Gracias tú para mirando este Presentación para té Europa Descubrimiento Cumbre Conferencia en línea. Mi nombre es Damián Perret. I un hombre I+D científico en CEA en Francia. I soy con francisco Bergeret té estadístico y té fundador de ippon Innovación en Francia. Con francois, nosotros son muy feliz a ser aquí hoy y nosotros haría como a gracias té direccion comité OMS relleno a nosotros té oportunidad a hablar acerca de este trabajar cual es acerca de innovador enfoques usando JMP.
Nosotros voluntad dar tú dos caja estudios. francisco voluntad aquí té primero caja y I voluntad aquí té segundo caja. Justo comenzar con tiene pocos palabras acerca de CEA. CEA es tiene Inglés gobierno organización para investigación, desarrollo, y innovación en horno áreas; bajo carbón energías, tecnológico investigación, fundamental investigación, y defensa y seguridad. Té CEA cuenta acerca de 20.000 gente y nosotros son situado nosotros nueve diferente Sitio (s) en Francia. Nosotros tener fuerte relaciones con té académico mundo y muchos colaboraciones con universidades y socios, ambos en Francia y todo alrededor té mundo.
Algunos palabras acerca de ippon Innovación. De carrera, nosotros son tiene menor compañía comparado a té CEA. Él era creado 15 años atrás. Nosotros son basado en té Sur de Francia, Tolosa. Nosotros son tiene equipo de estadístico, solo estadísticos con habilidad en industrial Estadísticas, ejemplo, proceso estadístico, medición sistema análisis, y de carrera, máquina aprendiendo y entonces nosotros.
Soy tiene JMP usuario desde 1995, entonces tiene largo tiempo atrás. I comenzó con JMP 3. De carrera, ippon es JMP Pareja porque nosotros usado tiene lote de JMP. Para ejemplo, para producir mejoramiento, nosotros tener tiene herramienta llamado yeti, automático producir mejoramiento en complejo fabricación sistemas. Nosotros también desarrollado solución basado nosotros tiene cliente pedido, qué nosotros llamar software nosotros pedido, para ejemplo, tiene lleno solución para parte aislada detección oro Estadísticas proceso control.
Usando JMP y GSL, nosotros tener varios GSL experto aquí, incluido carole alma, cual es co- autor de este hablar hoy. Nosotros también tener tiene clásico consultante y capacitación experticia basado nosotros JMP nosotros industrial Estadísticas. Té encantado de té Presentación hoy, nosotros voluntad aquí dos real caja estudios con Damián. Té primero uno es basado nosotros simulación y tiene computadora diseño de experimento, y té segundo uno voluntad ser presentado por Damián nosotros tiene máquina aprendiendo herramienta para predicción.
I voluntad aquí té caja estudiar número 1 basado nosotros mezcla. Él es bueno. Tú poder ir nosotros té próximo deslizar. Té contexto es tiene riesgo evaluación y tiene oportunidad cálculo. A explicar él tiene pequeño poco, mezcla diseño de experimento era creado por té CEA a evaluar té rendimiento de tiene material para nuclear desperdiciar. Té acondicionamiento es hecho con sales en tiene matriz. Té rendimiento es determinado por tiene límite nosotros té energía. Té energía tiene a ser más alto que té límite.
Él es no entonces fácil a estimar té oportunidad a ser abajo este límite. Nosotros voluntad gastado todo té herramientas y todo té datos eso nosotros tener a hacer este tarea. De carrera, té oportunidad tiene a ser as pequeño as posible. Damián, té CEA experto, voluntad evaluar si este oportunidad es bueno. Ahora, qué metodología nosotros gastado a estimar este el peor caja ¿oportunidad?
Primero de todo, basado nosotros té datos de té mezcla diseño de experimento, nosotros tener estimado varios modelos. Básicamente, alguno clásico lineal modelos, también clasificación y decisión árboles, y también neural redes son té mano modelos usado. Para cada modelo, nosotros tener hecho tres análisis.
