Una variedad de opciones de diseño de mezclas de JMP respaldan situaciones experimentales donde las propiedades de una mezcla de componentes dependen más de las proporciones relativas que de las cantidades absolutas que se mezclan. Vea cómo crear, analizar e interpretar los resultados de varios tipos de diseños de mezclas.
Este vídeo se está procesando actualmente. Inténtalo de nuevo en unos minutos.
Vea cómo:
- Comprenda la definición de Diseño de Experimentos (DOE) y cómo el diseño de experimentos es útil.
- Realizar análisis del espacio comercial utilizando modelos ajustados a un DOE mixto para métricas de rendimiento y costos.
- Comprender qué hace que los factores de mezcla (componentes) y la formulación DOE sean diferentes de otras técnicas DOE
- Crea dos experimentos de mezcla
- Un diseño simple de 3 componentes que utiliza la plataforma JMP Custom DOE para hacer que el diseño se ajuste al problema, no forzar el problema para que se ajuste a un diseño
- Un diseño de mezcla de 5 componentes con tres restricciones y datos de respuesta
- Visualice los procesos con Prediction Profiler en la plataforma Fit the Model
- Utilice tanto la transformación de raíz cuadrada de la respuesta usando JMP) como la regresión generalizada usando una distribución no normal adecuada (usando JMP Pro) para evitar que Prediction Profiler muestre predicciones físicamente imposibles
- Obtenga más información sobre ejemplos adicionales de mezclas DOE
- Mezcla de siete componentes DOE con 5 y 7 restricciones que apunta a mejorar el control de calidad y fabricar de manera menos costosa
- Uso de restricciones para definir mezclas dentro de una mezcla
- Encontrar una mezcla de 3 componentes que sea casi tan buena como una mezcla de 7 componentes
- Diseño de diez factores con 6 variables mixtas, 2 continuas, 1 categórica y 1 variable de bloque
- Incorporar restricciones adicionales, incluida la de mantener constante parte de la mezcla.
- Mezcla de relleno espacial DOE para simulación de química por computadora
- DOE para formulaciones de ingeniería inversa
- Predicción de la composición química a partir de menos mezclas de prueba mediante el modelado de espectros con el análisis de datos funcionales JMP
Preguntas respondidas por Tom Donnelly @tom_donnelly y Scott Allen @scott_allen en el seminario web en vivo de 2024:
P: ¿Cómo se decide la dirección del signo de desigualdad al construir restricciones lineales?
R: Tienes que pensarlo o escribirlo algebraicamente. Desde el punto de vista del diagrama ternario, el triángulo azul y el triángulo verde quedan definidos por esa desigualdad. Y así comienza el álgebra. Mira el video a continuación.
P: ¿Cómo incorporarías factores continuos, como los tiempos de curado o secado, en las mezclas?
R: Eso requiere un diseño personalizado. El ejemplo muestra todos los pasos. Tiene los 6 componentes de la mezcla, pero también tiene un tiempo de curado y una temperatura asociada. Vea el ejemplo de 10 factores ( Diseño personalizado multifactorial complejo JMP.pdf) .
P: ¿Cuál es la diferencia entre seleccionar Ninguno o Especificar para Definir restricciones de factor?
A: Ninguna significa que no hay restricciones especificadas. Si desea definir la restricción, puede seleccionar Especificar para definir las restricciones.
P: ¿Cómo hiciste para ampliar las tramas ternarias?
R: Son unos pocos pasos pequeños. Recuerde que si vuelve a ejecutar el Prediction Profiler después de ampliar, el gráfico ternario se actualizará y perderá el área ampliada, por supuesto. Vea el video a continuación.
P: Si no quiero especificar restricciones lineales, ¿esto afectaría mi análisis final?
R: No es necesario tener restricciones para diseñar una mezcla. Solo lo estamos ilustrando, porque la mayoría de las veces, el conocimiento de la química se adquiere en una etapa muy temprana.
P: Si está cambiando un término de mezcla y eso afecta a los demás y los VIF son irrazonablemente altos, ¿cómo puede evitar que el modelo esté sesgado debido a esa colinealidad o multicolinealidad?
R: En general, vivo con ello. Creo que descubrirá que los coeficientes de variación de variables con mezclas pueden ser muy variables y que puede haber mucha correlación. En particular, cuando empieza a analizar componentes y mezclas relativamente traza, tiene regiones muy delgadas. Me preocupa menos tratar de interpretar los coeficientes con una mezcla que tratar de interpretar lo que hacen las predicciones en este espacio hipertriangular.
Recursos:
- DOE de mezcla de siete componentes con 5 y 7 restricciones utilizando “mezclas dentro de mezclas””
- Diseño de diez factores con 6 variables de mezcla, 2 continuas, 1 categórica y 1 variable de bloque , incluidas restricciones adicionales, como mantener constante parte de la mezcla.
- Video sobre la mezcla que llena el espacio y la simulación química por computadora: un estudio de caso de cuantificación de la incertidumbre que utiliza diseños que llenan el espacio con variables de mezcla para datos deterministas , Melissa Jablonski, Douglas Ray y Edward Cooke, JMP Discovery Summit 2017
- Vídeo: Diseño de experimentos para formulaciones de ingeniería inversa , predicción de la composición química a partir de menos mezclas de prueba mediante el modelado de espectros utilizando análisis de datos funcionales
- Diseños de conjuntos de candidatos: adaptación de las restricciones del DOE al problema , Christopher Gotwalt, JMP Discovery Summit 2021.
Excelente presentación... Gracias!... Me vienen un par de pensamientos a la mente...
Primero, en relación a "por qué DOE", me gusta decir que DOE te dice lo que sucede cuando giras más de un dial al mismo tiempo.
Acerca de la pregunta sobre los coeficientes VIF... Los coeficientes en los modelos de mezcla no representan efectos de factores como lo hacen en los diseños de mezcla tradicionales. En los diseños de mezcla, los efectos se dan por trazas (perfiles) de valores predichos del modelo (que no se ven afectados por los coeficientes VIF) sobre la región de mezcla restringida. De hecho, los efectos de los diseños de mezcla tradicionales también se pueden mostrar como trazas de valores predichos (en lugar de coeficientes del modelo), que es lo que es el perfil de predicción. Espero que esto ayude.
Una presentación muy informativa para compartir con la comunidad. Gracias, Tom, y también al equipo de JMP.
