| Conférencier |
Transcription |
| Stuart Little |
Bonjour à tous et bienvenue à cette présentation sur la manière dont JMP est utilisé chez Croda pour stimuler le développement de nouveaux produits. |
| |
Nous allons donc aborder aujourd'hui, et tout d'abord, le contexte de Croda, notre utilisation de JMP et où nous en sommes dans ce projet, ainsi qu'un résumé du problème que nous essayons de résoudre. |
| |
Une fois le problème résolu, nous passerons à JMP et examinerons comment ses outils et plateformes facilitent l'exploration et le développement des données. |
| |
d'un modèle de performance structurelle. |
| |
Enfin, nous conclurons en discutant des résultats de ce travail et de la manière dont ils ont été obtenus. |
| |
En menant ce type de recherche, nous avons pu accroître l'adhésion à l'utilisation des données et des techniques DOE dans le secteur de la recherche au sein de l'entreprise. |
| |
Tout d'abord, qui sommes-nous en tant que Croda ? C'est une question qui revient assez souvent. |
| |
parce que nous sommes une entreprise B2B. Mais en tant qu'entreprise, Croda est le nom derrière |
| |
Nous fournissons de nombreux ingrédients et technologies de pointe et sommes à l'origine de nombreuses marques parmi les plus importantes et les plus prospères au monde, sur divers marchés. Nous créons, fabriquons et commercialisons des produits chimiques de spécialité. Depuis la création de Croda, ces produits sont au cœur de notre activité. |
| |
Nous utilisons principalement des matériaux durables. Nous avons donc commencé par fabriquer de la lanoline, issue de la laine de mouton, et nous développons constamment cette approche durable. L'année dernière, nous |
| |
Nous nous sommes engagés publiquement à avoir un impact positif sur le climat, les terres et les populations d'ici 2030 et avons adhéré aux Objectifs de développement durable des Nations Unies dans le cadre de nos efforts pour atteindre cet objectif et devenir le fournisseur le plus durable d'ingrédients innovants au monde. |
| |
En ce qui concerne les marchés que nous desservons, nous avons une activité très importante dans le domaine des soins personnels, où nous proposons des soins de la peau et des produits solaires. |
| |
Soins capillaires, cosmétiques de couleur et autres produits de soins personnels traditionnels. Secteur des sciences de la vie, nos produits... |
| |
Nos produits et notre expertise aident les clients à optimiser leurs formulations et l'utilisation de leurs principes actifs. Plus récemment, nous avons conclu un accord avec Pfizer. |
| |
pour fournir les matières premières entrant dans la composition de leur vaccin contre la COVID-19. Notre division de produits chimiques industriels, |
| |
Cette branche de l'entreprise est chargée de fournir des matériaux techniquement différenciés et majoritairement durables à un vaste éventail de marchés. Beaucoup de ces marchés ne correspondent à aucune autre catégorie présentée sur cette diapositive. |
| |
Et enfin, nous avons notre division technologies de performance. Celle-ci couvre de nombreux domaines similaires. |
| |
Nous fournissons des solutions performantes dans tous ces domaines. Aujourd'hui, nous allons plus particulièrement aborder notre activité dans le domaine des technologies énergétiques, et notamment les technologies de batteries pour l'électronique haute performance. |
| |
Chez Croda, nous utilisons JMP depuis environ deux ans et il a suscité un vif intérêt en interne. Il a été plus difficile de convaincre que ces techniques ont une réelle valeur. |
| |
pour faire des recherches. Et donc, pour le prouver, nous avons mené des études de cas. |
| |
Dans l'ensemble, ce fut un succès. Nous avons démontré le potentiel et certains écueils inhérents à cette approche. Tout cela a débouché sur un ensemble de projets légèrement plus importants, dont celui dont nous allons vous parler aujourd'hui. |
| |
Comment améliorer l'efficacité des systèmes de refroidissement électrique ? La principale motivation de ce projet est : |
| |
L'électrification des transports, notamment grâce aux véhicules électriques, est un sujet important. Comment assurer un entretien optimal des batteries ? Comment garantir le fonctionnement optimal des moteurs ? |
| |
