| Oratore |
Trascrizione |
| Stuart Little |
Ciao a tutti e benvenuti a questa presentazione su come JMP viene utilizzato in Croda per guidare lo sviluppo di nuovi prodotti. |
| |
Oggi parleremo di diversi argomenti, innanzitutto fornendo un contesto su Croda, spiegando come utilizziamo JMP e a che punto siamo del percorso di sviluppo, e riassumendo il problema che stiamo cercando di risolvere. |
| |
Una volta affrontato il problema, passeremo a JMP, e vedremo come gli strumenti e le piattaforme di JMP hanno permesso una facile esplorazione dei dati e un facile sviluppo. |
| |
di un modello di prestazione strutturale. |
| |
E infine concluderemo discutendo i risultati di questo lavoro e come |
| |
Grazie a questo tipo di ricerca, siamo riusciti ad aumentare l'adesione all'utilizzo dei dati e delle tecniche DOE (Design of Experiments) nel settore della ricerca aziendale. |
| |
Quindi, innanzitutto, chi siamo noi di Croda. È una domanda che viene posta abbastanza spesso, |
| |
perché siamo un'entità business-to-business. Ma come azienda, Croda è il nome dietro |
| |
molti ingredienti e tecnologie ad alte prestazioni, e alla base di molti dei marchi più grandi e di maggior successo al mondo, in una vasta gamma di mercati. Creiamo, produciamo e vendiamo prodotti chimici speciali. Fin dall'inizio di Croda, questi sono stati |
| |
materiali prevalentemente sostenibili. Quindi abbiamo iniziato producendo lanolina, che proviene dalla lana di pecora, e continuiamo a sviluppare questa sostenibilità. L'anno scorso abbiamo |
| |
Ci siamo impegnati pubblicamente a raggiungere un impatto positivo sul clima, sul territorio e sulle persone entro il 2030 e abbiamo aderito agli Obiettivi di Sviluppo Sostenibile delle Nazioni Unite nell'ambito del nostro impegno per raggiungere questo obiettivo e diventare il fornitore più sostenibile di ingredienti innovativi al mondo. |
| |
Quindi, in termini di mercati che serviamo, abbiamo una sorta di grande attività di cura personale in cui ci occupiamo di cura della pelle e protezione solare e |
| |
prodotti per la cura dei capelli, cosmetici colorati e quel genere di prodotti tradizionali per la cura personale. Attività nel settore delle scienze della vita, i nostri prodotti... |
| |
prodotti e competenze aiutano i clienti a ottimizzare le loro formulazioni e l'uso dei loro principi attivi. Voglio dire, più recentemente, abbiamo un accordo con Pfizer |
| |
per fornire materiali che andranno a costituire il loro vaccino contro il COVID-19. La nostra attività nel settore dei prodotti chimici industriali, |
| |
cioè...quella parte dell'azienda è responsabile della fornitura di materiali tecnicamente differenziati, prevalentemente sostenibili, a una vasta gamma di mercati. Molti mercati non sono...non rientrano esattamente in nessuna delle altre categorie di questa diapositiva. |
| |
E infine abbiamo la nostra divisione tecnologie ad alte prestazioni. Questa copre molte aree simili, |
| |
Offriamo soluzioni ad alte prestazioni in tutti questi ambiti. E oggi, in particolare, parleremo della nostra attività nel settore delle tecnologie energetiche, e nello specifico, della tecnologia delle batterie nell'elettronica ad alte prestazioni. |
| |
Quindi, per quanto riguarda Croda e JMP, utilizziamo JMP da circa due anni e abbiamo riscontrato molto interesse internamente. È stato più difficile, però, convincere il pubblico che queste tecniche abbiano un valore reale. |
| |
per fare ricerca. E quindi per dimostrarlo, siamo andati via, abbiamo creato una serie di casi di studio che sono stati |
| |
Nel complesso, un discreto successo. Abbiamo dimostrato il potenziale e alcune delle insidie che ne derivano. E tutto ciò ha poi portato a una serie di progetti leggermente più ampi, uno dei quali è quello di cui parleremo... di cui parleremo oggi. |
| |
Come possiamo migliorare l'efficienza dei sistemi di raffreddamento elettrico? L'obiettivo principale di questo progetto è |
| |
Si tratta di una sorta di elettrificazione dei trasporti, quindi veicoli a batteria. Come si effettua la corretta manutenzione della batteria? Come ci si assicura che i motori funzionino al massimo delle loro potenzialità? |
| |
