modelo realmente podría funcionar para nosotros. |
| En términos y... luego en términos de cuando miramos qué tan bueno podría ser esto, simplemente miramos cuál es la diferencia porcentual entre |
| el valor medido y el valor real. Y lo que vemos es que están casi universalmente dentro del 10%, predominantemente dentro del 5% para cualquiera de los modelos. |
| Una vez más, a través de una gama de diferentes tipos de material, esto nos dio la confianza de que lo que estábamos... lo que estábamos viendo podría ser un efecto real. |
| Todo lo cual es muy agradable, |
| ¿Es esto solo un efecto de los datos que hemos medido? |
| Entonces, lo que hicimos fue que usamos la plataforma de creación de perfiles en JMP, producimos un modelo compartible que podíamos enviar al equipo del proyecto, y esencialmente establecimos una competencia y dijimos, mira, quien pueda encontrar el más alto... |
| la conductividad térmica más alta en este modelo de una molécula que realmente se podría hacer, |
| gana |
| Ya sabes, a partir de eso teníamos una lista de unos 14 materiales que parecían prometedores. Tuvimos que eliminar algunos porque era imposible obtener materias primas, por lo que terminamos con unos nueve materiales nuevos que se sintetizaron y probaron. Ahora bien, estos materiales eran casi exclusivamente |
| hecho de materiales que el modelo realmente no había visto antes, ya sabes. En algunos casos, parte de la molécula sería la misma, pero eran bastante distintas de los materiales originales. |
| Así que una vez que los hicimos y, una vez probados, los volvimos a colocar en el modelo. |
| y para ver, solo para ver cómo era el poder predictivo de este modelo. |
| Entonces, si echamos un vistazo a esos datos, creo que, dadas las diferencias de estos materiales, estaba completamente esperando |
| este... |
| esto para romper el modelo. |
| Sin embargo, cuando nosotros... |
| si volvemos a mirar las predicciones, |
| lo que vemos es que los azules resaltados son los nuevos materiales que se fabricaron. Sabes, elegimos deliberadamente un par que eran más bajos solo por curiosidad, solo para verificar. Y todos los que elegimos que pensamos que serían altos eran altos. |
| Entonces, en el modelo sobreajustado que tenía valor desde el punto de vista del diseño de una estructura, lo que vemos es un valor atípico. En el... en el modelo que era estadísticamente razonable, en realidad vemos un ajuste mucho mejor en general. |
| y eso fue |
| edificante, que podemos comenzar a ser capaces de no, más o menos, diseñar una sola molécula y decir, oh, aquí tienes, fuera de ti... fuera de ti pop; aquí está lo único que necesitas hacer. Pero sin duda ser capaz de dirigir a los químicos sintéticos hacia los tipos de materiales correctos para impulsar realmente los proyectos. |
| Entonces, si nos fijamos de nuevo en estos residuos, lo que vemos es para el |
| ya sabes, para el modelo estadísticamente bueno sin sobreajuste, lo que vimos fue que todo estaba dentro del 10 % de todos los materiales nuevos, |
| lo cual, para lo que estábamos tratando de lograr, era lo suficientemente bueno. Hay algunos en el modelo de sobreajuste que estaban un poco por debajo del 10% pero, nuevamente, esto es lo que esperaría ver. |
| Y es, ya sabes, fue bueno que todos estuvieran en el rango correcto, porque muestra que este enfoque estaba teniendo valor, pero también fue bastante encontrar que no todos estaban exactamente en el lugar correcto, porque yo Piense, si hubiéramos producido nueve materiales y todos hubieran estado dentro del 1%, |
| No estoy seguro de que la gente hubiera creído eso tampoco. |
| Entonces |
| el hecho es que estábamos obteniendo algo similar... |
| un nivel similar de diferencia a las predicciones de los materiales con los que comenzamos y los nuevos materiales que hicimos. Entonces comenzamos a tener cierta confianza real en este modelo. |
| Y luego, si volvemos a |
| las diapositivas un segundo. |
| Entonces, ¿qué podemos decir entonces? |
| es que la relación estructura-rendimiento de estos materiales |
| ha sido creado en JMP utilizando las plataformas de regresión. |
| Usamos las herramientas de visualización en JMP para poder ver que hay beneficios reales al hacer esto, y que el modelo en sí se usa para dirigir este énfasis de nuevos materiales en este proyecto. Se está utilizando para seleccionar materiales probables para probar a partir de cosas que ya fabricamos. |
| Y es, ya sabes, hay una correlación aceptable en los resultados entre el modelo y las nuevas moléculas que estamos haciendo, |
| todo lo cual le ha dado confianza real a este enfoque, y realmente nos ha permitido impulsar este proyecto más allá y dividirlo en materiales objetivo específicos. |
| Entonces, en términos de nuevas moléculas, |
| hemos dirigido este énfasis de moléculas con mayor conductividad térmica. Entonces, como pueden ver en este gráfico, todas las moléculas nuevas tienen un rango medio a alto de conductividad térmica, que es más o menos lo que queríamos lograr con ellas. |
| Demostramos que podíamos apuntar a una mejora, usando datos y luego verificar eso en el laboratorio y hacerlo. |
| Donde este proyecto se vuelve aún más difícil es que ahora estamos tratando de construir modelos similares para todos los demás factores. |
| que influyen en el rendimiento de estos fluidos dieléctricos, y luego intentaremos equilibrar esos modelos entre sí para encontrar los mejores resultados. |
| Entonces, todo ese desarrollo adicional está en curso, pero ese impulso se debe únicamente a la facilidad de uso de JMP y las plataformas que contiene para tomar un conjunto de datos. |
| y con un poco de conocimiento del dominio, realmente empuje eso hacia adelante y diga, sí, aquí hay un modelo que ayudará a dirigir este énfasis para este proyecto y proyectos posteriores en esta área para Croda. |
| Entonces, solo para concluir, los datos que hemos obtenido de las pruebas se han utilizado para modelar con éxito el rendimiento de estos materiales. No es absolutamente perfecto, pero es lo suficientemente bueno para lo que queremos. |
| El modelo... |
| el modelo demuestra |
| que hay un rendimiento de estructura una relación de ésteres (lo siento, no estoy seguro de por qué mi barra de tareas está saltando). El modelo se ha utilizado para predecir materiales de alta conductividad térmica. |
| Esas predicciones luego se verifican inicialmente solo por exclusión y luego lateralmente haciendo nuevos materiales, y mostrando realmente que este modelo es válido para ese tipo de química. |
| También se ha demostrado la posibilidad de adaptar las propiedades de, |
| en este caso, dieléctricos pero otros materiales, si construyes modelos similares, para que puedas empezar a poder crear materiales específicos para aplicaciones específicas. |
| Y creo que lo más importante para mí, |
| el verdadero éxito de este trabajo ha generado un impulso interno para demostrar que JMP no es bueno tenerlo, es una... es una plataforma real para desarrollar investigaciones, para mirar muy rápidamente los conjuntos de datos y decir, ¿hay algo ahí? ? |
| Y con eso, |
| Solo quiero decir gracias por mirar. Obviamente no puedo responder a ninguna pregunta sobre una grabación, pero si quieres ponerte en contacto, no dudes en comentar en la Comunidad. Sí, muchas gracias. |