Et comment avez-vous fait ça sans électrocuter personne ? |
| |
Il existe actuellement un ensemble de méthodes de refroidissement pour ces appareils, et nos clients cherchent certainement à les améliorer, car plus le contrôle du refroidissement de la batterie est précis, meilleure est la capacité de la batterie et plus l'autonomie est constante. |
| |
Et comme, vous savez, c'est crucial et qu'il existe de nombreuses applications différentes qui sont globalement similaires, ce qui nous serait vraiment utile, ce serait de construire |
| |
Il est nécessaire de comprendre ces fluides grâce à un modèle basé sur les données, et c'est là qu'intervient JMP. Alors, comment procéder ? |
| |
Eh bien, la première chose que nous avons examinée, c'était quelles sont les méthodes de refroidissement actuelles ? Pour les batteries, elles sont principalement refroidies par air ou par plasma froid pour la génération précédente. |
| |
Et pour l'électronique embarquée, on a le problème inverse de la batterie : les composants ont tendance à trop chauffer, alors on utilise des dissipateurs thermiques pour essayer d'évacuer cette énergie. |
| |
Et dans les moteurs électriques, on essaie de minimiser la résistance interne ; ils sont généralement recouverts de fluide. |
| |
Dans ces trois cas, la méthode alternative de refroidissement envisagée |
| |
Cela repose sur un fluide, donc il s'agit d'une immersion directe pour les batteries et l'électronique, et puis en ce qui concerne les moteurs électriques, il s'agit plutôt d'un flux. |
| |
Alors, à quoi ressemble ce fluide ? Évidemment, nous avons affaire à des tensions élevées, il nous faut donc un fluide non conducteur d'électricité. |
| |
Il doit également posséder une très haute conductivité thermique, afin de pouvoir évacuer la chaleur des composants électroniques. |
| |
Et comme ces fluides doivent circuler dans le système, leur viscosité doit être faible. Nous avons donc des contraintes physiques pratiques imposées par l'application elle-même. |
| |
Si vous examinez la question un peu plus en profondeur, |
| |
La capacité des fluides à transférer la chaleur repose principalement sur cette équation. Et cela nous indique qu'il existe une partie que nous pouvons contrôler. |
| |
Le coefficient de transfert thermique du fluide influe sur le fonctionnement, tandis que la solution d'ingénierie appliquée détermine la surface à refroidir et les températures des surfaces concernées. |
| |
Mais dans tous les cas, pour obtenir un transfert de chaleur efficace, il faut un coefficient de transfert de chaleur élevé, et comme c'est ce sur quoi nous pouvons agir, c'est là que nous avons cherché. |
| |
Ce coefficient de transfert thermique est défini |
| |
Cette équation, simplifiée à l'extrême, comprend d'autres termes, mais principalement, |
| |
Cela dépend de la densité, de la conductivité thermique, de la capacité thermique, et a également un impact sur la viscosité du système. |
| |
Donc, si nous recherchons spécifiquement les applications qui nous intéressent, |
| |
Pour optimiser notre fluide diélectrique, il faut augmenter sa densité, sa conductivité thermique et sa capacité thermique, tout en réduisant sa viscosité. |
| |
du...du fluide. |
| |
Et ces défis correspondent assez bien aux difficultés d'ingénierie que nous rencontrons, ce qui est utile. |
| |
Donc |
| |
À partir de là, ce que nous voulions vraiment faire, c'était… nous savions quel était l'objectif. |
| |
Et nous souhaitions vraiment comprendre la relation entre la structure et les performances du produit en tant que fluide diélectrique. |
| |
Nous avons donc initialement procédé de manière assez traditionnelle et nous avons commencé à mener une étude à grande échelle mesurant les propriétés physiques de nombreux esters et de nombreux autres matériaux. |
| |
Et puis, quand nous avons vu et examiné cela, nous nous sommes dit : « Eh bien, ces données existent, alors pourquoi ne pas utiliser ces ensembles de données pour essayer de construire des modèles et nous demander si nous pouvons vraiment comprendre la relation entre les propriétés physiques, la structure et les performances ? » |
| |
Voilà où... nous allons juste faire un petit tour chez JMP, alors patientez une seconde. |
| |
D'accord. |
| |
Alors la première chose que nous avons faite |