E come hai fatto senza folgorare nessuno? |
| |
Attualmente esistono diversi metodi di raffreddamento per questi dispositivi, e i nostri clienti stanno certamente valutando come migliorarli, perché un controllo più accurato del raffreddamento della batteria, ad esempio, si traduce in una maggiore capacità della batteria stessa e in un'autonomia più costante. |
| |
E poiché, sai, questo è fondamentale e ci sono molte applicazioni diverse che sono ampiamente simili, la cosa veramente utile per noi sarebbe costruire |
| |
una comprensione di questi fluidi, attraverso una sorta di modello basato sui dati, ed è qui che entra in gioco JMP. Quindi, come possiamo farlo? |
| |
Bene, la prima cosa che abbiamo esaminato è stata: quali sono i metodi di raffreddamento attuali? Per le batterie, prevalentemente si utilizza il raffreddamento ad aria o a piastre fredde, come nella generazione precedente. |
| |
Per quanto riguarda l'elettronica dell'auto, si presenta il problema opposto rispetto alla batteria: i componenti tendono a surriscaldarsi, quindi si utilizzano i dissipatori di calore per cercare di disperdere quell'energia. |
| |
Nei motori elettrici, per ridurre al minimo la resistenza interna, si tende ad utilizzare un rivestimento in fluido. |
| |
In tutti e tre questi casi, il metodo alternativo di raffreddamento in arrivo |
| |
si basa sui fluidi, quindi si tratta di immersione diretta per batterie ed elettronica, mentre per quanto riguarda i motori elettrici, si tende ad avere più un flusso. |
| |
Quindi, che aspetto ha questo fluido? Ovviamente, abbiamo a che fare con alte tensioni, quindi dobbiamo usare qualcosa che non sia elettricamente conduttivo. |
| |
Deve inoltre possedere un'elevata conduttività termica, in modo da poter dissipare il calore dai componenti elettronici. |
| |
E poiché questi fluidi devono essere spostati all'interno del sistema, la viscosità deve essere bassa. Quindi abbiamo una sorta di vincoli fisici pratici introdotti dall'applicazione stessa. |
| |
Se lo si guarda un po' più a fondo, |
| |
La capacità dei fluidi di trasferire calore si basa prevalentemente su questa equazione. E ciò che questo ci dice è che c'è una parte che possiamo controllare |
| |
dal fluido, che è il coefficiente di scambio termico, e poi c'è una parte che è controllata dalla soluzione ingegneristica nell'applicazione a questo. Qual è l'area da raffreddare e quali sono le temperature delle superfici che si sta cercando di raffreddare? |
| |
Ma in tutti i casi, per ottenere un trasferimento di calore efficiente, dobbiamo avere un coefficiente di scambio termico elevato, e poiché questo è l'aspetto su cui possiamo intervenire, è lì che ci siamo concentrati. |
| |
Quel coefficiente di trasferimento del calore è definito |
| |
Secondo questa equazione in modo semplificato, ci sono altri termini al suo interno, ma prevalentemente, |
| |
È una funzione della densità, della conduttività termica, della capacità termica e, di conseguenza, dell'effetto della viscosità del sistema. |
| |
Quindi, se cerchiamo nello specifico le applicazioni che ci interessano, |
| |
se vogliamo ottimizzare il nostro fluido dielettrico, dobbiamo aumentare la densità, aumentare la conduttività termica e aumentare la capacità termica, ma allo stesso tempo dobbiamo ridurre la viscosità |
| |
del...del fluido. |
| |
E queste caratteristiche si adattano piuttosto bene alle sfide ingegneristiche che dobbiamo affrontare, il che è un vantaggio. |
| |
COSÌ |
| |
Da ciò, quello che volevamo veramente fare era, sapevamo qual era l'obiettivo. |
| |
E volevamo davvero capire quale fosse la relazione tra la struttura e le prestazioni del prodotto come fluido dielettrico. |
| |
Inizialmente abbiamo proceduto in modo piuttosto tradizionale, iniziando uno studio su larga scala per misurare le proprietà fisiche di molti esteri e di molti altri materiali. |
| |
E poi, quando abbiamo visto e analizzato quei dati, abbiamo pensato: beh, questi dati esistono, quindi perché non li usiamo per provare a costruire dei modelli e chiederci se possiamo davvero comprendere la relazione tra proprietà fisica, struttura e prestazioni? |
| |
Quindi ecco dove... faremo un salto in JMP, quindi abbiate pazienza un secondo. |
