Le formulazioni di grado aerospaziale sono spesso composte da diversi ingredienti, i cui rapporti e interazioni influenzeranno una o più proprietà del componente finale. La teoria e l'esperienza possono aiutare nella progettazione di queste formulazioni, ma a volte si verificano interazioni o sinergie che non sono ancora state scoperte. Pertanto, può essere utile esplorare un ampio spettro sperimentale per scoprire l'inaspettato.
In questa presentazione, condivido i risultati e le intuizioni ottenuti dopo aver eseguito un progetto di miscela, incluso come visualizzare, normalizzare e analizzare i dati. Discuto anche di grafici ternari, di come comunicare informazioni tecniche a un pubblico non tecnico, delle sfide incontrate e di cosa si sarebbe potuto fare meglio.
Salve, mi chiamo Carlo Campanelli e questo poster riguarda l'uso di una miscela per ottimizzare una formulazione aerospaziale. I sistemi di resina per applicazioni aerospaziali in genere comprendono più componenti che devono essere bilanciati per soddisfare contemporaneamente i requisiti normativi e di sicurezza termomeccanica.
Il processo di testing può essere lungo, costoso e soggetto a molteplici fonti di variabilità. Inoltre, spesso vi sono vincoli di tempo che limitano il numero di formulazioni, test, condizioni, campioni e ripetizioni eseguibili.
L'obiettivo di questo lavoro è migliorare le proprietà specifiche del materiale mantenendo inalterate tutte le altre caratteristiche del prodotto e le relative prestazioni. Questo è spesso impegnativo, in quanto può rivelarsi un gioco a somma zero. E in genere, si tratta di trovare il miglior compromesso piuttosto che la migliore formulazione. Il miglior compromesso può variare a seconda del cliente o dell'applicazione specifica.
L'approccio per questo lavoro consiste nell'utilizzare un disegno di miscela con 3 variabili, 15 prove e 1 ripetizione. Qui in alto a destra, possiamo vedere un'immagine che mostra lo spazio sperimentale del disegno di miscela contenente le 15 formulazioni testate. I componenti o variabili sono X1, X2 e X3 e la loro somma è sempre 100%. Qui a destra, possiamo vedere un'immagine che mostra come leggere il grafico ternario e come la somma dei componenti liberi X1, X2 e X3 sia effettivamente 100%.
Per questo lavoro, ho testato diverse proprietà, ma ne ho riportate tre sotto forma di un grafico ternario codificato a colori. Dove il verde e il rosso indicano rispettivamente valori buoni e cattivi. Partendo dalla proprietà uno, possiamo vedere come la formulazione in fondo al grafico ternario abbia un valore buono, ma questa proprietà tende a diminuire salendo nel grafico ternario. Salendo, significa che stiamo aumentando la quantità della componente X1. Mentre spostandosi da sinistra a destra, quindi modificando la quantità delle componenti X2 e X3, non ha alcun impatto su questa specifica proprietà. Questo è un esempio di una proprietà dominata principalmente da una componente, X1 in questo caso.
Ora, osservando la seconda proprietà, possiamo osservare un andamento simile ma opposto. Salendo, questa proprietà migliora. Aumentando la quantità di X1, miglioriamo questa specifica proprietà. Ma in questo caso, procedendo da sinistra a destra, abbiamo una diminuzione del valore. Qui, per questa specifica proprietà, possiamo vedere che è influenzata principalmente da X1 e X3. Questo ci porta ad avere tre sezioni in cui abbiamo proprietà buone, proprietà medie e proprietà scadenti.
Per quanto riguarda la terza proprietà, secondo teorie estrapolate dalla letteratura e dall'esperienza tecnica diretta, la proprietà tre dovrebbe essere migliore per la formulazione in fondo al grafico ternario. Questo è generalmente vero, come possiamo vedere qui, ma c'è un'eccezione. Questa formulazione in alto a destra, che è un po' anomala. Ciò evidenzia l'importanza di filtrare un ampio spazio e di non avere distorsioni verso determinati parametri. Perché se dovessimo seguire la teoria e testare o analizzare solo la formulazione in basso, probabilmente avremmo perso di vista questa formulazione in alto a destra.
Infine, il Predictor Profiler è utile per confrontare più proprietà e tendenze contemporaneamente. Utilizzate questo fattore di capacità per massimizzare le proprietà più desiderate e visualizzare l'intervallo di confidenza. In questo caso, ho riportato o rappresentato graficamente sette proprietà rispetto alle tre variabili e possiamo osservare tutte le tendenze contemporaneamente. Possiamo anche notare che per alcune proprietà gli intervalli di confidenza sono molto stretti, mentre per altre proprietà sono molto ampi. Dovremmo essere cauti quando traiamo conclusioni utilizzando questi dati.
Per ora, gli insegnamenti e i progetti futuri. Questo mix design ha evidenziato diverse tendenze e alcuni risultati inaspettati. Ciò contribuirà all'ottimizzazione e alla personalizzazione di diversi prodotti. Sarebbe stato utile avere più ripetizioni, poiché alcune proprietà presentano intervalli di confidenza piuttosto ampi, ed è importante identificare e comprendere le principali fonti di variabilità.
È necessario uno studio più approfondito dei dati generati per individuare la correlazione tra le proprietà misurate, spiegare i valori anomali e stabilire collegamenti con studi precedenti per confermare o confutare le teorie, e avere una visione più ampia. In effetti, credo che sia importante sfruttare appieno il lavoro e i dati che abbiamo generato.
Questo è tutto per questo lavoro. Grazie per l'attenzione.
