| Lautsprecher |
Transkript |
| Stuart Little |
Hallo zusammen und herzlich willkommen zu diesem Vortrag darüber, wie JMP bei Croda zur Förderung der Entwicklung neuer Produkte eingesetzt wird. |
| |
Was wir heute behandeln werden, ist Folgendes: Zunächst werden wir den Kontext von Croda erläutern, wie wir JMP einsetzen und wo wir uns auf diesem Weg befinden, und anschließend eine Zusammenfassung des Problems geben, das wir lösen wollen. |
| |
Sobald Sie das Problem behandelt haben, werden wir uns JMP zuwenden und sehen, wie die Werkzeuge und Plattformen in JMP die einfache Datenexploration und die einfache Entwicklung ermöglicht haben. |
| |
eines Strukturleistungsmodells. |
| |
Und schließlich werden wir die Ergebnisse dieser Arbeit besprechen und wie sie sich auswirken werden. |
| |
Durch die Durchführung solcher Forschungen konnten wir die Akzeptanz für die Nutzung von Daten und DOE-Techniken im Forschungsbereich des Unternehmens steigern. |
| |
Zuallererst: Wer sind wir als Croda? Diese Frage taucht immer wieder auf. |
| |
Weil wir ein B2B-Unternehmen sind. Aber als Unternehmen ist Croda der Name hinter |
| |
Wir entwickeln, produzieren und vertreiben Spezialchemikalien und sind an der Herstellung zahlreicher Hochleistungsinhaltsstoffe und -technologien beteiligt, die in vielen der größten und erfolgreichsten Marken weltweit in verschiedenen Märkten zum Einsatz kommen. Seit der Gründung von Croda ist dies unser Kerngeschäft. |
| |
überwiegend nachhaltige Materialien. Wir begannen also mit der Herstellung von Lanolin aus Schafwolle und bauen diese Nachhaltigkeit kontinuierlich aus. Letztes Jahr haben wir |
| |
Wir haben uns öffentlich verpflichtet, bis 2030 klima-, land- und menschenfreundlich zu werden, und haben die UN-Nachhaltigkeitsziele unterzeichnet, um dieses Ziel zu erreichen und der nachhaltigste Lieferant innovativer Inhaltsstoffe weltweit zu werden. |
| |
Was die von uns bedienten Märkte angeht, so betreiben wir ein sehr großes Geschäft mit Körperpflegeprodukten, darunter Hautpflege und Sonnenschutz. |
| |
Haarpflegeprodukte, dekorative Kosmetik und ähnliche traditionelle Körperpflegeprodukte. Life-Sciences-Unternehmen, unsere Produkte... unsere |
| |
Unsere Produkte und unser Fachwissen helfen Kunden, ihre Formulierungen und den Einsatz ihrer Wirkstoffe zu optimieren. Ich meine, erst kürzlich haben wir eine Vereinbarung mit Pfizer getroffen. |
| |
um Materialien für ihren COVID-19-Impfstoff bereitzustellen. Unser Geschäftsbereich Industriechemikalien, |
| |
Dieser Geschäftsbereich ist für die Lieferung technisch differenzierter, überwiegend nachhaltiger Materialien an eine Vielzahl von Märkten verantwortlich. Viele dieser Märkte lassen sich keiner der anderen Kategorien auf dieser Folie eindeutig zuordnen. |
| |
Und schließlich haben wir noch unseren Geschäftsbereich Performance Technologies. Dieser umfasst wiederum viele ähnliche Bereiche. |
| |
Wir liefern leistungsstarke Lösungen für all diese Bereiche. Und heute sprechen wir insbesondere über unser Energietechnologiegeschäft und ganz speziell über Batterietechnologie in der Hochleistungselektronik. |
| |
Bei Croda und JMP stehen wir also vor folgendem Problem: Wir nutzen JMP seit etwa zwei Jahren und haben intern großes Interesse daran festgestellt. Es war jedoch schwieriger, Vertrauen in den tatsächlichen Nutzen dieser Techniken zu schaffen. |
| |
um zu forschen. Und um dies zu beweisen, haben wir uns auf die Suche gemacht und eine Reihe von Fallstudien erstellt, die untersucht wurden. |
