前回の Discovery Summit では、限られた #runs でプロセス モデリングに SVEM を使用することに成功した素晴らしいプレゼンテーションがありました。これは、17 ラン DSD から始まる 6 因子 RSM の構築にも機能しますか?別のプレゼンテーションでは、この 6 要素 RSM に対して 31 回の実行 OMARS が提案されましたが、SVEM は良い代替手段でしょうか?
こんにちはフィル、ご意見ありがとうございます! 現在、DOE にはかなりの選択肢があり、実際、あなたが主張するように、過去に適切な分数古典計画を選択したのと同様に、適切な選択を行うには多くの基準に依存します。 経験豊富なユーザーはすぐに適切な選択を行うことができますが、経験の浅いユーザーにとっては、クラシック - DSD - OMARS - SVEM - 最適化などのカテゴリー間で選択するのは簡単ではありません。 正しい選択への方向性を示すためのフローチャートがあれば素晴らしいと思いますし、次回のサミットで提示するトピックになるかもしれませんが、どう思いますか?
こんにちは、フランクさん
6 因子 RSM モデルを推定するために、SVEM でモデル化された 17 実行 DSD が 31 実行 OMARS の良い代替となるかどうかを尋ねていると思います。
31 ランのデザインからより多くの情報が得られると断言できます。SVEM は非常に便利です。 しかし、それは魔法ではありません。 SVEM を実行するか SVEM を実行しない場合でも、実行を増やすと常により多くの情報が得られます。
確かに、6 因子、17 ラン DSD 上の 6 因子 RSM モデルで SVEM を使用できます。 そしてそれによってあなたの目標を達成できるかもしれません。
あなたのケースに 31 回の実行 OMARS が必要なのか、それとも 17 回の実行の設計で目的に十分なモデルが得られるのか、私にはわかりません。 それは他の多くのことに依存しすぎます。 これらの多くは知られていないでしょう。
6 因子 RSM モデルには 28 個のパラメータがあることに注意してください (おそらく!)。 実行回数が 17 回であると見積もるにはかなりの量です。 モデルがどの程度優れているかは、そのケースで効果の希薄性がどの程度当てはまるかによって決まります。
そして、6 因子、17 破砕 DSD (および 31 回実行の OMARS) の二次効果の間には相関関係があります。 そのため、これらの効果の推定精度が制限されてしまいます。
読むことをお勧めしますLemkusらによる論文SVEM、その利点、制限を本当に理解したい場合は、
また、SVEM が興味深いからといって、シーケンシャル DOE のアイデアを捨てないことをお勧めします。 17 ランの DSD を実行できます。 SVEM やその他のアプローチを使用してモデル化します。 それで必要なものが得られるなら、それは素晴らしいことです。 必要なものが得られない場合は、増強してください。
それが役立つことを願っています、
フィル
