570614_de-DE

liliconcom

Optimierungsaufgabe mit 2 kontinuierlichen und 1 diskreten (2 Stufen) Faktoren

Liebe Community,

 

Ich beschäftige mich mit einer Optimierungsaufgabe und versuche, einige Referenzen zu finden.

 

Ziel des Experiments: Optimierung

 

Eingabefaktoren:

• Faktor 1: 2-stufig, kontinuierlich
• Faktor 2: 2-stufig, kontinuierlich
• Faktor 3: 2-stufig, diskret.kontinuierlich

Antwort:

• Ergebnisse der Chromatographie

 

Jede Eingabe ist willkommen

 

 

Ergebnisse teilen und kommunizierenBetreff: Optimierungsaufgabe mit 2 kontinuierlichen und 1 diskreten (2 Ebenen) Faktoren

Hallo @Aziza ,

Als @P_Bartell erwähnt, haben wir einige Möglichkeiten, mit der Optimierung chemometrischer Daten durch den Functional Data Explorer umzugehen.Sie können Ihr DOE durchführen und dann Wavelet DOE oder Functional DOE verwenden, um zu verstehen, welche HPLC-Kurve optimal ist, um das gewünschte Ergebnis zu erzielen.

 

Gerne weiter besprechen.

 

Beste grüße,

Rechnung

Betreff: Optimierungsaufgabe mit 2 kontinuierlichen und 1 diskreten (2 Ebenen) Faktoren

Zusätzlich zu meiner ersten Antwort hier noch ein weiterer Gedanke für Sie. Da Sie die Chromatographie als analytischen Schritt bei der Bestimmung der Ergebnisse verwenden, müssen Sie, wenn Sie sich die Spektraldaten ansehen möchten, mit einem speziellen JMP arbeiten und hoffentlich über JMP Pro zur Spektraldatenvisualisierung verfügen und Modellierungstechniken. Mein (ich bin im Ruhestand) ehemaliger JMP-Kollege @Bill_Worley und @Anonymous haben eine Artikelreihe mit vielen Methoden zur Visualisierung und Modellierung von Spektraldaten zusammengestellt. Hier ist ein Link zum ersten Artikel der Reihe. Weitere Artikel finden Sie, indem Sie auf die in diesem ersten Artikel eingebetteten Links klicken. Analysieren von Spektraldaten in JMP/JMP Pro

Betreff: Optimierungsaufgabe mit 2 kontinuierlichen und 1 diskreten (2 Ebenen) Faktoren

Hallo @Aziza !

Traditionell finden sich in der Literatur Optimierungsbeispiele mit HPLC oder Gaschromatographie mit klassischen Designs, wie Central Composite Designs oder Box-Benhken. Diese Designs werden oft aus unterschiedlichen Gründen gefunden:

• Central Composite Design wird oft als letzter Schritt zur Erweiterung eines faktoriellen Designs verwendet: Die Studie umfasst im Allgemeinen das Screening verschiedener Haupteffekte (um beispielsweise zu wissen, welche Faktoren eine bessere Auflösung ermöglichen können), und sobald sie identifiziert sind, wird das Design um Folgendes erweitert 2-Faktoren-Wechselwirkungen und quadratische Effekte, die zu einem CCD führen, um den Prozess vollständig zu optimieren und die besten Analyseeinstellungen zu finden.
• Das Box-Benhken-Design wird in der Literatur als eines der Designs mit der besten „Präzision“ verwendet, da für quadratische Potenzen mehr Leistung zur Verfügung steht und dieses Design im experimentellen Raum eine gleichmäßige Präzision aufweist, oft für eine geringere Anzahl von Durchläufen als für CCD. Weitere Infos zu Box-Benhken: Der offene Pädagoge – 4. Box-Behnken Response Surface Methodologie

 

Einige Links zu diesen in der Literatur verwendeten Designs:

1. Versuchsplanung in der Flüssigkeitschromatographie (HPLC)-Analyse von Pharmazeutika: Analytik, Anwendungen, Implikationen und Zukunftsaussichten (degruyter.com)
2. Experimentelles Design in der Chromatographie: Eine Tutorial-Rezension – ScienceDirect
3. Versuchsplanung zur Entwicklung und Optimierung eines mit der Tandem-Massenspektrometrie gekoppelten bioanalytischen Assays zur Flüssigkeitschromatographie – Thorsteinsdóttir – 2021 – Journal of Mass Spectrometry – Wiley Online Library

 

Das „Problem“ bei diesen klassischen Designs besteht jedoch darin, dass sie nur kontinuierliche Faktoren erfordern, was hier nicht der Fall ist.

 

Also wie vorgeschlagen von @SDF1 , die beste Option wäre, die Custom Design-Plattform zu verwenden, Ihre Antworten und Faktoren sowie Ihre Einschränkungen (falls vorhanden) einzugeben und dann im Modellteil auf die Schaltfläche „RSM“ zu klicken: Es werden automatisch 2 Faktoren-Interaktionen hinzugefügt und quadratische Effekte sowie Änderung des Optimalitätskriteriums auf I-optimal.

 

Ich würde dringend empfehlen, unterschiedliche „Größen“-Designs zu erstellen (mit unterschiedlicher Anzahl an Gesamtläufen und Wiederholungsläufen), um den besten Kompromiss zwischen der von Ihnen benötigten Präzision (Variation, die Sie sich bei Ihren optimalen Einstellungen leisten können) und Ihrem Versuchsbudget zu finden .

 

Ich hoffe, dass diese erste Antwort Ihnen hilft, eine bessere Vorstellung davon zu bekommen, wie es weitergehen soll.
Alles Gute Aziza,

Betreff: Optimierungsaufgabe mit 2 kontinuierlichen und 1 diskreten (2 Ebenen) Faktoren

Können Sie Ihre Verwendung des Wortes „Referenzen“ näher erläutern? Wonach suchst du? Wenn es sich nur um eine allgemeine Anleitung handelt, wäre der SAS-Onlinekurs „Statistisches Denken für die Lösung industrieller Probleme“ ein guter Ausgangspunkt. Hier ist ein Link:

Statistisches Denken zur industriellen Problemlösung

Betreff: Optimierungsaufgabe mit 2 kontinuierlichen und 1 diskreten (2 Ebenen) Faktoren

Hallo @Aziza ,

 

Ich glaube, Sie möchten I-optimale Kriterien für die Erstellung Ihres DOE verwenden, die Sie meiner Meinung nach in Custom Design verwenden müssen. Die anderen DOE-Plattformen sind mit einem bestimmten Optimalitätskriterium voreingestellt, aber Custom Design ermöglicht Ihnen die Auswahl. Ich glaube, dass das I-optimale Design besser verwendet wird, wenn das Ziel darin besteht, optimale Einstellungen zu finden.

 

Hoffe das hilft!,

DS