| |
Va bene. |
| |
Quindi la prima cosa che abbiamo fatto |
| |
Abbiamo raccolto quel mix di dati storici, dati che venivano ottenuti tramite test mirati dai team di sviluppo delle applicazioni. |
| |
E una volta che abbiamo raccolto tutto in un unico posto, lo abbiamo esaminato in JMP per capire se esiste una relazione, ma a un livello molto semplice, tra le proprietà fisiche che stiamo misurando. |
| |
Quindi, se analizziamo questo set di dati, il primo passo per me, come sempre, è esaminare la piattaforma di distribuzione in JMP. |
| |
Ed è un modo davvero semplice per vedere se qualcosa che desideri ha una sorta di schema vago da qualche altra parte. Quindi, se in questo caso, se dici, oh, vogliamo tutto ciò che ha un'elevata conduttività termica, quello che vediamo sono le proprietà che sono abbastanza estese su |
| |
le altre... le altre proprietà che abbiamo misurato. Quindi non dice proprio: "Oh, c'è una relazione brillante, quello che ti serve è questo", che è più o meno quello che ci aspettavamo. Ma è bello avere una conferma. |
| |
Allo stesso modo, se poi rappresentiamo graficamente tutto come |
| |
Nei diagrammi a dispersione, ciò che vediamo è molto rumore. Voglio dire, queste linee di regressione sono lì solo come riferimento per mostrare che in realtà non c'è alcuna corrispondenza. |
| |
Non sto in alcun modo affermando la tua correlazione su questi. |
| |
E tutto ciò è stato deludente, perché non c'è una risposta ovvia |
| |
era previsto. |
| |
La cosa che ci ha incuriosito è stata quando abbiamo detto: "Beh, ci aspettavamo che non ci fosse una risposta chiara..." |
| |
Non esiste una chiara correlazione tra questi fattori, perché se ci fosse, sarebbe stata evidente agli scienziati esperti che hanno condotto la ricerca, e lo avremmo saputo. |
| |
Quindi, abbiamo detto, beh, quello che sappiamo è che tutte queste proprietà hanno |
| |
una comprensione...una relazione con la loro struttura. |
| |
Cosa succede se calcoliamo alcuni parametri fisici per queste sostanze e li combiniamo con una serie di identificatori strutturali e modi di osservare queste molecole? Cosa succede se prendiamo questi dati e li aggiungiamo ai dati di test? |
| |
Quindi... sai, possiamo costruire una specie di modello? |
| |
Questo permette di iniziare a stimare la struttura e le prestazioni, ed è esattamente quello che abbiamo fatto. |
| |
Sai, in questo caso, |
| |
ciò che vediamo |
| |
è quello, |
| |
di nuovo, se utilizziamo la piattaforma multivariata, giusto per dare una rapida occhiata e vedere se c'è qualche correlazione |
| |
su alcuni di questi fattori, |
| |
Questo |
| |
In alcuni casi si nota una netta differenziazione tra "su" e "giù", e forse qualche accenno di correlazione, ma nulla di così evidente da poter affermare con certezza che questa sia la soluzione ideale. Del resto, era proprio ciò che ci aspettavamo. |
| |
Quindi, quello che abbiamo fatto |
| |
dove abbiamo utilizzato le piattaforme di regressione in JMP |
| |
per cercare di capire |
| |
se potremmo costruire un modello e cosa questo |
| |
la relazione appare così. Quindi per fare ciò, abbiamo selezionato casualmente un certo numero di righe per la selezione delle righe |
| |
strumento in JMP. Generalmente, estraendo cinque campioni a caso, che non avrebbero partecipato al modello, quindi è relativamente costruito questi modelli |
| |
e li abbiamo perfezionati in questo modo, così avevamo sempre un set di validazione dai dati iniziali, giusto per... giusto per verificare che quello che stavamo facendo avesse qualche possibilità di successo. |
| |
Quindi, se guardiamo solo i modelli a 80 gradi, il primo modello che abbiamo trovato |
| |
era questo. |
| |
Come possiamo vedere, è evidente che in questo modello sono stati inclusi diversi fattori che non hanno senso da un punto di vista statistico, perché si tratta semplicemente di overfitting e non sono significativi. |
| |
Tuttavia, questi sono abbastanza importanti in termini di descrizione delle molecole che sono presenti, quindi come chimici, abbiamo creato questo modello. Quindi questo è un modello che permette, sai, di progettare le molecole, se vuoi, per questa applicazione, |