Primero, té Montado Calamardo simulación nosotros té factores, entonces clásico aleatorio simulación con Montado Calamardo. También, qué nosotros llamar espacio relleno diseño, tiene computadora diseño con JMP, dónde nosotros intentar a explorar té diseño espacio objetivo por computadora simulaciones, agregando tiene ruido nosotros té respuesta.respuesta. Este es hecho con JMP Pro. Último cosa nosotros hizo es tiene mezcla de Montado Calamardo y espacio relleno diseño. Nosotros voluntad detalle este, objetivo este es muy útil as nosotros desear a estimar tiene el peor caja probabilidad. Nosotros poder ir a próximo deslizar.
Caja estudiar número 1, clásico JMP simulación para té mezcla GAMA. Primero de todo, nosotros tener a seleccionar té mejor modelo. Antes haciendo la simulación, nosotros necesidad a encontrar té mejor modelo. Allá es tiene muy lindo característica en JMP Pro, cual es llamado modelo comparación. Muy rápidamente, tú poder comparado té modelos basado nosotros criterios, RS cuatro de oro té AISC. Nosotros tener hecho este y I voluntad hacer té manifestación bien ahora. I compartir mi pantalla ahora. I tener a compartir mi pantalla. Nosotros tener a gastado JMP. Aquí, I abierto té datos colocar. Este es tiene datos colocar de mezcla diseño de experimento. Allá es ocho factores, X 1- X8, y té respuesta es té energía.
A espectáculo tú año ejemplo de té modelo eso nosotros hizo, nosotros llevar a cabo aquí, para ejemplo, tiene profético modelado neural red. Té respuesta es té energía. Té X factores son aquí. Nosotros hacer clic aquí. Para información, nosotros decidido aquí no a dividir té lleno muestra en aprendiendo muestras, validación muestras, prueba muestras, porque datos son de diseño de experimentos, entonces nosotros tener no tiene lote de datos. Treinta y uno experimento máximo aquí.
Nosotros gastado tiene KFold validación a ahorrar muestras, I haría decir. TIENE muy sencillo neural neto aquí, uno capa, y nosotros hacer clic nosotros Ir. Allá es abandonar tiene bien modelo con tiene correcto, vamos decir, RS cuatro para eso. Cómo es laboral té comparación de té modelo en JMP? Tú necesidad a ahorrar té predicción fórmula. Tú hacer clic nosotros té lugar y I ahorrar té fórmula. Haciendo este, tú tener fórmulas aquí de té neural neto con oculto capas. Tú ver té fórmula, hiperbólico tangente aquí de té lineal vaticinador. segundo norte euro aquí de té oculto capas, otro fórmula, y entonces nosotros. En té fin, para té neural neto, té final fórmula para té predicción es tiene lineal combinación de té oculto neuronas. I mantener este fórmula para té momento, y Soy yendo a hacer té mismo con tiene lineal modelo.
Té lineal modelo era salvado aquí a ahorrar tiempo. Nosotros decidido a tener tiene lineal modelo. Para mezcla diseño, nosotros tener alguno cruz efecto aquí y tiene lineal modelo. De carrera, nosotros necesidad a limpio té modelo. Nosotros necesidad a eliminar qué es no significativo aquí y entonces nosotros. Cuando té trabajo es entonces, nosotros también tener a ahorrar té fórmula. I salvado qué I llamar té predicción fórmula. Aquí, onza de nuevo, en té JMP mesa en algún lugar, tú voluntad tener té predicción fórmula para té energía, común el menos cuadrado. Tú tener tiene clásico lineal fórmula para té lineal modelo.
