| Vocero |
Transcripción |
| Stuart Little |
Hola a todos y bienvenidos a esta charla sobre cómo se está utilizando JMP en Croda para impulsar el desarrollo de nuevos productos. |
| |
Así que lo que vamos a tratar hoy, y en primer lugar vamos a abordar algunos aspectos del contexto de Croda, cómo estamos utilizando JMP y en qué punto nos encontramos en ese proceso, y un resumen del problema que estamos tratando de resolver. |
| |
Una vez que hayamos abordado el problema, pasaremos a JMP, y veremos cómo las herramientas y plataformas de JMP han permitido una fácil exploración de datos y un desarrollo sencillo. |
| |
de un modelo de rendimiento estructural. |
| |
Y finalmente concluiremos esto discutiendo los resultados de este trabajo y cómo |
| |
Al realizar este tipo de investigación, hemos logrado aumentar la aceptación del uso de datos y técnicas del DOE en... en el lado de la investigación del negocio. |
| |
En primer lugar, ¿quiénes somos como Croda? Es una pregunta que surge con bastante frecuencia. |
| |
porque somos una entidad de negocio a negocio. Pero como empresa, Croda es el nombre detrás |
| |
muchos ingredientes y tecnologías de alto rendimiento, y detrás de muchas de las marcas más grandes y exitosas del mundo, en una variedad de mercados. Creamos, fabricamos y vendemos productos químicos especializados. Desde el comienzo de Croda, estos han sido |
| |
materiales predominantemente sostenibles. Así que comenzamos fabricando lanolina, que se obtiene de la lana de oveja, y continuamente seguimos construyendo sobre esa sostenibilidad. El año pasado |
| |
Nos hemos comprometido públicamente a tener un impacto positivo en el clima, la tierra y las personas para 2030 y nos hemos adherido a los Objetivos de Desarrollo Sostenible de la ONU como parte de nuestro esfuerzo por lograrlo y convertirnos en el proveedor más sostenible de ingredientes innovadores en todo el mundo. |
| |
Entonces, en términos de los mercados a los que servimos, tenemos una especie de negocio de cuidado personal muy grande donde nos ocupamos del cuidado de la piel y del cuidado solar y |
| |
algún tipo de cuidado del cabello, cosméticos de color y ese tipo de productos tradicionales de cuidado personal. Negocio de ciencias de la vida, nuestros productos... nuestros |
| |
Nuestros productos y experiencia ayudan a los clientes a optimizar sus formulaciones y el uso de sus ingredientes activos. De hecho, recientemente firmamos un acuerdo con Pfizer. |
| |
para proporcionar materiales que se utilizarán en su vacuna contra el COVID-19. Nuestro negocio de productos químicos industriales, |
| |
Esa parte del negocio se encarga de suministrar materiales técnicamente diferenciados, predominantemente sostenibles, a una amplia gama de mercados. Muchos mercados no encajan del todo en ninguna otra categoría de esta diapositiva. |
| |
Y luego, por último, tenemos nuestro negocio de tecnologías de rendimiento. Esto abarca muchas áreas similares, de nuevo, |
| |
Ofrecemos soluciones de alto rendimiento en todos estos ámbitos. Hoy, en particular, hablaremos de nuestro negocio de tecnologías energéticas, y específicamente, de la tecnología de baterías en la electrónica de alto rendimiento. |
| |
En cuanto a Croda y JMP, llevamos usando JMP unos dos años y ha despertado mucho interés internamente. Ha sido más difícil generar confianza en que estas técnicas tengan un valor real. |
| |
para investigar. Y para probar esto, nos hemos ido, hemos creado una serie de estudios de caso que han sido |
| |
En general, ha sido bastante exitoso. Hemos demostrado su potencial y algunos de sus inconvenientes. Todo esto nos ha llevado a desarrollar proyectos de mayor envergadura, uno de los cuales es del que vamos a hablarles hoy. |
| |
¿Cómo mejoramos la eficiencia de los sistemas de refrigeración eléctrica? El principal impulsor de este proyecto es |
| |
Se trata de electrificación del transporte, es decir, vehículos eléctricos. ¿Cómo se mantiene la batería correctamente? ¿Cómo se garantiza que los motores funcionen a su nivel óptimo? |
| |
¿Y cómo lo hiciste sin electrocutar a nadie? |
| |
Actualmente, existen diversos métodos de refrigeración para estos dispositivos, y nuestros clientes están analizando cómo mejorarlos, ya que, por ejemplo, cuanto mejor sea el control de la refrigeración de la batería, mayor será su capacidad y más constante será su autonomía. |