| |
anche se sappiamo che è troppo aderente. E sappiamo che |
| |
Non è... non è un modello valido perché questi termini non fanno altro che aumentare sempre di più il valore di R al quadrato. |
| |
Anche noi |
| |
ho costruito il modello senza quei termini. |
| |
Questo è un modello di gran lunga migliore in termini di stima delle prestazioni di queste cose, l'R quadro è leggermente inferiore, |
| |
ma tutti i termini che sono presenti hanno un impatto significativo |
| |
sulla performance. |
| |
Lo svantaggio di questo modello è che non ci aiuta davvero a progettare |
| |
qualsiasi nuova chimica. |
| |
Ma, in entrambi i casi, quando guardiamo |
| |
Confrontando i valori previsti con quelli effettivamente misurati, si osserva una ragionevole correlazione. Certamente, quando ci aspettiamo che i valori siano elevati, lo sono. |
| |
Questo ci ha dato una certa fiducia nel fatto che questo modello potesse effettivamente funzionare per noi. |
| |
In termini e...poi in termini di quando abbiamo esaminato quanto buono potesse essere, abbiamo semplicemente guardato qual è la differenza percentuale tra |
| |
il valore misurato e il valore effettivo. E ciò che vediamo è che sono quasi universalmente entro il 10%, prevalentemente entro il 5% per entrambi i modelli. |
| |
Ancora una volta, su una vasta gamma di diversi tipi di materiale, questo ci ha dato la certezza che ciò che stavamo... ciò che stavamo vedendo potesse essere un effetto reale. |
| |
Tutto ciò è molto bello, |
| |
Si tratta semplicemente di un effetto dei dati che abbiamo misurato? |
| |
Quindi quello che abbiamo fatto è stato utilizzare la piattaforma di profilazione in JMP, produrre un modello condivisibile che potevamo inviare al team di progetto e, in sostanza, organizzare una competizione dicendo: "Guardate, chiunque riesca a trovare il valore più alto..." |
| |
la più alta conduttività termica in questo modello da una molecola che potrebbe effettivamente essere realizzata, |
| |
vittorie. |
| |
Sapete, da quello avevamo una lista di circa 14 materiali che sembravano promettenti. Abbiamo dovuto scartarne alcuni perché era impossibile reperire le materie prime, quindi alla fine ci siamo ritrovati con circa nove nuovi materiali che sono stati sintetizzati e testati. Ora questi materiali erano quasi esclusivamente |
| |
Composti da materiali che il modello non aveva mai visto prima, sai. In alcuni casi, parte della molecola sarebbe stata la stessa, ma erano piuttosto diversi dai materiali originali. |
| |
Quindi, una volta realizzati e testati, li abbiamo reinseriti nel modello. |
| |
e per vedere, giusto per vedere qual era il potere predittivo di questo modello. |
| |
Quindi, se diamo un'occhiata a quei dati, sai, penso che, viste le differenze di questi materiali, mi aspettavo pienamente |
| |
Questo... |
| |
questo per rompere il modello. |
| |
Tuttavia, quando noi... |
| |
se guardiamo di nuovo le previsioni, |
| |
Quello che vediamo è che quelli evidenziati in blu sono i nuovi materiali che sono stati realizzati. Sai, abbiamo scelto deliberatamente un paio di valori più bassi solo per curiosità, giusto per verificare. E tutti quelli che abbiamo scelto e che pensavamo sarebbero stati alti, lo erano davvero. |
| |
Quindi nel modello sovradattato, che aveva valore dal punto di vista della progettazione di una struttura, ciò che vediamo è un valore anomalo. Nel... nel modello che era statisticamente ragionevole, in realtà vediamo un adattamento complessivo molto migliore. |
| |
E quello era |
| |
È incoraggiante pensare che possiamo iniziare a non limitarci a progettare una singola molecola e dire: "Ecco, via, via, ecco fatto; ecco l'unica cosa che devi produrre". Ma piuttosto a poter indirizzare i chimici sintetici verso i materiali più adatti per far progredire i progetti. |
| |
Quindi, se guardiamo di nuovo questi residui, ciò che vediamo è per il |
| |
sai, per il modello statisticamente valido senza overfitting, quello che abbiamo visto è che tutto era entro il 10% di tutti i nuovi materiali, |
| |
Il che, per quello che stavamo cercando di ottenere, era sufficiente. Ci sono alcuni casi nel modello di overfitting in cui il valore era leggermente inferiore al 10%, ma, ripeto, è più o meno quello che mi aspettavo. |