| |
Nous avons compilé ce mélange de données historiques et de données obtenues grâce à des tests ciblés effectués par les équipes d'applications. |
| |
Et une fois que nous avons rassemblé tout cela au même endroit, nous l'avons en quelque sorte examiné dans JMP pour voir s'il existe... pour comprendre, s'il existe une relation, mais à un niveau très simple, entre les propriétés physiques que nous mesurons. |
| |
Donc, si l'on examine cet ensemble de données, mon premier réflexe, comme toujours, est de me tourner vers la plateforme de distribution JMP. |
| |
Et c'est un moyen très simple de voir si un élément recherché présente une quelconque récurrence ailleurs. Donc, si, par exemple, on dit : « On veut tout ce qui a une conductivité thermique élevée », on constate que les propriétés sont assez largement réparties. |
| |
Les autres propriétés que nous avons mesurées… Cela ne nous permet pas vraiment de conclure : « Il existe une corrélation parfaite, voici ce qu’il vous faut », ce à quoi nous nous attendions. Mais c’est toujours utile d’avoir une confirmation. |
| |
De même, si nous représentons ensuite tout comme |
| |
Sur les nuages de points, on observe beaucoup de bruit. En fait, ces lignes de tendance ne servent qu'à montrer qu'il n'y a pas vraiment d'ajustement. |
| |
Je ne revendique en aucun cas votre corrélation sur ces points. |
| |
Et tout cela était décevant, qu'il n'y ait pas de réponse évidente. |
| |
C'était prévu. |
| |
Ce qui nous a intéressés, c'est que nous nous sommes dit : « Eh bien, nous nous attendions à ce qu'il n'y ait pas de... » |
| |
Il n'existe pas de lien évident entre l'un de ces facteurs, car s'il y en avait un, cela aurait été évident pour les scientifiques expérimentés qui ont effectué les travaux, et nous l'aurions su. |
| |
Alors, nous avons dit : « Ce que nous savons, c'est que toutes ces propriétés ont… » |
| |
une compréhension... une relation avec leur structure. |
| |
Que se passe-t-il si nous calculons certains paramètres physiques de ces substances et que nous les combinons avec un certain nombre d'identifiants structuraux et de méthodes d'analyse de ces molécules ? Que se passe-t-il si nous ajoutons ces données aux données de test ? |
| |
Est-ce que… vous savez, on pourrait alors construire une sorte de modèle ? |
| |
Cela permet d'estimer la structure et les performances, et c'est précisément ce que nous avons fait. |
| |
Vous savez, dans ce cas précis, |
| |
ce que nous voyons |
| |
c'est ça, |
| |
Là encore, si nous utilisons la plateforme multivariée, ne serait-ce que pour un rapide coup d'œil, afin de vérifier s'il existe une corrélation. |
| |
sur certains de ces facteurs, |
| |
ce |
| |
On observe parfois une nette différenciation entre les hausses et les baisses, et peut-être quelques légères corrélations, mais rien qui permette d'affirmer avec certitude : « Voilà l'élément clé. » C'est exactement ce à quoi nous nous attendions. |
| |
Alors, qu'avons-nous fait ? |
| |
Nous avons utilisé les plateformes de régression dans JMP. |
| |
essayer de comprendre |
| |
si nous pouvions construire un modèle, et ce que cela impliquerait. |
| |
Voici à quoi ressemble la relation. Pour ce faire, nous avons sélectionné aléatoirement un certain nombre de lignes pour la sélection des lignes. |
| |
outil dans JMP. Généralement, on extrait cinq échantillons au hasard, qui n'allaient pas participer au modèle, puis on construit relativement ces modèles. |
| |
et nous les avons affinés de cette manière, de sorte que nous avions toujours un ensemble de validation à partir des données initiales, juste pour... juste pour vérifier que ce que nous faisions avait une chance de succès. |
| |
Donc, si l'on considère uniquement les modèles à 80 degrés, le premier modèle que nous avons rencontré est |
| |
C'était celui-ci. |
| |
Comme nous pouvons le constater, il est clair que plusieurs facteurs inclus dans ce modèle n'ont aucun sens d'un point de vue statistique, car ils relèvent d'un surapprentissage et ne sont tout simplement pas significatifs. |
| |
Cependant, ces éléments sont assez importants pour décrire les molécules qui s'y trouvent. C'est pourquoi, en tant que chimistes, nous avons créé ce modèle. Il s'agit donc d'un modèle qui permet, si vous voulez, de concevoir des molécules pour cette application. |