| |
Y dado que, como saben, esto es fundamental y existen muchas aplicaciones diferentes que son en gran medida similares, lo realmente útil para nosotros sería construir |
| |
una comprensión de estos fluidos, mediante algún tipo de modelo basado en datos, y ahí es donde entra JMP. Entonces, ¿cómo podemos hacer eso? |
| |
Bueno, lo primero que analizamos fue cuáles son los métodos de refrigeración actuales. En el caso de las baterías, predominantemente se refrigeran por aire o por placas frías, como ocurría en la generación anterior. |
| |
Y en cuanto a la electrónica del coche, tenemos el problema opuesto al de la batería, pero las cosas tienden a calentarse demasiado, así que tenemos disipadores de calor para intentar eliminar esa energía. |
| |
Y en los motores eléctricos, cuando intentamos minimizar la resistencia interna, suelen estar recubiertos de fluido. |
| |
En los tres casos, el método alternativo entrante de refrigeración |
| |
Depende de un fluido, por lo que se trata de inmersión directa para baterías y componentes electrónicos, y en lo que respecta a los motores eléctricos, tiende a ser más bien un flujo. |
| |
¿Qué aspecto tiene ese fluido? Obviamente, estamos trabajando con altos voltajes, así que necesitamos algo que no sea conductor de electricidad. |
| |
También necesita tener una conductividad térmica muy alta, para poder extraer el calor de los componentes electrónicos. |
| |
Y dado que estos fluidos deben circular por el sistema, su viscosidad debe ser baja. Por lo tanto, existen limitaciones físicas prácticas derivadas de la propia aplicación. |
| |
Si lo analizas con un poco más de profundidad, |
| |
La capacidad de los fluidos para transferir calor se basa predominantemente en esta ecuación. Y lo que esto nos indica es que hay una parte que podemos controlar. |
| |
por el fluido, que es el coeficiente de transferencia de calor, y luego hay una parte que está controlada por la solución de ingeniería en la aplicación a eso. ¿Cuál es el área a enfriar y cuáles son las temperaturas de las superficies que se intentan enfriar? |
| |
Pero en todos los casos, para lograr una transferencia de calor eficiente, necesitamos un coeficiente de transferencia de calor elevado, y como eso es lo que podemos controlar, ahí es donde nos centramos. |
| |
Ese coeficiente de transferencia de calor se define |
| |
mediante esta ecuación de una manera simplista, hay otros términos allí, pero predominantemente, |
| |
Es una función de la densidad, la conductividad térmica, la capacidad calorífica y, además, tiene un efecto sobre la viscosidad del sistema. |
| |
Entonces, si buscamos específicamente las aplicaciones que nos interesan, |
| |
Si queremos optimizar nuestro fluido dieléctrico, necesitamos aumentar la densidad, aumentar la conductividad térmica y aumentar la capacidad calorífica, pero al mismo tiempo, necesitamos reducir la viscosidad. |
| |
del...del fluido. |
| |
Y esto coincide bastante bien con los desafíos de ingeniería que tenemos, lo cual es útil. |
| |
Entonces |
| |
A partir de eso, lo que realmente queríamos hacer era, sabíamos cuál era el objetivo. |
| |
Y realmente queríamos comprender cuál era la relación entre la estructura y el rendimiento del producto como fluido dieléctrico. |
| |
Así que, inicialmente, procedimos de una manera bastante tradicional y comenzamos a realizar un estudio a gran escala midiendo las propiedades físicas de muchos ésteres y muchos otros materiales. |
| |
Y entonces, cuando vimos eso y lo analizamos, pensamos: bueno, en realidad, estos datos existen, así que ¿por qué no usamos estos conjuntos de datos para intentar construir algunos modelos y decir, podemos realmente comprender esa relación entre propiedad física, estructura y rendimiento? |
| |
Así que ahí es donde... vamos a entrar en JMP, así que tengan paciencia un segundo. |
| |
Bueno. |
| |
Así que lo primero que hicimos fue... |
| |
Recopilamos esa mezcla de datos históricos y datos que se obtenían mediante pruebas específicas realizadas por los equipos de aplicaciones. |
| |
Y una vez que lo tenemos todo en un solo lugar, lo examinamos en JMP para ver si hay... para entender si hay una relación, pero a un nivel muy simple, entre las propiedades físicas que estamos midiendo. |
| |