| |
Im Großen und Ganzen waren wir recht erfolgreich. Wir haben das Potenzial und einige der damit verbundenen Fallstricke aufgezeigt. Und all das hat dann zu einer etwas größeren Reihe von Projekten geführt, von denen eines dasjenige ist, über das wir heute mit Ihnen sprechen werden. |
| |
Wie lässt sich die Effizienz elektrischer Kühlsysteme verbessern? Der Hauptgrund für dieses Projekt ist |
| |
Eine Art Elektrifizierung des Transportwesens, also batteriebetriebene Fahrzeuge. Wie pflegt man die Batterie richtig? Wie stellt man sicher, dass die Motoren optimal funktionieren? |
| |
Und wie haben Sie das geschafft, ohne jemanden unter Strom zu setzen? |
| |
Aktuell gibt es also eine Reihe von Kühlmethoden für diese Geräte, und unsere Kunden prüfen natürlich, wie diese verbessert werden können, denn je besser die Kühlung des Akkus kontrolliert wird, desto besser ist beispielsweise die Akkukapazität und desto konstanter ist die Reichweite. |
| |
Und weil dies, wie Sie wissen, von entscheidender Bedeutung ist und es viele verschiedene Anwendungen gibt, die im Wesentlichen ähnlich sind, wäre es für uns wirklich sinnvoll, Folgendes zu entwickeln: |
| |
Ein Verständnis dieser Fluide erfordert ein datenbasiertes Modell, und genau da kommt JMP ins Spiel. Wie können wir das also erreichen? |
| |
Als Erstes haben wir uns angesehen, welche Kühlmethoden aktuell angewendet werden. Bei Batterien waren es vorwiegend Luftkühlung oder, in der vorherigen Generation, Kaltplattenkühlung. |
| |
Und bei der Elektronik im Auto hat man das gegenteilige Problem der Batterie, aber die Dinger neigen dazu, zu heiß zu werden, deshalb haben wir Kühlkörper, um zu versuchen, diese Energie abzuführen. |
| |
Und bei Elektromotoren versuchen wir, den Widerstand darin zu minimieren; deshalb werden sie in der Regel mit Flüssigkeit ummantelt. |
| |
In allen drei Fällen wurde die alternative Kühlmethode eingeführt. |
| |
basiert auf Flüssigkeit, also direktem Eintauchen für Batterien und Elektronik, und bei Elektromotoren handelt es sich eher um einen Durchfluss. |
| |
Wie sieht diese Flüssigkeit also aus? Offensichtlich arbeiten wir mit hohen Spannungen, daher benötigen wir ein Material, das nicht elektrisch leitfähig ist. |
| |
Es muss außerdem eine sehr hohe Wärmeleitfähigkeit aufweisen, damit es die Wärme aus der Elektronik abführen kann. |
| |
Da diese Flüssigkeiten im System bewegt werden müssen, muss ihre Viskosität niedrig sein. Es ergeben sich also praktische physikalische Einschränkungen, die durch die Anwendung selbst bedingt sind. |
| |
Wenn man es etwas genauer betrachtet, |
| |
Die Fähigkeit der Flüssigkeiten, Wärme zu übertragen, basiert hauptsächlich auf dieser Gleichung. Und das bedeutet, dass wir einen Teil davon beeinflussen können. |
| |
Die Wärmeleitfähigkeit hängt vom Fluid ab, genauer gesagt vom Wärmeübergangskoeffizienten, und wird durch die technische Lösung in der jeweiligen Anwendung bestimmt. Wie groß ist die zu kühlende Fläche und welche Temperaturen weisen die zu kühlenden Oberflächen auf? |
| |
Aber in jedem Fall benötigen wir für einen effizienten Wärmetransfer einen hohen Wärmeübergangskoeffizienten, und da dies das ist, was wir beeinflussen können, haben wir uns darauf konzentriert. |
| |
Dieser Wärmeübergangskoeffizient ist definiert |
| |
Vereinfacht ausgedrückt enthält diese Gleichung noch weitere Terme, aber im Wesentlichen |
| |