| |
même si nous savons qu'il est surdimensionné. Et nous savons que |
| |
Ce n'est pas... ce n'est pas vraiment un modèle valable car ces termes ne font qu'augmenter sans cesse le R². |
| |
Nous aussi |
| |
Nous avons construit le modèle sans ces termes. |
| |
Ce modèle est bien meilleur pour estimer les performances de ces éléments ; le coefficient de détermination (R²) est légèrement inférieur. |
| |
mais tous les termes qui y figurent ont un impact significatif |
| |
sur la performance. |
| |
L'inconvénient de ce modèle est qu'il ne nous aide pas vraiment à concevoir |
| |
toute nouvelle chimie. |
| |
Mais, dans les deux cas, lorsque nous examinons |
| |
En comparant les valeurs prédites aux valeurs mesurées, on observe une corrélation satisfaisante. Et, de fait, lorsque l'on s'attend à des valeurs élevées, elles le sont effectivement. |
| |
Cela nous a donc donné l'assurance que ce modèle pourrait effectivement fonctionner pour nous. |
| |
En termes de... et ensuite, pour évaluer la pertinence de cette approche, nous avons simplement examiné la différence en pourcentage entre |
| |
la valeur mesurée et la valeur réelle. Et ce que nous constatons, c'est qu'elles sont presque toujours à moins de 10 %, et principalement à moins de 5 % pour les deux modèles. |
| |
Là encore, et ce sur une gamme de matériaux différents, cela nous a confortés dans l'idée que ce que nous observions pouvait être un effet réel. |
| |
Tout cela est très agréable. |
| |
Est-ce simplement un effet des données que nous avons mesurées ? |
| |
Nous avons donc utilisé la plateforme de profilage de JMP, produit un modèle partageable que nous avons pu diffuser au sein de l'équipe projet, et avons en quelque sorte lancé un concours : celui qui trouverait le modèle le plus performant… |
| |
la conductivité thermique la plus élevée de ce modèle provient d'une molécule qui pourrait réellement être fabriquée, |
| |
victoires. |
| |
Vous savez, à partir de là, nous avions une liste d'environ 14 matériaux qui semblaient prometteurs. Nous avons dû en éliminer quelques-uns car il était impossible de se procurer les matières premières, et nous avons finalement retenu environ neuf nouveaux matériaux qui ont été synthétisés et testés. Ces matériaux étaient presque exclusivement |
| |
Composés de matériaux que le modèle n'avait jamais vraiment vus auparavant, vous savez. Dans certains cas, une partie de la molécule était identique, mais ils étaient très différents des matériaux d'origine. |
| |
Une fois que nous les avions fabriqués et testés, nous les avons réintégrés dans le modèle. |
| |
et pour voir, juste pour voir, quel était le pouvoir prédictif de ce modèle. |
| |
Donc, si nous examinons ces données, vous savez, je pense, compte tenu des différences entre ces matériaux, je m'attendais pleinement à |
| |
ce... |
| |
ceci pour briser le modèle. |
| |
Cependant, lorsque nous... |
| |
si l'on regarde à nouveau les prévisions, |
| |
Ce que l'on voit, ce sont les nouveaux matériaux mis en évidence en bleu. On en a volontairement choisi quelques-uns avec des valeurs plus basses, juste par curiosité, pour vérifier. Et tous ceux qu'on pensait avoir des valeurs élevées l'étaient effectivement. |
| |
Dans le modèle surajusté, utile pour la conception de la structure, on observe une valeur aberrante. En revanche, dans le modèle statistiquement pertinent, l'ajustement global est bien meilleur. |
| |
Et c'était |
| |
Il est encourageant de constater que nous pouvons désormais nous passer de la simple conception d'une molécule unique, en disant : « Voilà, c'est tout ce qu'il vous faut ! » Mais il est essentiel de pouvoir orienter les chimistes de synthèse vers les matériaux adéquats pour faire avancer les projets. |
| |
Donc, si nous regardons à nouveau ces résidus, ce que nous constatons, c'est que pour le |
| |
Vous savez, pour le modèle statistiquement performant sans surapprentissage, nous avons constaté que tout se situait à moins de 10 % de l'ensemble des nouveaux matériaux. |
| |
Ce qui, compte tenu de nos objectifs, était suffisant. Quelques valeurs du modèle présentaient un surapprentissage légèrement inférieur à 10 %, mais c'est tout à fait normal. |