A resumir, aquí I tener dos modelos, neural red y común el menos cuadrado, y I tener tiene fórmula para té dos modelos. Entonces con tesis fórmulas, I ir a Análisis, Profético Modelado, y Modelo Comparación. Este es té lindo JMP plataforma para máquina aprendiendo. Aquí qué tú tener a ingresar es justo té fórmula de té vaticinador. Aquí, para té ejemplo, I justo ingresar dos fórmula, común el menos cuadrado y red neuronal, y eso es todo. Tú justo hacer clic Bueno. Aquí tú tener tiene comparación modelo con alguno criterios y tú seleccionar té mejor modelo h tiempo. Primero de todo, I agregar ruido en té datos, entonces RS cuatro son no entonces bien.
En suma, nosotros poder comparado té ambos modelo. En eso caja, para té el peor caja análisis, nosotros decidido decidido a llevar a cabo té simulación ambos nosotros lineal modelo y también nosotros neural neto. Ahora, nosotros son yendo a hacer eso trabajar. l Y a mí espectáculo tú qué nosotros hizo. Tal vez Soy yendo a compartir este deslizar, Damián, porque I necesidad a espectáculo algo aquí. Él voluntad ser más fácil con mi ORDENADOR PERSONAL. Entonces el vivir manifestación es hecho.Aquí Soy yendo a gastado tiene Montado Calamardo simulación. Muy fácil con tiene JMP predicción perfil.
Primero de todo, este es mi primero manifestación. Después eso, I voluntad hacer té mezcla diseño de experimento espacio relleno diseño. I tener a decir eso ambos para Montado Calamardo y también para espacio relleno diseño, nosotros tener alguno mezcla restricciones. Él medio eso té suma de té componente tiene a ser igual a uno. Es no tiene real espacio relleno diseño. Es no tiene real Montado Calamardo porque tú tener este constreñido. j diputado tiene tiene elegante algoritmo, iterativo algoritmo a llevar en cuenta té restricciones. Nosotros son yendo a simulador Montado Calamardo con té primero factores y entonces con té segundo factores tomando en cuenta té primero uno y entonces nosotros.
En té fin, I voluntad aquí té lleno simulación con ambos Montado Calamardo y espacio relleno diseño. Este es nuevo porque qué nosotros tener hecho es para cada correr de té espacio relleno diseño, nosotros tener hecho 1.000 Montado Calamardo simulaciones. Es en realidad tiene el peor caja aquí, objetivo él era té objetivo para té CEA a tener té el peor caja. Gracias a este, nosotros voluntad conseguir tiene en realidad bien estimar de té el peor caja probabilidad.
Ahora, dejar a mí saltar a té manifestación. Primero de todo, Montado Calamardo. Aquí I tener té resultado para té Montado Calamardo. No, Lo siento, es no té bien uno. Aquí él es. vamos gastado té neural red. Aquí, para té red neuronal, tú poder preguntar para té perfil. Tejo tú preguntar para té perfil, aquí tú poder preguntar té simulador. I voluntad al azar mover té factores. Objetivo qué es importante aquí, Soy preguntando para uniforme distribución porque es más clásico para mezcla diseño. Aquí, Soy yendo a simulador aleatorio datos para té factor X1 , objetivo entre este valor y este valor porque allá es tiene constreñido aquí. I continúa con té segundo factor con uniforme simulación entre este valor y este valor, y entonces nosotros.
A ahorrar tiempo, I voluntad automáticamente correr té simulación aquí. Aquí él es. Lo siento, I cuyo tener té bien datos colocar. Lo siento acerca de eso. W. aquí él es. Modelo comparación y simulación. Aquí él es. Bueno, aquí él es, Montado Calamardo simulación. A ahorrar tiempo, Enfermo espectáculo tú directamente té resultado con tiene aleatorio simulación con tiene mezcla constreñido.
