Hola chicos,
Tenemos un proceso que está bastante bien caracterizado en este punto, pero ahora estamos eliminando el riesgo de una posible variabilidad del proceso desde el material de partida. La intención es maximizar la pureza y maximizar la recuperación de esta operación unitaria.
Hay dos parámetros que sabemos que son factores importantes, ya que han sido modelados en DoE anteriores y son simplemente parámetros bien conocidos (B,C). Se está investigando un tercer parámetro (A), ya que en teoría podría tener un impacto. Esta es la pureza inicial del material, que puede ser variable (y no podemos controlarla por completo).
A partir de experimentos casuales, he demostrado una purificación exitosa en un amplio rango de A (~30-50% de pureza inicial). Quería investigar dónde no se puede alcanzar el punto de falla (¿a qué pureza del material inicial no se puede alcanzar la pureza final objetivo?). También quería caracterizar completamente nuestro espacio de diseño en torno a esto para que podamos saber si la condición óptima de B y C se ha movido con un cambio en A.
Realicé un modelo RSM que osciló entre B y C en su rango normalmente probado, y A osciló entre aproximadamente el 5% de pureza y ~85% de pureza. Identificó A como un parámetro significativo pero, en general, el modelo se aleja de los datos históricos. Entonces, por ejemplo, después de reducir el modelo, predijo que el 30 % del material tendría una pureza de ~60 % al final de la operación, pero tenemos múltiples puntos de datos que muestran que esto está subestimado y debería estar más cerca del 85 %.
Se produjo un problema en la realización de este estudio. Las condiciones objetivo A fueron las siguientes: 5%, 40%, 85%. Después de realizar la prueba, se descubrió que la condición intermedia realmente probada estaba más cerca del 55%, por lo que se trataba de un error de ejecución. ¿Podría esto haber causado el problema?
En general, el ajuste del modelo fue muy bueno, con un RSME bajo. Las condiciones de baja pureza definitivamente fueron una prueba de estrés y no es algo que esperaríamos ver en producción, pero parecía beneficioso explorar un amplio espacio para la comprensión del proceso. Mis teorías son que el error experimental que ocurrió ha llevado a un problema, o el rango era demasiado amplio y la condición inferior Una que luchó repetidamente por purificar, bajó el modelo.
1.) ¿Cómo puedo reparar este DOE para mejorar la precisión?
Puedo aumentar las ejecuciones y enfocar el conjunto de datos en el "rango MFG" que esperaríamos
Podría agregar un término de tercer orden para evaluar más condiciones de A en lugar de solo 3.
2.) ¿Cómo puedo evitar un modelo inexacto en el futuro?
Si no tuviera datos históricos, no habría cuestionado este conjunto de datos, ya que parece correcto.