Así pues, si analizamos ese conjunto de datos, lo primero que haré, como siempre, es recurrir a la plataforma de distribución de JMP. |
| |
Y es una forma muy sencilla de ver si algo que deseas tiene algún tipo de patrón vago en algún otro lugar. Entonces, si yo, en este caso, si dices, oh, queremos todo lo que tenga una alta conductividad térmica, lo que vemos son las propiedades que están bastante extendidas a lo largo de |
| |
Las otras... las otras propiedades que hemos medido. Así que en realidad no dice: "Oh, hay una relación brillante, lo que necesitas es esto", que es más o menos lo que esperábamos. Pero es bueno tener una verificación. |
| |
De manera similar, si luego graficamos todo como |
| |
En los diagramas de dispersión, lo que vemos es mucho ruido. Es decir, estas líneas de ajuste solo sirven de referencia para mostrar que en realidad no hay ningún ajuste. |
| |
De ninguna manera estoy afirmando que exista correlación entre ustedes en estos temas. |
| |
Y todo eso fue decepcionante, que no haya una respuesta obvia. |
| |
Era de esperar. |
| |
Lo que nos pareció interesante es que dijimos: bueno, esperábamos que no hubiera una respuesta clara... |
| |
No existe una relación clara entre ninguno de estos factores, porque si la hubiera, habría sido obvio para los científicos experimentados que realizaron el trabajo, y lo habríamos sabido. |
| |
Entonces, dijimos, bueno, lo que sí sabemos es que todas estas propiedades tienen |
| |
una comprensión...una relación con su estructura. |
| |
¿Qué sucede si calculamos algunos parámetros físicos para estas cosas y los combinamos con una serie de identificadores estructurales y formas de observar estas moléculas? ¿Qué sucede si tomamos esos datos y los agregamos a los datos de prueba? |
| |
¿Sabes?, ¿podemos entonces construir algún tipo de modelo? |
| |
Esto nos permite empezar a estimar la estructura y el rendimiento, así que eso es exactamente lo que hicimos. |
| |
Ya sabes, en este caso, |
| |
lo que vemos |
| |
es que, |
| |
Nuevamente, si usamos la plataforma multivariante, solo para echar un vistazo rápido y ver si hay alguna correlación. |
| |
en algunos de estos factores, |
| |
este |
| |
En algunos casos, se observa una clara diferenciación entre arriba y abajo, y tal vez algunos indicios de correlación, pero nada que indique claramente que esto es lo que se necesita. Repito, esto es lo que esperábamos. |
| |
Entonces, lo que hicimos fue lo siguiente. |
| |
Utilizamos las plataformas de regresión en JMP. |
| |
intentar comprender |
| |
si podríamos construir un modelo y qué eso |
| |
La relación se ve así. Para hacer esto, seleccionamos aleatoriamente una cantidad de filas para la selección de filas. |
| |
herramienta en JMP. Generalmente, se extraen cinco muestras al azar, que no iban a participar en el modelo, y luego se construyen relativamente estos modelos. |
| |
y los perfeccionamos de esa manera, de modo que siempre teníamos un conjunto de validación a partir de los datos iniciales, solo para... solo para comprobar que lo que estábamos haciendo tenía alguna posibilidad de éxito. |
| |
Entonces, si miramos los modelos de 80 grados, el primer modelo que vimos fue... |
| |
era este. |
| |
Claramente, como podemos ver, hay una serie de factores que se incluyeron en este modelo que no tienen sentido desde un punto de vista estadístico, porque simplemente están sobreajustando el modelo y no son significativos. |
| |
Sin embargo, estos son bastante importantes en términos de describir las moléculas que están allí, así que como químicos, creamos este modelo. Entonces, este es un modelo que permite, ya saben, diseñar moléculas, si se quiere, para esta aplicación, |
| |
aunque sabemos que está sobreajustado. Y sabemos que |
| |
No es... realmente no es un modelo válido porque estos términos solo hacen que el R cuadrado aumente y aumente y aumente. |
| |
Nosotros también |
| |
Construí el modelo sin esos términos. |
| |
Este es un modelo mucho mejor en términos de estimar el rendimiento de estas cosas, el R cuadrado es un poco más bajo, |
| |
pero todos los términos que aparecen allí tienen un impacto significativo. |
| |
sobre la actuación. |
| |
La desventaja de este modelo es que realmente no nos ayuda a diseñar |
| |
cualquier nueva química. |
| |
Pero, en ambos casos, cuando miramos |
| |