| |
Et c'est, vous savez, c'était bien qu'ils soient tous dans la bonne fourchette, car cela montre que cette approche avait de la valeur, mais c'était aussi assez surprenant de constater qu'ils n'étaient pas tous exactement corrects, car je pense que si nous avions produit neuf matériaux et qu'ils avaient tous été à moins de 1 %, |
| |
Je ne suis pas sûr que les gens l'auraient cru non plus. |
| |
Donc |
| |
En fait, nous obtenions un résultat similaire... |
| |
L'écart observé était similaire aux prédictions établies à partir des matériaux initiaux et des nouveaux matériaux synthétisés. Nous avons donc commencé à avoir une réelle confiance en ce modèle. |
| |
Et ensuite, si nous revenons simplement à |
| |
les diapositives une seconde. |
| |
Alors, que pouvons-nous dire ? |
| |
La relation structure-performance de ces matériaux |
| |
a été créé dans JMP en utilisant les plateformes de régression. |
| |
Nous avons utilisé les outils de visualisation de JMP pour constater les réels avantages de cette approche et pour démontrer que le modèle lui-même sert à orienter le choix de nouveaux matériaux dans ce projet. Il permet de sélectionner, parmi nos produits actuels, les matériaux les plus prometteurs à tester. |
| |
Et il y a, vous savez, une corrélation acceptable entre les résultats du modèle et ceux des nouvelles molécules que nous fabriquons. |
| |
Tout cela a renforcé notre confiance dans cette approche et nous a permis de faire progresser ce projet et de le décliner en matériaux cibles spécifiques. |
| |
Donc, en ce qui concerne les nouvelles molécules, |
| |
Nous avons privilégié les molécules à conductivité thermique élevée. Comme vous pouvez le constater sur ce graphique, toutes les nouvelles molécules présentent une conductivité thermique moyenne à élevée, ce qui correspond à l'objectif recherché. |
| |
Nous avons démontré que nous pouvions cibler une amélioration, en utilisant des données, puis la vérifier en laboratoire et la mettre en œuvre. |
| |
Là où ce projet se complique encore davantage, c'est que nous essayons maintenant de construire des modèles similaires pour tous les autres facteurs. |
| |
qui influencent les performances de ces fluides diélectriques, et nous essaierons ensuite de comparer ces modèles afin d'obtenir les meilleurs résultats. |
| |
Ce développement se poursuit donc, mais cette dynamique est uniquement due à la facilité d'utilisation de JMP et des plateformes qu'il contient pour traiter un ensemble de données. |
| |
et, avec une certaine connaissance du domaine, faire avancer les choses et dire : « Oui, voici un modèle qui permettra d'orienter les efforts de ce projet et des projets ultérieurs dans ce domaine pour Croda. » |
| |
En conclusion, les données issues des tests ont permis de modéliser avec succès les performances de ces matériaux. Le modèle n'est pas parfait, mais il répond parfaitement à nos besoins. |
| |
Le modèle... |
| |
le modèle démontre |
| |
Il existe une relation structure-performance pour les esters (désolé, je ne sais pas pourquoi ma barre des tâches se déplace de façon erratique). Le modèle a été utilisé pour prédire des matériaux à haute conductivité thermique. |
| |
Ces prédictions sont ensuite vérifiées initialement par simple exclusion, puis latéralement en créant de nouveaux matériaux, démontrant ainsi que ce modèle est valable pour ce type de chimie. |
| |
Cela a également démontré la possibilité d'adapter les propriétés de, |
| |
Dans ce cas, des diélectriques, mais aussi d'autres matériaux, si vous construisez des modèles similaires, afin de pouvoir commencer à créer des matériaux spécifiques pour des applications spécifiques. |
| |
Et je pense que le plus important pour moi, |
| |
Le véritable succès de ce travail a permis de créer une dynamique interne qui démontre que JMP n'est pas un simple atout, mais une véritable plateforme pour développer la recherche, pour analyser très rapidement des ensembles de données et se demander : y a-t-il quelque chose à exploiter ? |
| |
Et sur ce, |
| |
Je voulais simplement vous remercier d'avoir regardé. Je ne peux évidemment pas répondre aux questions enregistrées, mais si vous souhaitez me contacter, n'hésitez pas à laisser un commentaire dans la Communauté. Merci beaucoup ! |