W. mi tener hecho este Montado Calamardo simulación y nosotros tener este resultado nosotros té energía. Qué es lindo también es eso tú poder poner té resultado en tiene mesa. Este es té resultado, 10.000 Montado Calamardo simulación. Para cada simulación y con té modelo, tú tener té energía. Ahora, a calcular té oportunidad a ser más bajo que té Especificaciones límite, nosotros justo tener a hacer tiene distribución de té simulado energía. Este es tiene distribución, no exactamente gaussiano, más cerca a tiene La plaza distribución. Objetivo de todos modos, él no es asunto. Nosotros voluntad hacer té proceso capacidad y té Especificaciones dado por té CEA es menos 100. I justo hacer clic nosotros este y nosotros tener qué nosotros llamar té capacidad análisis, en general capacidad. ppk es abandonar bien, más alto que 1.3 . Aquí, té esperado porcentaje de afuera de Especificaciones es muy bajo porque este número es claramente muy bajo.
Nosotros poder tener tiene mirar en tiene científico clasificación. Nosotros son en tiene muy pequeño oportunidad y claramente él era aceptable para té [inaudible 00:15:13] . En este tiempo, basado nosotros neural red modelo, basado nosotros Montado Calamardo simulación, nosotros tener estimado té primero oportunidad a ser afuera de especificación y este oportunidad es aquí. Próximo paso. Qué nosotros tener hecho aquí es eso nosotros son yendo atrás aquí. Lo siento, I cuyo cerca este. I cuyo cerca este. Soy yendo aquí a hacer otro simulación con qué nosotros llamar tiene simulación experimento. Simulación experimento es también llamado a veces tiene espacio relleno experimento. Tú intentar a explorar té diseño espacio.
Aquí, nosotros tener a recordar eso allá es tiene mezcla constreñido, entonces nosotros voluntad no explorar, de carrera, tiene lleno diseño espacio, objetivo nosotros voluntad explorar tiene ir de té diseño espacio aquí. Aquí es tiene resultado, 128 computadora carreras con té simulación datos. Nosotros poder tener tiene mirar en té resultado de té simulación. Tejo nosotros hacer tiene gráfico de dispersión matriz nosotros té simulado experimento nosotros té factores, aquí es té exploración de té factor con tiene mezcla constreñido. Con este, onza de nuevo, nosotros tener simulado energía objetivo aquí, es no Montado Calamardo simulación, es tiene computadora simulación experimento.
Mismo trabajo, nosotros poder poner té energía aquí. W. aquí es té simulado ¿energía? Aquí él es. Onza de nuevo, apenas normalmente repartido. Aquí Soy yendo a calcular, onza de nuevo, té proceso capacidad con tiene Especificaciones menos 100. Aquí él es. Aquí I debería tener té proceso capacidad cual es bien. Onza de nuevo, tú tener tiene oportunidad a ser afuera de té Especificaciones, cual es cerca a 7 por 1.000. Él es también aceptable as tiene resultado. Objetivo tú poder ver eso en eso caja, té oportunidad es más alto que té anterior uno porque té cálculo era diferente y porque él era tiene simulación experimento explorador té espacio y es diferente de Montado Calamardo simulación.
Último cosa eso nosotros hizo, y Soy yendo a abierto té d ata archivo. Aquí él es, Simulado Montado Calamardo. Aquí él es. No té bien uno, Lo siento. I tener tiene lote de cosas abierto. Aquí él es. Qué es este ¿archivo? Qué nosotros hizo aquí. Nosotros hizo ambos tiene espacio relleno diseño y para cada correr de té espacio relleno diseño, nosotros tener hecho 1.000 Montado Calamardo simulaciones. Té total número de puntos aquí es 128.000 líneas. ambos Montado Calamardo y también tiene computadora diseño de experimento.