Es ist eine Funktion der Dichte, der Wärmeleitfähigkeit, der Wärmekapazität und hat außerdem einen Einfluss auf die Viskosität des Systems. |
| |
Wenn wir also gezielt nach den Anwendungen suchen, an denen wir interessiert sind, |
| |
Um unser dielektrisches Fluid zu optimieren, müssen wir die Dichte, die Wärmeleitfähigkeit und die Wärmekapazität erhöhen, gleichzeitig aber die Viskosität reduzieren. |
| |
der... der Flüssigkeit. |
| |
Und diese passen ziemlich gut zu den technischen Herausforderungen, vor denen wir stehen, was hilfreich ist. |
| |
Also |
| |
Daraus ergab sich, dass wir wussten, was das Ziel war. |
| |
Und wir wollten wirklich verstehen, welcher Zusammenhang zwischen der Struktur und der Produktleistung als dielektrische Flüssigkeit besteht. |
| |
Zunächst gingen wir also auf eine recht traditionelle Weise vor und begannen mit einer groß angelegten Studie, in der wir die physikalischen Eigenschaften vieler Ester und vieler anderer Materialien maßen. |
| |
Und als wir das dann sahen und uns das anschauten, dachten wir: Nun, diese Daten existieren ja, warum nutzen wir diese Datensätze nicht, um Modelle zu erstellen und zu sagen: Können wir diese Beziehung zwischen physikalischen Eigenschaften, Struktur und Leistung wirklich verstehen? |
| |
Also, an dieser Stelle...wir werden kurz in JMP wechseln, also habt bitte einen Moment Geduld mit mir. |
| |
Okay. |
| |
Das Erste, was wir taten, war also, dass wir |
| |
Wir haben diese Mischung aus historischen Daten und Daten, die durch gezielte Tests der Anwendungsteams gewonnen wurden, zusammengetragen. |
| |
Und sobald wir das alles an einem Ort zusammengetragen haben, haben wir es in JMP untersucht, um festzustellen, ob es eine Beziehung gibt, und zwar auf einer ganz einfachen Ebene, zwischen den physikalischen Eigenschaften, die wir messen. |
| |
Wenn wir uns also diesen Datensatz ansehen, ist mein erster Anlaufpunkt wie immer die Verteilungsplattform in JMP. |
| |
Und es ist eine wirklich einfache Methode, um zu sehen, ob etwas, das man sucht, irgendwo anders ein vages Muster aufweist. Wenn ich in diesem Fall sage: „Wir wollen alles mit hoher Wärmeleitfähigkeit“, dann sehen wir, dass die Eigenschaften ziemlich weit gestreut sind. |
| |
Die anderen... die anderen Eigenschaften, die wir gemessen haben. Es sagt also nicht wirklich: „Oh, da besteht eine hervorragende Beziehung, was Sie brauchen, ist dies“, was wir eigentlich erwartet hatten. Aber es ist gut, eine Kontrollmöglichkeit zu haben. |
| |
Wenn wir dann analog dazu alles als darstellen |
| |
In den Streudiagrammen sehen wir vor allem viel Rauschen. Die Regressionsgeraden dienen lediglich als Referenz, um zu verdeutlichen, dass eigentlich keine wirkliche Anpassung vorliegt. |
| |
Ich behaupte in keiner Weise, dass Ihre Korrelation hierauf zutrifft. |
| |
Und all das war enttäuschend, dass es keine offensichtliche Antwort gibt. |
| |
war zu erwarten. |
| |
Interessant wurde es für uns, als wir sagten: Nun ja, wir hatten erwartet, dass es keine eindeutige Antwort gibt... |
| |
Es besteht kein eindeutiger Zusammenhang zwischen diesen Faktoren, denn wenn es einen gäbe, wäre er den erfahrenen Wissenschaftlern, die diese Arbeit durchgeführt haben, aufgefallen, und wir hätten das gewusst. |
| |
Also sagten wir dann: Nun, was wir wissen, ist, dass diese Eigenschaften alle Folgendes aufweisen: |
| |
ein Verständnis...eine Beziehung zu ihrer Struktur. |
| |
