Merci à tous les participants ! N'hésitez pas à en dire plus ou à poser des questions ci-dessous.
Vidéo 1 : Quelles sont les conséquences (logiques et mathématiques) du non-respect du DOE dans l'ordre spécifié ? -Richard Lacaba
commentaires
@Victor_G - Vous pouvez enregistrer l'ordre des expériences dans le tableau et voir si vous avez un effet de l'ordre des expériences sur la réponse.
@bdclark23 - Je reçois souvent cette question et je la propose à mes clients de Montgomery : la randomisation est la pierre angulaire qui sous-tend l'utilisation de méthodes statistiques dans la conception d'expériences. Par randomisation, nous entendons que la répartition du matériel expérimental et l'ordre dans lequel les différentes séries d'expériences doivent être réalisées sont déterminés de manière aléatoire. Les méthodes statistiques exigent que les observations (ou erreurs) soient des variables aléatoires distribuées indépendamment. La randomisation valide généralement cette hypothèse. En randomisant correctement l'expérience, nous aidons également à « faire la moyenne » de l'effet des facteurs étrangers qui peuvent être présents.
Vidéo 2 : Conception d'augmentation (DOE séquentiel) - John Szarka ( @jszarka )
Question de Thalita Coppini Soares ( @THCS
Pourriez-vous exécuter différentes plages de variables de la première expérience dans ce scénario ?
Réponses:
@Jonas_Rinne - Oui, vous pouvez également modifier cela si nécessaire.
@Victor_G - YOui, vous pouvez modifier les plages des facteurs. Cela permet de se concentrer sur la zone optimale (réduire la portée, restreindre l'espace expérimental) ou de déplacer l'espace de conception un peu plus loin si vous n'avez pas de zone intéressante à rechercher/optimiser.
@Paul_J - Ou peut-être ajouter un nouveau facteur avec le prochain set ?
@Jonas_Rinne - Voici un article de la communauté dans lequel vous pouvez découvrir comment procéder : Résolu : Comment ajouter un nouveau facteur continu à un DoE via une augmentation de conception ? - Communauté d'utilisateurs JMP . Notez que ce facteur devait être constant dans vos expériences précédentes.
Question de Thalita Coppini Soares ( @THCSalors, étoiletavec un PB pour réduire le nombre d'expériences, puis exécuter un plan complet uniquement avec les principaux facteurs avec des plages étroites?
Répondre
@Victor_G - Ou avec une autre conception de dépistage, dans l'exemple ici, le DSD pourrait être utile : aucune contrainte et un nombre élevé de facteurs continus, il pourrait donc aider à mieux estimer les effets principaux et éventuellement détecter les interactions et les effets quadratiques.
Et une fois votre criblage terminé, pourquoi ne pas ajouter des effets d'ordre supérieur (interactions, effets quadratiques, ...) dans l'augmentation sur les plages étroites pour élargir vos connaissances sur le système et disposer d'un modèle meilleur/plus précis ?
Vidéo 3 : Est-il raisonnable de conserver les effets principaux dans le modèle DoE même lorsqu'ils ne sont pas significatifs ? Dans quelle mesure l’estimation de l’ampleur de l’effet de ces facteurs « insignifiants » est-elle fiable ? -Johann-Christoph Dettmann ( @JohannD124 )
Vidéo 4 : Intégration du DOE avec d'autres méthodes : ML, chimioinformatique, etc... - Victor Guiller ( @Victor_G )
commentaires
@ruskicar - SVEM (modélisation d'ensemble auto-validante) est une approche qui est parfois utilisée pour modéliser les DOE remplissant l'espace
@Victor_G - Conception d'expériences et apprentissage automatique avec application aux expériences industrielles | Documents statistiques (springer.com)
Conception d'expériences et apprentissage automatique avec application aux expérimentations industrielles
Documents statistiques - Dans le contexte de l'innovation de produits, il existe une tendance émergente à utiliser des modèles d'apprentissage automatique (ML) avec le soutien de la conception d'expériences (DOE). Le document vise en premier lieu à...
Choix de conception et performances du modèle d'apprentissage automatique - Arboretti - 2022 - Quality and Reliability Engineering International - Wiley Online Library
@Paul_J - Les conceptions « optimales » JMP peuvent-elles être basées sur des modèles mécaniques ?
@maria_astals - Conceptions de dépôt spatial : https://www.jmp.com/support/help/en/18.0/index.shtml#page/jmp/overview-of-spacefilling-designs.shtml
@Victor_G - Exemple de conceptions Space-Filling avec analyse de machine à vecteurs de support sur la conception de mélanges : https://community.jmp.com/t5/Online-Abstracts/Synergy-Between-Design-of-Experiments-and-Machine-Learning- pour/ec-p/708147#M2
Vidéo 5 : Modélisation des résultats DoE qui incluent des parcelles entières, en particulier l'erreur aléatoire ajoutée à l'effet Whole Plot. -Drejc Kopač ( @ruskicar )
