Las formulaciones de grado aeroespacial suelen estar compuestas por varios ingredientes cuyas proporciones e interacciones afectarán una o más propiedades del componente final. La teoría y la experiencia pueden ayudar en el diseño de estas formulaciones, pero a veces existen interacciones o sinergias que aún no se han descubierto. Por lo tanto, puede ser útil explorar un amplio campo experimental para descubrir lo inesperado.
En esta presentación, comparto los resultados y la información obtenida tras ejecutar un diseño de mezcla, incluyendo cómo visualizar, normalizar y analizar los datos. También analizo los gráficos ternarios, cómo comunicar información técnica a un público no técnico, los desafíos encontrados y qué se podría haber mejorado.
Hola, me llamo Carlo Campanelli y este póster trata sobre el uso de un diseño de mezclas para optimizar una formulación aeroespacial. Los sistemas de resina para aplicaciones aeroespaciales suelen incluir múltiples componentes que deben equilibrarse para cumplir simultáneamente con los requisitos de seguridad termomecánica y regulatorios.
El proceso de prueba puede ser largo, costoso y presentar múltiples fuentes de variabilidad. Además, a menudo existen limitaciones de tiempo que limitan el número de formulaciones, pruebas, condiciones, muestras y repeticiones que se pueden realizar.
El objetivo de este trabajo es mejorar las propiedades específicas del material, manteniendo inalteradas las demás características y el rendimiento del producto. Esto suele ser un desafío, ya que puede ser un juego de suma cero. Generalmente, se trata de encontrar el mejor equilibrio, más que la mejor formulación. El mejor equilibrio puede variar según el cliente o la aplicación.
El enfoque de este trabajo consiste en utilizar un diseño de mezcla con 3 variables, 15 ejecuciones y una repetición. En la esquina superior derecha, se muestra una imagen que muestra el espacio experimental del diseño de mezcla con las 15 formulaciones probadas. Los componentes o variables son X1, X2 y X3, y su suma siempre es del 100 %. A la derecha, se muestra una imagen que muestra cómo interpretar el gráfico ternario y cómo la suma de los componentes libres X1, X2 y X3 es en realidad del 100 %.
Para este trabajo, he probado varias propiedades, pero he reportado tres en forma de un gráfico ternario con código de colores. Donde verde y rojo representan valores buenos y malos, respectivamente. A partir de la propiedad uno, podemos observar cómo la formulación en la parte inferior del gráfico ternario tiene un valor bueno, pero esta propiedad tiende a disminuir al ascender en el gráfico. Al ascender, significa que estamos aumentando la cantidad del componente X1. Mientras que ir de izquierda a derecha, es decir, cambiar la cantidad de los componentes X2 y X3, no tiene impacto en esta propiedad específica. Este es un ejemplo de una propiedad dominada principalmente por un componente, X1 en este caso.
Ahora, al observar la segunda propiedad, observamos una tendencia similar, pero opuesta. Al subir, esta propiedad mejora. Al aumentar X1, mejoramos esta propiedad específica. Sin embargo, de izquierda a derecha, observamos una disminución en el valor. Para esta propiedad específica, observamos que está influenciada principalmente por X1 y X3. Esto nos da tres secciones: propiedades buenas, propiedades regulares y propiedades malas.
En cuanto a la tercera propiedad, según teorías extrapoladas de la literatura y la experiencia técnica directa, debería ser más adecuada para la formulación en la parte inferior del diagrama ternario. Esto es generalmente cierto, como podemos ver aquí, pero hay una excepción: la formulación superior derecha, que es ligeramente atípica. Esto resalta la importancia de filtrar un espacio amplio y no tener sesgo hacia ciertos parámetros. Si siguiéramos la teoría y solo probáramos o analizáramos la formulación inferior, probablemente la habríamos pasado por alto.
Finalmente, el Predictor Profiler es útil para comparar múltiples propiedades y tendencias simultáneamente. Utilice este factor de capacidad para maximizar las propiedades más deseadas y visualizar el intervalo de confianza. En este caso, he reportado o graficado siete propiedades contra las tres variables, y podemos observar todas las tendencias simultáneamente. También podemos observar que, para algunas propiedades, los intervalos de confianza son muy estrechos, mientras que para otras son muy amplios. Debemos ser cautelosos al extraer conclusiones con estos datos.
En cuanto a los aprendizajes y los trabajos futuros, este diseño de mezcla ha revelado varias tendencias y algunos resultados inesperados. Esto facilitará la optimización y la adaptación de varios productos. Habría sido beneficioso contar con más repeticiones, ya que algunas propiedades tienen intervalos de confianza bastante amplios, y es importante identificar y comprender las principales fuentes de variabilidad.
Se necesita un estudio más profundo de los datos generados para encontrar la correlación entre las propiedades medidas, explicar los valores atípicos y conectarlos con estudios previos para confirmar o refutar teorías y obtener una visión general. De hecho, creo que es importante aprovechar al máximo el trabajo y los datos que hemos generado.
Esto es todo por este trabajo. Gracias por su atención.
