| Conférencier |
Transcription |
| |
Bonjour à tous, je m'appelle Wenzhao Yang et je suis statisticien chez Dow. Aujourd'hui, je vais vous parler des données d'expérience statistiques et du développement de modèles pour les mesures répétées dans la recherche sur le caoutchouc. |
| |
Avant de parler des méthodes, je voudrais juste ajouter un peu de contexte à cette conférence. |
| |
L'EPDM est un caoutchouc synthétique, largement utilisé dans des applications telles que le transport, les infrastructures, les sports, les loisirs et l'électroménager. |
| |
Dow est un fabricant leader d'EPDM. Nous innovons et développons continuellement nos produits EPDM afin d'obtenir des propriétés supérieures et une meilleure résistance à l'usure dans diverses applications. |
| |
Applications mentionnées précédemment. Cet exposé se concentre sur l'application de joints d'étanchéité automobiles à base d'EPDM. L'un des indicateurs de performance clés est la stabilité de la couleur. |
| |
La propriété de stabilité des couleurs est mesurée à plusieurs reprises au fil du temps sur la même unité expérimentale. Elle est définie comme des mesures répétées en statistiques. |
| |
Une dépendance temporelle peut exister entre les mesures de couleur répétées, ce que l'on appelle l'autocorrélation. |
| |
Un nouveau développement technique dans notre travail est que nous avons développé une stratégie DOE basée sur une simulation de Monte Carlo pour des mesures répétées afin d'évaluer la puissance statistique de détection des effets actifs avant la collecte des données. |
| |
Passons maintenant à l’objectif et aux méthodes. |
| |
L'objectif de cette application est de développer une compréhension fondamentale du mécanisme de décoloration des bandes d'étanchéité EPDM et de valider les hypothèses sur les facteurs de macrostructure des polymères EPDM pour la propriété de stabilité des couleurs. |
| |
Les expériences de test de stabilité des couleurs suivent les normes des fabricants de caoutchouc industriel comme indiqué dans la figure 1. |
| |
Nous commençons par synthétiser une liste de polymères EPDM présentant différentes microstructures. Nous les mélangeons ensuite avec d'autres ingrédients de formulation homogènes dans les mêmes conditions de procédé. |
| |
Après le durcissement et la préparation des échantillons, ceux-ci sont vieillis en chambre de vieillissement. Le Delta E est calculé à partir de |
| |
Les mesures de couleur en laboratoire constituent un indicateur de performance essentiel pour la stabilité de la couleur. Elles quantifient la différence entre la couleur initiale et la couleur obtenue à différents temps de vieillissement d'un échantillon durci. |
| |
Nous avons développé un plan d'expérience D-optimal afin de sélectionner un sous-ensemble représentatif de nos polymères disponibles. Nous avons utilisé la simulation de Monte-Carlo pour évaluer le nombre de mesures répétées nécessaires à l'obtention de ce résultat. |
| |
80 % de la puissance statistique détectant les effets principaux et les effets d'interaction. Les données collectées présentent des intervalles de temps inégaux entre les mesures de couleur répétées. |
| |
Nous avons donc développé un modèle à coefficients aléatoires (RCM) pour intégrer les effets spécifiques à l'échantillon et accroître l'influence de la variabilité interéchantillon au fil du temps. Nous avons également comparé le RCM à un modèle de régression linéaire. |
| |
Ce qui prouve complètement les données en supposant une variance commune pour tous les échantillons au fil du temps. |
| |
Les méthodes décrites ici constituent les principaux résultats de ce travail. |
| |
La figure deux montre les résultats d'une analyse de puissance basée sur une simulation de Monte Carlo pour les effets principaux et d'interaction trois dans différents scénarios. |
| |
Si l'on s'attend à un niveau d'autocorrélation moyen, d'environ 0,5, il s'ajustera aux points temporels. Le nombre de mesures répétées doit être d'au moins neuf. |
| |
par échantillon traité. Si l'autocorrélation entre les points temporels adjacents est vraiment élevée, environ 0,9, |
| |
La puissance statistique diminue significativement pour la plupart des effets. Puisque nous avons sélectionné des intervalles de temps relativement longs entre les mesures répétées de couleur pour tous les échantillons du plan d'expérience, nous supposons que les mesures répétées qui auront un niveau moyen |
| |
l'autocorrélation pour neuf mesures de couleur répétées par échantillon durci est collectée pour ce DOE. |
| |
Un modèle RCM général est présenté dans la figure trois ici, où nous avons un échantillon d'interception aléatoire spécifique et d'effets en pente. |
| |
En plus des effets principaux et d'interaction des facteurs structurels EPDM dans un modèle de régression linéaire. |
| |
Le tableau d'estimation des paramètres de covariance des effets aléatoires ici montre qu'il existe une différence significative dans le Delta E de départ |
| |
et l'évolution du taux de Delta E parmi les échantillons traités. Cela indique qu'il est essentiel de tenir compte de la variabilité entre les échantillons au fil du temps. |
| |
Le profil du modèle RCM montre que l’intervalle de confiance autour de la ligne de prédiction pour nos facteurs d’entrée est relativement étroit par rapport à l’échelle du Delta E dans notre collecte de données. |
| |
Ainsi, la figure quatre montre que si vous traitez les données comme indépendantes dans un modèle des moindres carrés, vous pourriez vraiment voir où elles gonflent le degré de liberté comme le montre le graphique du haut et |
| |
voyez où ils gonflent le degré de liberté, nous serions donc trop confiants quant à nos résultats de signification pour les effets du modèle dans le modèle par rapport aux modèles RCM où nous supposons que les données devraient dépendre du temps. |
| |
Le graphique de prédiction du modèle et le graphique résiduel de la figure cinq montrent que le RCM a un bon ajustement du modèle et répond à nos hypothèses de modèle. |
| |
Notre conclusion pour ce travail est que nous avons identifié des facteurs de microstructure dominants et une interaction significative entre deux facteurs de microstructure suggérant une conception alternative de polymère que nous avons développée. |
| |
compréhension fondamentale du mécanisme de décoloration des joints d'étanchéité EPDM et démonstration de la puissance du DOE statistique et de la modélisation à l'aide de JMP pour soutenir le développement de nouveaux caoutchoucs EPDM avec une stabilité de couleur supérieure. |
