스피커
|
성적 증명서
|
| |
안녕하세요 여러분, 제 이름은 Wenzhao Yang이고 Dow의 통계학자입니다. 오늘은 고무 연구에서 반복 측정을 위한 통계적 DOE와 모델링 개발에 대해 이야기하겠습니다. |
| |
방법에 대해 이야기하기 전에 이 대화에 대한 약간의 배경 지식을 추가하고 싶습니다. |
| |
EPDM은 합성고무로 교통, 인프라, 스포츠, 레저, 가전제품 등 다양한 용도에 널리 사용됩니다. |
| |
Dow는 EPDM의 선두 제조업체입니다. 우리는 EPDM 제품을 지속적으로 혁신하고 개발하여 다양한 분야에서 우수한 사용자 특성을 달성합니다. |
| |
방금 언급한 응용 프로그램입니다. 이번 강연에서는 EPDM 기반 자동차 웨더스트립 애플리케이션에 초점을 맞췄습니다. 주요 성능 지표 중 하나는 색상 안정성 속성입니다. |
| |
색상 안정성 특성은 동일한 실험 장치에서 시간이 지남에 따라 반복적으로 측정됩니다. 이는 통계에서 반복 측정으로 정의됩니다. |
| |
그리고 반복되는 색상 측정값 사이에는 자동 상관 관계라고 하는 시간 종속성이 존재할 수 있습니다. |
| |
우리 작업의 새로운 기술 개발은 데이터 수집 전에 활성 효과를 탐지하는 통계적 능력을 평가하기 위해 반복 측정을 위한 몬테카를로 시뮬레이션 기반 DOE 전략을 개발했다는 것입니다. |
| |
목표와 방법을 살펴보겠습니다. |
| |
본 출원의 목적은 EPDM 웨더스트립 변색 메커니즘에 대한 근본적인 이해를 개발하고 색상 안정성 특성에 대한 EPDM 폴리머 매크로 구조 요소에 대한 가설을 검증하는 것입니다. |
| |
색상 안정성 테스트 실험은 그림 1에 표시된 산업용 고무 제조업체 표준을 따릅니다. |
| |
우리는 다양한 미세 구조를 가진 합성 EPDM 폴리머 목록부터 시작합니다. 그런 다음 동일한 공정 조건에서 다른 일관된 배합 성분과 혼합합니다. |
| |
혼합 경화 및 샘플 준비 후 샘플은 풍화실에서 숙성됩니다. 델타 E는 다음에서 계산됩니다. |
| |
LAB 색상 측정은 색상 안정성 특성에 대한 중요한 성능 지표입니다. 이는 경화된 샘플의 다양한 노화 시간에 따른 초기 색상과 색상 간의 차이를 정량화합니다. |
| |
우리는 사용 가능한 폴리머에서 대표적인 하위 집합을 선택하기 위해 D-최적 DOE를 개발했습니다. 우리는 Monte Carlo 시뮬레이션을 사용하여 다음을 얻는 데 필요한 반복 측정 횟수를 평가합니다. |
| |
주효과와 상호작용 효과를 탐지하는 통계적 검정력의 80%입니다. 수집된 데이터는 반복되는 색상 측정 간의 시간 간격이 동일하지 않습니다. |
| |
따라서 우리는 샘플별 효과를 통합하고 시간 경과에 따른 샘플 간의 변동성에 더 많은 영향을 제공하기 위해 무작위 계수 모델인 RCM을 개발했습니다. 또한 RCM을 선형 회귀 모델과 비교했습니다. |
| |
이는 시간에 따른 모든 샘플에 대한 공통 분산을 가정하여 데이터를 완전히 증명합니다. |
| |
여기에 설명된 방법을 사용하면 이 작업의 주요 결과가 나타납니다. |
| |
그림 2는 서로 다른 시나리오에서 세 가지 주요 효과와 상호 작용 효과에 대한 몬테카를로 시뮬레이션 기반 전력 분석 결과를 보여줍니다. |
| |
약 .5인 중간 자동 상관 수준을 예상하면 시점이 조정됩니다. 반복 마디 수는 9개 이상이어야 합니다. |
| |
경화된 샘플당. 인접한 시점 사이의 자기 상관이 약 .9 정도로 매우 높으면 |
| |
대부분의 효과에 대해 통계적 검정력이 크게 떨어집니다. 우리는 모든 DOE 샘플에 대해 반복된 색상 측정 사이에 상대적으로 큰 시간 간격을 선택했기 때문에 반복 측정은 중간 수준을 가질 것이라고 가정합니다. |
| |
경화된 샘플당 9개의 반복 색상 측정값에 대한 자기상관이 이 DOE에 대해 수집됩니다. |
| |
일반적인 RCM 모델은 그림 3에 나와 있으며 여기에는 특정 무작위 절편 및 경사 효과 샘플이 있습니다. |
| |
선형 회귀 모델에서 EPDM 구조 요인의 주요 효과와 상호 작용 효과에 더해. |
| |
여기의 랜덤 효과 공분산 모수 추정표는 Delta E 시작에 상당한 차이가 있음을 보여줍니다. |
| |
및 경화된 샘플 중 Delta E의 변화율. 이는 시간이 지남에 따라 샘플 간의 변동성을 설명하는 것이 매우 중요하다는 것을 나타냅니다. |
| |
RCM 모델의 프로필은 입력 요인에 대한 예측선 주변의 신뢰 구간이 데이터 수집의 Delta E 규모에 비해 상대적으로 좁다는 것을 보여줍니다. |
| |
따라서 그림 4는 최소 제곱 모델에서 데이터를 독립적인 것으로 처리하면 상단 그래프와 같이 자유도가 부풀려지는 위치를 실제로 확인할 수 있음을 보여줍니다. |
| |
자유도가 어디에서 팽창하는지 확인하면 데이터가 시간 종속적이라고 가정하는 RCM 모델과 비교하여 모델의 모델 효과에 대한 유의성 결과에 대해 과신하게 됩니다. |
| |
그리고 그림 5의 모델 예측 플롯과 잔차 플롯은 RCM이 모델 적합도가 좋고 모델 가정을 충족한다는 것을 보여줍니다. |
| |
이 연구에 대한 우리의 결론은 지배적인 미세 구조 요인과 우리가 개발한 대체 폴리머 설계를 제안하는 두 가지 미세 구조 요인 간의 중요한 상호 작용을 식별했다는 것입니다. |
| |
EPDM 웨더스트립 변색 메커니즘에 대한 기본적인 이해를 바탕으로 통계적 DOE와 JMP를 사용한 모델링의 힘을 보여줌으로써 뛰어난 색상 안정성을 갖춘 새로운 EPDM 고무 개발을 지원합니다. |