Aquí nosotros tener en realidad tiene bien datos colocar con todo té potencial variaciones. Alguno son forzado por té diseño de experimento, otros son claramente aleatorio con té Montado Calamardo. Aquí, onza de nuevo, nosotros son yendo a estimar té probabilidad. Tú tener té lindo distribución de té energía. Entonces nosotros voluntad onza de nuevo, calcular té oportunidad a ser afuera de Especificaciones. Entrando té Especificaciones aquí, aquí él es. Aquí nosotros tener tiene oportunidad a ser afuera de Especificaciones, cual es cerca a 1 por 1.000. Onza de nuevo, él era abandonar tiene bien resultado aquí. Este resultado es abandonar innovador. Aquí, justo para información, nosotros tenía a crear tiene pequeño JMP guion aquí a hacer este, a mezcla té computadora diseño y té Montado Calamardo simulación. Allá es tiene pequeño GSL codificado para eso. Eso es todo para mi ir. Damián, tal vez tú poder ir. I interrumpido té intercambio.
Bueno.Este es ahora té caja estudiar número 2. Para este estudiar, nosotros tener desarrollado tiene costumbre herramienta para profético solicitud. Té objetivo aquí era a crear tiene herramienta incluido Estadísticas modelos en JMP Pro en orden a predecir tiene específico propiedad cual es té vaso viscoso ciudad as tiene función de composición y temperatura. A hacer eso, experimental datos son próximo de ambos comercial base de datos y de nuestro propio base de datos en CEA . TIENE s nosotros voluntad ver, té originalidad de té acercarse llega de té metodología para datos sub muestreo.
Nosotros buscado té algoritmos a ser codificado en GSL y implementado en JMP Pro. Té respuesta de té modelo es té vaso viscosidad, de carrera, y té factores son té peso por ciento de té vaso componentes. Aquí son alguno fondo información. Tú tener a saber eso vaso material es tiene No- cristalino sólido y él es obtenido por tiene rápido aplacar de tiene vaso derretir. De tiene material punto de vista, vaso es tiene mezcla de diferente óxidos.
Té número de óxidos es variable de dos oro tres en tiene muy sencillo vaso a acerca de 30 y incluso más en té mayoría complejo composiciones. t aquí es tiene largo tradición en té cálculo de vaso propiedades, y nosotros pensar eso té primero modelos eran creado en Alemania en té fin de té 19 siglo.Desde entonces, té cantidad de publicado literatura en té campo de vaso propiedad predicción tiene aumentó tiene lote. Entonces eso hoy, nosotros tener tiene enorme cantidad de vaso datos disponible en comercial base de datos.base de datos.
Varios desafíos permanecer para té predicción de té vaso v iscosidad porque té vaso v iscosidad es tiene propiedad eso es muy difícil a predecir.predecir. Primero, v iscosidad tiene tiene enorme ordenado de variación arriba a cierto pedidos de magnitud. TIENE también, v iscosidad es muy dependiente nosotros físico y mecanismos químicos eso poder ocurre en té vaso derretir, dependiente nosotros té vaso composición, como rápido separación oro cristalización, para ejemplo.
Aquí es justo tiene bermudas ejemplo eso muestra este dificultad. Nosotros tener seleccionado tres composiciones de qué nosotros llamar SBN vaso, cual es muy sencillo vaso con solo 3 óxidos. W. mi aplicado té mejor conocido modelos de té literatura a calcular té viscoso ciudad. t gallina nosotros comparado té predicho valores con té experimental valor nosotros tener Medido con nuestro propio dispositivo.Tú poder ver eso incluso para tiene muy sencillo vaso, él es no fácil a obtener uno confiable valor para té predicho v iscosidad. Aquí es tiene bien imagen nosotros como a gastado a dar tiene vista de té base de datos dónde cada dote es uno vaso en tiene multi dimensional vista de té dominio de composiciones.
Datos puede venir de diferente aislado estudios, oro nosotros poder tener datos próximo de estudios usando experimental diseño, oro datos obtenido de paramétrico estudios con variación de uno componente en tiene tiempo. W. mi gastado tiene lote de tiempo en té pasado a aplicar diferente método de máquina aprendiendo. TIENE clásico acercarse era usado para fraccionamiento té datos en tiene capacitación colocar y tiene validación colocar. Objetivo en té fin, No Estadísticas modelo con aceptable profético capacidad era encontró a predecir té v iscosidad. t sombreros por qué nosotros tener decidido a gastado tiene diferente acercarse.