Was passiert, wenn wir einige physikalische Parameter für diese Dinge berechnen und diese mit einer Reihe von Strukturmerkmalen und Betrachtungsweisen dieser Moleküle kombinieren? Was passiert, wenn wir diese Daten zu den Testdaten hinzufügen? |
| |
Können wir dann vielleicht eine Art Modell bauen? |
| |
Damit können wir Struktur und Leistung abschätzen, und genau das haben wir getan. |
| |
Wissen Sie, in diesem Fall |
| |
Wir sehen |
| |
ist das, |
| |
Wenn wir also die multivariate Plattform nutzen, um auf einen Blick zu sehen, ob eine Korrelation besteht, können wir dies erneut tun. |
| |
bei einigen dieser Faktoren, |
| |
Das |
| |
In einigen Fällen lässt sich deutlich zwischen oben und unten unterscheiden, und es gibt vielleicht leichte Hinweise auf Korrelationen, aber nichts, was eindeutig besagt: „Das ist genau das, was Sie brauchen.“ Genau das hatten wir erwartet. |
| |
Also, was haben wir dann getan? |
| |
Wir haben die Regressionsplattformen in JMP verwendet. |
| |
um zu versuchen, zu verstehen |
| |
ob wir ein Modell bauen könnten und was das wäre |
| |
So sieht die Beziehung aus. Um dies zu tun, haben wir zufällig eine Anzahl von Zeilen für die Zeilenauswahl ausgewählt. |
| |
Das Tool in JMP. Im Allgemeinen werden fünf Stichproben zufällig ausgewählt, die nicht in das Modell einbezogen werden sollten. Anschließend werden diese Modelle relativ gut aufgebaut. |
| |
und haben sie auf diese Weise verfeinert, sodass wir immer einen Validierungssatz aus den Ausgangsdaten hatten, nur um... nur um zu überprüfen, ob das, was wir taten, überhaupt eine Chance auf Erfolg hatte. |
| |
Wenn wir uns also nur die 80-Grad-Modelle ansehen, das erste Modell, zu dem wir gekommen sind |
| |
Das war dieser hier. |
| |
Wie wir sehen können, gibt es in diesem Modell eine Reihe von Faktoren, die aus statistischer Sicht keinen Sinn ergeben, da sie einfach zu stark angepasst sind und keine Signifikanz besitzen. |
| |
Diese sind jedoch ziemlich wichtig für die Beschreibung der darin enthaltenen Moleküle, daher haben wir als Chemiker dieses Modell entwickelt. Es handelt sich also um ein Modell, mit dem sich Moleküle sozusagen für diese Anwendung entwerfen lassen. |
| |
auch wenn wir wissen, dass es zu eng anliegt. Und wir wissen, dass |
| |
Es ist kein wirklich gültiges Modell, denn diese Terme treiben das R² immer weiter in die Höhe. |
| |
wir auch |
| |
Das Modell wurde ohne diese Bedingungen erstellt. |
| |
Dieses Modell eignet sich weitaus besser zur Abschätzung der Leistungsfähigkeit dieser Dinge; der R²-Wert ist etwas niedriger. |
| |
Aber alle darin enthaltenen Begriffe haben eine erhebliche Auswirkung. |
| |
zur Leistung. |
| |
Der Nachteil dieses Modells ist, dass es uns bei der Entwicklung nicht wirklich hilft. |
| |
jede neue Chemie. |
| |
Aber in beiden Fällen, wenn wir uns das ansehen |
| |
Vergleicht man die vorhergesagten mit den tatsächlich gemessenen Werten, so zeigt sich eine recht gute Korrelation. Wenn wir hohe Werte erwarten, entsprechen diese in der Regel auch den Erwartungen. |
| |
Das gab uns also die Zuversicht, dass dieses Modell tatsächlich für uns funktionieren könnte. |
| |
Und als wir dann untersuchten, wie gut das sein könnte, haben wir einfach den prozentualen Unterschied zwischen |
| |
Der Messwert und der tatsächliche Wert. Und wir sehen, dass sie fast ausnahmslos innerhalb von 10 % liegen, überwiegend sogar innerhalb von 5 % für beide Modelle. |
| |
Auch dies, und zwar über eine Reihe unterschiedlicher Materialarten hinweg, gab uns die Gewissheit, dass das, was wir sahen, ein realer Effekt sein könnte. |
