| 스피커 |
성적 증명서 |
| |
안녕하세요 여러분, 저는 다우케미컬의 통계학자 양웬자오입니다. 오늘은 고무 연구에서 반복 측정을 위한 통계적 실험계획법(DOE)과 모델링 개발에 대해 말씀드리겠습니다. |
| |
방법에 대해 이야기하기에 앞서, 이 이야기의 배경을 간략히 설명하고 싶습니다. |
| |
EPDM은 운송, 인프라, 스포츠, 레저, 가전제품 등의 분야에서 널리 사용되는 합성 고무입니다. |
| |
Dow는 EPDM 분야의 선도적인 제조업체입니다. 당사는 다양한 분야에서 탁월한 사용자 특성을 달성하기 위해 EPDM 제품을 끊임없이 혁신하고 개발합니다. |
| |
방금 언급한 응용 분야입니다. 이번 발표에서는 EPDM 기반 자동차 웨더스트립 응용 분야에 중점을 두고 있습니다. 주요 성능 지표 중 하나는 색상 안정성입니다. |
| |
색상 안정성 속성은 동일한 실험 단위에서 시간이 지남에 따라 반복적으로 측정됩니다. 통계에서는 이를 반복 측정으로 정의합니다. |
| |
반복되는 색상 측정 사이에는 시간 의존성이 존재할 수 있는데, 이를 자기 상관관계라고 합니다. |
| |
저희 작업에서 새롭게 개발된 기술적 사항은 데이터 수집에 앞서 활성 효과를 탐지하는 통계적 능력을 평가하기 위해 반복 측정을 위한 몬테카를로 시뮬레이션 기반 DOE 전략을 개발했다는 것입니다. |
| |
이제 목표와 방법으로 넘어가겠습니다. |
| |
본 출원의 목적은 EPDM 웨더스트립 변색 메커니즘에 대한 기본적인 이해를 개발하고 색상 안정성 특성에 대한 EPDM 폴리머 거시 구조 요인에 대한 가설을 검증하는 것입니다. |
| |
색상 안정성 시험 실험은 그림 1에 표시된 대로 산업용 고무 제조업체 표준을 따릅니다. |
| |
먼저 다양한 미세 구조를 가진 EPDM 폴리머를 합성합니다. 그런 다음, 동일한 공정 조건에서 다른 일관된 배합 성분과 혼합합니다. |
| |
경화 및 샘플 준비 후 샘플은 풍화 챔버에서 숙성됩니다. 델타 E는 다음에서 계산됩니다. |
| |
LAB 색상 측정은 색상 안정성 특성에 중요한 성능 지표입니다. 경화된 샘플의 초기 색상과 다양한 숙성 시간 후 색상 간의 차이를 정량화합니다. |
| |
우리는 이용 가능한 폴리머 중 대표적인 부분집합을 선택하기 위해 D-최적 DOE를 개발했습니다. 몬테카를로 시뮬레이션을 사용하여 필요한 반복 측정 횟수를 평가했습니다. |
| |
통계적 검정력의 80%가 주효과와 상호작용 효과를 감지하는 데 사용되었습니다. 수집된 데이터는 반복적인 색상 측정에서 시간 간격이 불균등합니다. |
| |
따라서, 표본 특이적 효과를 반영하고 시간 경과에 따른 표본 간 변동성에 더 큰 영향을 미치는 확률 계수 모형(RCM)을 개발했습니다. 또한, RCM을 선형 회귀 모형과 비교했습니다. |
| |
이는 시간에 따라 모든 샘플에 공통적인 분산이 있다고 가정함으로써 데이터를 완벽하게 증명합니다. |
| |
여기에 기술된 방법은 이 작업의 주요 결과이다. |
| |
그림 2는 서로 다른 시나리오에서 세 가지 주요 효과와 상호 작용 효과에 대한 몬테카를로 시뮬레이션 기반 전력 분석 결과를 보여줍니다. |
| |
중간 자기상관 수준인 약 0.5를 예상하면 시간 지점에 맞게 조정됩니다. 반복 측정 횟수는 최소 9회 이상이어야 합니다. |
| |
경화된 샘플당. 인접한 시간 지점 간의 자기 상관 관계가 약 0.9%로 매우 높으면 |
| |
대부분의 효과에서 통계적 검정력이 크게 감소합니다. 모든 DOE 샘플에 대해 반복 색상 측정 사이에 비교적 큰 시간 간격을 선택했기 때문에 중간 수준의 반복 측정은 |
| |
경화된 샘플당 9번의 반복 색상 측정에 대한 자기상관이 이 DOE에 수집되었습니다. |
| |
그림 3은 일반적인 RCM 모델을 보여주는데, 여기에는 표본 특정 무작위 절편과 경사 효과가 있습니다. |
| |
선형 회귀 모형에서 EPDM 구조적 요인의 주요 효과와 상호작용 효과 외에. |
| |
여기의 임의 효과 공분산 매개변수 추정 표는 델타 E 시작에 상당한 차이가 있음을 보여줍니다. |
| |
경화된 샘플 간의 델타 E 변화율을 보여줍니다. 이는 시간 경과에 따른 샘플 간 변동성을 고려하는 것이 매우 중요함을 시사합니다. |
| |
RCM 모델의 프로필은 입력 요인에 대한 예측선 주변의 신뢰 구간이 데이터 수집의 델타 E 척도에 비해 상대적으로 좁다는 것을 보여줍니다. |
| |
따라서 그림 4는 최소 제곱 모델에서 데이터를 독립적인 것으로 처리하면 자유도가 팽창하는 곳을 실제로 볼 수 있음을 보여줍니다. |
| |
RCM 모델과 비교했을 때, 자유도가 어디에서 부풀려졌는지 살펴보면, 데이터가 시간에 따라 변해야 한다고 가정하는 RCM 모델과 비교했을 때 모델 효과에 대한 유의성 결과에 대해 지나치게 자신감을 가질 수 있습니다. |
| |
그림 5의 모델 예측 플롯과 잔차 플롯은 RCM이 모델 적합도가 좋고 모델 가정을 충족한다는 것을 보여줍니다. |
| |
이 작업에 대한 우리의 결론은 우리가 주요 미세 구조 요인과 두 미세 구조 요인 간의 중요한 상호 작용을 식별했으며 이를 통해 우리가 개발한 대체 폴리머 설계를 제안한다는 것입니다. |
| |
EPDM 웨더스트립 변색 메커니즘에 대한 기본적인 이해를 바탕으로, JMP를 이용한 통계적 DOE와 모델링의 힘을 보여주고 색상 안정성이 뛰어난 새로운 EPDM 고무 개발을 지원합니다. |
