El diseño de experimentos (DOE) es un método estadístico que guía la ejecución de experimentos, los analiza para detectar las variables relevantes y optimiza el proceso o fenómeno bajo investigación. El uso de DOE en el desarrollo de productos puede dar lugar a productos que sean más fáciles y económicos de fabricar, que tengan un rendimiento y una confiabilidad mejorados y que requieran tiempos de diseño y desarrollo de productos más cortos.
Hoy en día, el aprendizaje automático (ML) se adopta ampliamente como herramienta de análisis de datos debido a la creciente disponibilidad de conjuntos de datos grandes y complejos. Sin embargo, no todas las aplicaciones pueden permitirse el lujo de disponer de big data. Por ejemplo, en las industrias farmacéutica y química, el conjunto de datos experimentales suele ser pequeño debido a las limitaciones de costos y al tiempo necesario para generar datos valiosos. Sin embargo, la incorporación del aprendizaje automático al diseño experimental ha demostrado ser una forma eficaz de optimizar la formulación en un pequeño conjunto de datos que se puede recopilar de forma más económica y rápida.
Hay tres partes en esta presentación. Primero, se resume brevemente la literatura relevante sobre el diseño experimental asistido por aprendizaje automático. A continuación, se presenta un caso adhesivo para ilustrar la eficiencia de combinar el diseño experimental y el aprendizaje automático para reducir la cantidad de experimentos necesarios para identificar el espacio de diseño con un paquete de catalizador optimizado. En la tercera parte, que pertenece a una aplicación de sellador industrial, utilizamos datos de la superficie de respuesta para comparar el error de predicción del modelo RSM con modelos de varios algoritmos de aprendizaje automático (RF, SVR, Lasso, SVEM y XGBoost) utilizando ejecuciones de datos de validación. dentro y fuera del espacio de diseño.