| |
Das ist alles sehr schön. |
| |
Ist das lediglich eine Folge der von uns erhobenen Daten? |
| |
Wir haben also die Profiler-Plattform in JMP genutzt, ein teilbares Modell erstellt, das wir im Projektteam verteilen konnten, und im Grunde einen Wettbewerb ins Leben gerufen: Wer auch immer das höchste... |
| |
die höchste Wärmeleitfähigkeit in diesem Modell von einem Molekül, das tatsächlich hergestellt werden könnte, |
| |
gewinnt. |
| |
Wir hatten daraufhin eine Liste mit etwa 14 vielversprechenden Materialien. Einige mussten wir aussortieren, da die Rohstoffe nicht zu beschaffen waren. Am Ende blieben etwa neun neue Materialien übrig, die synthetisiert und getestet wurden. Diese Materialien waren fast ausschließlich |
| |
Sie bestanden aus Materialien, die das Modell vorher noch nie gesehen hatte. In manchen Fällen war ein Teil des Moleküls zwar gleich, aber sie unterschieden sich doch deutlich von den ursprünglichen Materialien. |
| |
Nachdem wir sie also hergestellt und getestet hatten, bauten wir sie wieder in das Modell ein. |
| |
und um zu sehen, einfach um zu sehen, wie die Vorhersagekraft dieses Modells ist. |
| |
Wenn wir uns also diese Daten ansehen, dann denke ich, angesichts der Unterschiede dieser Materialien, dass ich das durchaus erwartet hatte. |
| |
Das... |
| |
Dies führt dazu, dass das Modell bricht. |
| |
Wenn wir jedoch... |
| |
Wenn wir uns die Vorhersagen noch einmal ansehen, |
| |
Die blau hervorgehobenen Bereiche stellen die neu hergestellten Materialien dar. Wir haben aus Neugierde absichtlich einige Materialien mit niedrigeren Werten ausgewählt, um dies zu überprüfen. Alle Materialien, von denen wir hohe Werte erwartet hatten, wiesen diese Werte auch auf. |
| |
Im überangepassten Modell, das zwar für die Strukturplanung von Nutzen war, sehen wir also einen Ausreißer. Im statistisch plausiblen Modell hingegen sehen wir insgesamt eine deutlich bessere Anpassung. |
| |
Und das war |
| |
Es ist erbaulich, dass wir bald nicht mehr einfach einzelne Moleküle entwerfen und sagen können: „Hier, fertig, fertig! Das ist genau das, was Sie brauchen.“ Wir können Synthesechemiker gezielt zu den richtigen Materialien führen, um Projekte wirklich voranzubringen. |
| |
Wenn wir uns diese Residuen also noch einmal ansehen, sehen wir Folgendes: |
| |
Wissen Sie, bei dem statistisch guten Modell ohne Überanpassung sahen wir, dass alles innerhalb von 10 % aller neuen Materialien lag. |
| |
Für unsere Zwecke war das ausreichend. Einige Werte im überangepassten Modell lagen knapp unter 10 %, aber das entsprach in etwa meinen Erwartungen. |
| |
Und es war schön, dass sie alle im richtigen Bereich lagen, denn das zeigt, dass dieser Ansatz wertvoll war, aber es war auch ziemlich überraschend festzustellen, dass sie nicht alle exakt stimmten, denn ich denke, wenn wir neun Materialien hergestellt hätten und alle innerhalb von 1 % gelegen hätten, |
| |
Ich bin mir nicht sicher, ob die Leute das auch geglaubt hätten. |
| |
Also |
| |
Tatsächlich erhielten wir ein ähnliches Ergebnis... |
| |
Die Abweichungen zwischen den Vorhersagen für die Ausgangsmaterialien und den neu entwickelten Materialien waren ähnlich groß. Daher gewannen wir zunehmend Vertrauen in dieses Modell. |
| |
Und dann, wenn wir einfach wieder zu |
| |
die Folien eine Sekunde. |
| |
Was können wir also sagen? |
| |
ist die Struktur-Leistungs-Beziehung dieser Materialien |
| |
