실험계획법(DOE)은 실험의 실행을 안내하고, 이를 분석하여 관련 변수를 찾아내고, 조사 중인 과정이나 현상을 최적화하는 통계적 방법입니다. 제품 개발에 DOE를 사용하면 제조가 더 쉽고 저렴하며 성능과 신뢰성이 향상되고 제품 설계 및 개발 시간이 단축되는 제품이 탄생할 수 있습니다.
오늘날 기계 학습(ML)은 크고 복잡한 데이터 세트의 가용성이 증가함에 따라 데이터 분석 도구로 널리 채택되고 있습니다. 그러나 모든 애플리케이션이 빅데이터를 보유할 수 있는 것은 아닙니다. 예를 들어, 제약 및 화학 산업에서는 비용 제약과 귀중한 데이터를 생성하는 데 필요한 시간으로 인해 일반적으로 실험 데이터 세트가 작습니다. 그럼에도 불구하고 기계 학습을 실험 설계에 통합하는 것은 더 저렴하고 빠르게 수집할 수 있는 소규모 데이터 세트에서 공식을 최적화하는 효과적인 방법임이 입증되었습니다.
이 프레젠테이션은 세 부분으로 구성됩니다. 먼저, 머신러닝을 이용한 실험 설계와 관련된 문헌을 간략하게 요약한다. 다음으로, 최적화된 촉매 패키지로 설계 공간을 식별하는 데 필요한 실험 수를 줄이기 위해 실험 설계와 기계 학습을 결합하는 효율성을 설명하기 위해 접착 사례를 제시합니다. 산업용 실란트 응용과 관련된 세 번째 부분에서는 반응 표면 데이터를 사용하여 검증 데이터 실행을 통해 RSM 모델의 예측 오류를 다양한 기계 학습 알고리즘(RF, SVR, Lasso, SVEM 및 XGBoost)의 모델과 비교합니다. 디자인 공간 내부와 외부.
