La progettazione degli esperimenti (DOE) è un metodo statistico che guida l'esecuzione di esperimenti, li analizza per rilevare le variabili rilevanti e ottimizza il processo o il fenomeno oggetto di indagine. L'uso del DOE nello sviluppo del prodotto può portare a prodotti più facili ed economici da produrre, con prestazioni e affidabilità migliorate e che richiedono tempi di progettazione e sviluppo del prodotto più brevi.
Al giorno d'oggi, l'apprendimento automatico (ML) è ampiamente adottato come strumento di analisi dei dati a causa della crescente disponibilità di set di dati ampi e complessi. Tuttavia, non tutte le applicazioni possono permettersi di avere big data. Ad esempio, nelle industrie farmaceutiche e chimiche, il set di dati sperimentali è generalmente piccolo a causa dei vincoli di costo e del tempo necessario per generare dati preziosi. Tuttavia, l’integrazione dell’apprendimento automatico nella progettazione sperimentale si è rivelata un modo efficace per ottimizzare la formulazione in un piccolo set di dati che può essere raccolto in modo più economico e veloce.
Ci sono tre parti in questa presentazione. Innanzitutto, viene brevemente riassunta la letteratura relativa alla progettazione sperimentale assistita dall’apprendimento automatico. Successivamente, viene presentato un caso adesivo per illustrare l'efficienza della combinazione di progettazione sperimentale e apprendimento automatico per ridurre il numero di esperimenti necessari per identificare lo spazio di progettazione con un pacchetto catalitico ottimizzato. Nella terza parte, che riguarda un'applicazione di sigillante industriale, utilizziamo i dati della superficie di risposta per confrontare l'errore di previsione del modello RSM con modelli di vari algoritmi di apprendimento automatico (RF, SVR, Lasso, SVEM e XGBoost) utilizzando esecuzioni di dati di convalida dentro e fuori lo spazio progettuale.