En cambio de usando todo té datos, nosotros pensar él es mejor a crear tiene modelo por usando datos cerca a té composición dónde nosotros desear a predecir té v iscosidad. Entonces para ejemplo, si nosotros desear a predecir aquí, uno modelo voluntad ser creado de té datos nosotros tener en este área, y tiene diferente modelo voluntad ser creado si nosotros desear a predecir té propiedad aquí, para ejemplo. t sombreros por qué nosotros decir eso este técnico es dinámica porque té modelo depende nosotros té composición y él es relacionado y equipado dónde nosotros desear a predecir.predecir. W. mi decir eso té modelo es automático porque nosotros cuyo tener a hacer este a mano.
Cada paso es hecho por tiene algoritmo implementado en té herramienta. oh nacido de té mayoría importante punto es ciertamente té determinación de té óptimo datos colocar a crear té modelo. F oro eso, nosotros tener implementado dos métodos de sub muestreo. En té primero métodos, tiene teórico oro virtual diseño de experimento es generado alrededor té composición de intereses. Entonces cada correr de té diseño es reemplazado por té mayoría similar experimental datos aquí en té base de datos, principal a té final capacitación datos colocar.
En té segundo métodos, nosotros tener implementado en té herramienta.Th es es basado nosotros diferente tamaño de datos conjuntos creado alrededor té composición de interés. TIENE pequeño datos colocar es generado por té herramienta y modelo son creado nosotros este pequeño subconjunto a predecir té viscoso ciudad. t gallina más grande y más grande datos conjuntos son generado automáticamente y té óptimo tamaño es evaluado por varios Estadísticas criterios asociado a cada subconjuntos.
Finalmente, té construcción de té modelos es basado nosotros tres diferente algoritmos implementado en té herramienta. Primero es tiene polinomio modelo obtenido por tiene multi- lineal regresión. Segundo es tiene genero modelo y neural neto modelo. TIENE t té fin, nosotros tener seis diferente calculado valores cual marcas té predicción muy robusto.
vamos ir a JMP a ver cómo él obras. l Y a mí primero espectáculo tú té codificado. t Ey guion, as tú poder ver, es abandonar largo, acerca de 700 filas, cual es una renuncia complicado GSL codificado. Té primero cosa tú tener a hacer es a ingresar té composición de té vaso tú desear a predecir té viscosidad. t oh hacer eso, tú poder gastado año interfaz nosotros tener creado.creado. Tú justo tener a seleccionar té óxido entrando té composición. F oro cada óxido, tú justo tener a ingresar té peso por ciento. Oro si tú desear, tú poder directamente ingresar té composición en té guion, cual es tiene pequeño poco más rápido, I haría decir.
Entonces tú lanzamiento té guion. I no lo hará hacer eso ahora porque él acepta acerca de uno oro dos minutos. Es no muy largo. Objetivo para este manifestación, I tener ya correr té guion. Dejar a mí espectáculo tú té resultados. En té fin de té cálculo, tú tener este ventana dónde tú poder conseguir tiene Estadísticas aplazamiento. Muy interesante. Primero, aquí tú tener té composición tú tener ingresó, es justo tiene recordatorio. W. mi tener té grafico demostración té predicho valor. oh no té Y eje, nosotros tener té predicho valores de té viscosidad calculado por té tres algoritmo y para té dos métodos.
Nosotros té X eje, nosotros tener té número de ampliación para té segundo método I tener descrito. I no rojo, cual es té mayoría importante valor, I haría decir, es té promedio de todo té diferente predicciones I t es té mejor predicción, I haría decir, de té vaso viscosidad . I F nosotros necesidad a tener más Estadísticas detalles, nosotros tener tiene lote de información en este aplazamiento a estudiar té calidad de cada modelo. Para ejemplo, nosotros poder controlar té valores de té PRENSA Estadísticas para té multi- lineal BIC F modelo.