wurde in JMP unter Verwendung der Regressionsplattformen erstellt. |
| |
Wir haben die Visualisierungswerkzeuge in JMP genutzt, um die Vorteile dieses Vorgehens zu erkennen und zu sehen, dass das Modell selbst dazu beiträgt, den Fokus auf neue Materialien in diesem Projekt zu lenken. Es dient dazu, geeignete Testmaterialien aus unseren bestehenden Produkten auszuwählen. |
| |
Und es besteht eine akzeptable Korrelation zwischen den Ergebnissen des Modells und den neuen Molekülen, die wir herstellen. |
| |
All dies hat diesem Ansatz großes Vertrauen verliehen und es uns ermöglicht, dieses Projekt weiter voranzutreiben und es in spezifische Zielmaterialien aufzuteilen. |
| |
Was also neue Moleküle betrifft, |
| |
Wir haben uns auf Moleküle mit höherer Wärmeleitfähigkeit konzentriert. Wie Sie in dieser Grafik sehen können, liegen alle neuen Moleküle im mittleren bis hohen Bereich der Wärmeleitfähigkeit, was genau unserem Ziel entsprach. |
| |
Wir haben gezeigt, dass wir mithilfe von Daten eine Verbesserung anstreben und diese dann im Labor überprüfen und umsetzen können. |
| |
Die Schwierigkeit dieses Projekts liegt darin, dass wir nun versuchen, ähnliche Modelle für alle anderen Faktoren zu erstellen. |
| |
die die Leistung dieser dielektrischen Flüssigkeiten beeinflussen, und dann werden wir versuchen, diese Modelle gegeneinander abzuwägen, um die besten Ergebnisse zu erzielen. |
| |
Diese Weiterentwicklung ist also noch im Gange, aber diese Dynamik ist allein auf die Benutzerfreundlichkeit von JMP und den darin enthaltenen Plattformen zur Verarbeitung von Datensätzen zurückzuführen. |
| |
Und mit etwas Fachwissen können wir das Ganze dann wirklich vorantreiben und sagen: Ja, hier ist ein Modell, das dazu beitragen wird, diesen Schwerpunkt für dieses Projekt und nachfolgende Projekte in diesem Bereich für Croda zu lenken. |
| |
Zusammenfassend lässt sich also sagen, dass die aus den Tests gewonnenen Daten erfolgreich zur Modellierung der Materialeigenschaften genutzt wurden. Das Modell ist zwar nicht perfekt, aber für unsere Zwecke ausreichend. |
| |
Das Modell... |
| |
Das Modell demonstriert |
| |
Es besteht ein Zusammenhang zwischen der Struktur und den Eigenschaften von Estern (Entschuldigung, ich weiß nicht, warum meine Taskleiste so springt). Das Modell wurde verwendet, um Materialien mit hoher Wärmeleitfähigkeit vorherzusagen. |
| |
Diese Vorhersagen werden dann zunächst durch Ausschlussverfahren und anschließend lateral durch die Herstellung neuer Materialien überprüft, um zu zeigen, dass dieses Modell für diese Art von Chemie tatsächlich Gültigkeit besitzt. |
| |
Es hat auch die Möglichkeit aufgezeigt, die Eigenschaften von |
| |
In diesem Fall Dielektrika, aber auch andere Materialien, wenn man ähnliche Modelle baut, sodass man in der Lage ist, spezifische Materialien für spezifische Anwendungen herzustellen. |
| |
Und ich glaube, was für mich am wichtigsten ist, |
| |
Der eigentliche Erfolg dieser Arbeit hat intern eine Dynamik erzeugt, die gewissermaßen beweist, dass JMP kein nettes Extra ist, sondern eine echte Plattform zur Entwicklung von Forschungsprojekten, um Datensätze sehr schnell zu analysieren und zu fragen: Steckt da etwas dahinter? |
| |
Und damit ist Schluss. |
| |
Ich möchte mich einfach fürs Zuschauen bedanken. Natürlich kann ich in der Aufzeichnung keine Fragen beantworten, aber wenn ihr Kontakt aufnehmen möchtet, könnt ihr gerne einen Kommentar in der Community hinterlassen. Ja, vielen Dank. |