| |
E, sai, è stato bello che fossero tutti nell'intervallo giusto, perché dimostra che questo approccio aveva valore, ma è stato anche piuttosto sorprendente scoprire che non erano tutti esattamente giusti, perché penso che se avessimo prodotto nove materiali e fossero stati tutti entro l'1%, |
| |
Non sono sicuro che la gente ci avrebbe creduto neanche quella volta. |
| |
COSÌ |
| |
Il fatto è che stavamo ricevendo una risposta simile... |
| |
una differenza simile tra le previsioni basate sui materiali di partenza e i nuovi materiali che abbiamo creato. Quindi abbiamo iniziato ad avere una certa fiducia in questo modello. |
| |
E poi, se torniamo semplicemente a |
| |
le diapositive un secondo. |
| |
Quindi cosa possiamo dire allora? |
| |
è che la relazione struttura-prestazioni di questi materiali |
| |
è stato creato in JMP utilizzando le piattaforme di regressione. |
| |
Abbiamo utilizzato gli strumenti di visualizzazione di JMP per poter constatare i reali vantaggi di questo approccio e come il modello stesso venga impiegato per orientare l'attenzione verso i nuovi materiali in questo progetto. Viene utilizzato per selezionare i materiali più adatti da testare, distinguendoli da quelli che già produciamo. |
| |
E, sai, c'è una correlazione accettabile nei risultati tra il modello e le nuove molecole che stiamo creando, |
| |
Tutto ciò ha dato grande fiducia a questo approccio e ci ha permesso di portare avanti il progetto e di suddividerlo in materiali target specifici. |
| |
Quindi, in termini di nuove molecole, |
| |
Abbiamo focalizzato l'attenzione su molecole con una maggiore conduttività termica. Come potete vedere in questo grafico, tutte le nuove molecole presentano valori di conduttività termica da medi ad alti, che è più o meno ciò che volevamo ottenere. |
| |
Abbiamo dimostrato di poter individuare un miglioramento, utilizzando i dati, verificarlo in laboratorio e poi realizzarlo. |
| |
La difficoltà di questo progetto risiede nel fatto che ora stiamo cercando di costruire modelli simili per tutti gli altri fattori. |
| |
che influenzano le prestazioni di questi fluidi dielettrici, e poi cercheremo di confrontare questi modelli tra loro per trovare i risultati migliori. |
| |
Quindi tutto questo ulteriore sviluppo è in corso, ma questo slancio è derivato esclusivamente dalla facilità d'uso di JMP e delle piattaforme in esso contenute per acquisire un set di dati |
| |
e con un po' di conoscenza del settore, spingere davvero avanti questa idea e dire: sì, ecco un modello che aiuterà a indirizzare l'attenzione su questo progetto e sui progetti successivi in questo ambito per Croda. |
| |
In conclusione, i dati ottenuti dai test sono stati utilizzati con successo per modellare le prestazioni di questi materiali. Non è un modello perfetto, ma è sufficiente per i nostri scopi. |
| |
Il modello... |
| |
il modello dimostra |
| |
che esiste una relazione strutturale tra gli esteri (scusate, non so perché la mia barra delle applicazioni si muove). Il modello è stato utilizzato per prevedere materiali ad alta conduttività termica. |
| |
Queste previsioni vengono quindi verificate inizialmente per esclusione e poi lateralmente creando nuovi materiali, dimostrando concretamente che questo modello è valido per quel tipo di chimica. |
| |
Ha inoltre dimostrato la possibilità di personalizzare le proprietà di, |
| |
In questo caso, dielettrici ma anche altri materiali, se si costruiscono modelli simili, in modo da poter iniziare a creare materiali specifici per applicazioni specifiche. |
| |
E penso che la cosa più importante per me, |
| |
Il vero successo di questo lavoro ha generato uno slancio interno che ha permesso di dimostrare che JMP non è un optional, ma una vera e propria piattaforma per sviluppare la ricerca, per analizzare rapidamente i set di dati e chiedersi: "C'è qualcosa di interessante?". |
| |
E con ciò, |
| |
Volevo solo ringraziarvi per aver guardato il video. Ovviamente non posso rispondere a domande registrate, ma se volete contattarmi, non esitate a lasciare un commento nella Community. Grazie mille. |