Para ejemplo, aquí nosotros poder ver eso té PRENSA valores decir a nosotros eso té predicción usando té método número 1 es tiene pequeño poco mejor que para té segundo método. W. mi también ver eso té modelo degradación con té ampliación de té capacitación colocar. Nosotros poder también controlar té RS cuatro valores para té dos diferente método y para té diferente algoritmo, y nosotros poder comparado a ellos. W. mi poder tener incluso más detalles nosotros té diseño de experimentos eso eran creado y todo té fórmula de predicción. t su es tiene lote de información, objetivo allá es té mayoría importante ir aquí, cual es té predicho valor de té viscosidad.
vamos ir atrás a té PowerPoint. t su es té resultado obtenido para té sencillo SBN vaso, cual es, as I dicho más temprano, tiene sencillo vaso con solo 3 óxidos. Objetivo nosotros tener calculado té viscoso ciudad para tres diferente composición de SBN vaso. W. mi comparado té resultados obtenido de nuestro herramienta aquí con té resultados de té modelos disponible en té literatura. En término de té relativo error de predicción, él tiene a ser as bajo as posible. W. mi poder ver eso té mejor resultados de predicción son obtenido con nuestro herramienta, cual es en realidad excelente.
h tiempo, nosotros tener té resultados obtenido nosotros más complejo anteojos. t Ey herramienta profético capacidad era evaluado por extrayendo 230 filas de té en general base de datos.base de datos. En este mesa, nosotros tener té relativo error de té viscoso ciudad predicción para diferente amable de vaso y para té en general subconjunto de datos. Tres cuantiles son dado, té mediana, significado eso 50 % de té predicho valores tener tiene relativo error eso es abajo té valor indicado aquí. W. mi también dar té 75 % y té 90 % cuantiles. W. gallina nosotros hablar acerca de vaso v iscosidad, tradicionalmente, nosotros considerar eso té profético error, alrededor 30 % es muy bien.
W. mi ver eso para té mayoría de té datos, té modelo capacidad es bien y nosotros eran muy feliz con té resultados nosotros obtenido. Aquí son alguno muy importante llave parámetros.parámetros. Él es muy importante a llevar en cuenta as muchos entradas de té vaso expertos as posible. Para ejemplo, nosotros tenía a crear específico algoritmos a manejar té naturaleza y té muro de óxidos y viscoso idad. Otro punto de importante importancia es relacionado a té origen y a té fiabilidad de té datos.
Para este, tiene significativo cantidad de tiempo en este proyecto tiene estado gastado a té constitución de tiene confiable base de datos.base de datos. W. mi tenía a implementar maneras y nosotros tenía a estudiar diferente maneras de calculador té distancias entre té vaso composición. I estás tiempo a concluir ahora. Nosotros tener presentado dos diferente caja estudios. En té primero caja estudios, nosotros tener creado varios modelos y nosotros tener comparado a ellos para té riesgo evaluación. Nosotros tener visto eso él era fácil con JMP a llevar a cabo Montado Calamardo simulaciones, incluso para mezcla diseños con restricciones. Nosotros tener visto eso él era fácil también a llevar a cabo espacio relleno diseño, y de nuevo, incluso para mezcla diseños.
Por combinatorio Montado Calamardo y espacio relleno diseños, el peor caja oportunidad tiene estado estimado. I no té segundo estudiar, nosotros tener presentado té herramienta nosotros tener creado con año original método de submuestreo té datos. Para cada composición de interés, tiene específico modelo de viscosidad era construido alrededor este composición, y nosotros tener visto eso té predicción exactitud nosotros té viscoso ciudad era muy prometedor y mucho mejor que modelos disponible en té literatura. Gracias tú para su atención.