Al comparar los valores previstos con los valores medidos reales, observamos una correlación razonable entre ellos. Sin duda, cuando esperamos que las cosas sean altas, lo son. |
| |
Eso nos dio cierta confianza en que este modelo podría funcionar bien para nosotros. |
| |
En términos y... luego en términos de cuando analizamos qué tan bueno podría ser esto, simplemente analizamos cuál es la diferencia porcentual entre |
| |
el valor medido y el valor real. Y lo que vemos es que casi universalmente están dentro del 10%, predominantemente dentro del 5% para cualquiera de los dos modelos. |
| |
Una vez más, al analizar una variedad de materiales diferentes, esto nos dio la confianza de que lo que estábamos viendo podría ser un efecto real. |
| |
Todo eso es muy agradable, |
| |
¿Es esto simplemente un efecto de los datos que hemos medido? |
| |
Lo que hicimos fue utilizar la plataforma de perfilado en JMP, producir un modelo compartible que pudiéramos enviar a todo el equipo del proyecto y, esencialmente, organizar una competición y decir: «Miren, quien pueda encontrar el valor más alto...» |
| |
la conductividad térmica más alta en este modelo de una molécula que realmente podría fabricarse, |
| |
victorias. |
| |
Como saben, a partir de eso teníamos una lista de unos 14 materiales que parecían prometedores. Tuvimos que descartar algunos porque era imposible obtener sus materias primas, así que terminamos con unos nueve materiales nuevos que fueron sintetizados y probados. Ahora bien, estos materiales eran casi exclusivamente... |
| |
Estaban compuestos de materiales que el modelo no había visto antes, ¿sabes? En algunos casos, parte de la molécula era la misma, pero eran bastante diferentes de los materiales originales. |
| |
Así que una vez que los hubimos hecho y, una vez que los probamos, los volvimos a colocar en el modelo. |
| |
y para ver, simplemente para ver cuál era el poder predictivo de este modelo. |
| |
Entonces, si echamos un vistazo a esos datos, ya sabes, creo que, dadas las diferencias de estos materiales, esperaba completamente... |
| |
este... |
| |
Esto romperá el modelo. |
| |
Sin embargo, cuando nosotros... |
| |
Si volvemos a mirar las predicciones, |
| |
Lo que vemos es que los resaltados en azul son los nuevos materiales que se fabricaron. Saben, elegimos deliberadamente un par que tenían valores más bajos solo por curiosidad, para comprobarlo. Y todos los que elegimos que pensábamos que tendrían valores altos, resultaron tenerlos. |
| |
Así pues, en el modelo sobreajustado, que tenía valor desde el punto de vista del diseño de una estructura, lo que observamos es un valor atípico. En el modelo que era estadísticamente razonable, en realidad vemos un ajuste mucho mejor en general. |
| |
Y eso fue |
| |
Es edificante que podamos empezar a diseñar una sola molécula y decir: «Ah, aquí tienes, listo; esto es lo que necesitas». Sino, sin duda, poder guiar a los químicos sintéticos hacia los tipos de materiales adecuados para impulsar los proyectos. |
| |
Entonces, si volvemos a mirar estos residuos, lo que vemos es que para el |
| |
Ya sabes, para el modelo estadísticamente bueno sin sobreajuste, lo que vimos fue que todo estaba dentro del 10% de todos los materiales nuevos, |
| |
Lo cual, para lo que intentábamos lograr, era suficientemente bueno. Hay algunos casos en el modelo de sobreajuste que estuvieron un poco por debajo del 10%, pero, de nuevo, esto es más o menos lo que cabría esperar. |
| |
Y, ya sabes, fue bueno que todos estuvieran en el rango correcto, porque demuestra que este enfoque estaba teniendo valor, pero también fue bastante sorprendente descubrir que no todos estaban exactamente en el rango correcto, porque creo que si hubiéramos producido nueve materiales y todos hubieran estado dentro del 1%, |
| |
No estoy seguro de que la gente se lo hubiera creído tampoco. |
| |
Entonces |
| |
Lo cierto es que estábamos obteniendo algo similar... |
| |
Un nivel de diferencia similar entre las predicciones de los materiales con los que empezamos y los nuevos materiales que creamos. Así que empezamos a tener bastante confianza en este modelo. |
| |
Y luego, si volvemos a |
| |
las diapositivas un segundo. |
| |
Entonces, ¿qué podemos decir? |
| |
es que la relación estructura-rendimiento de estos materiales |
| |
Se ha creado en JMP utilizando las plataformas de regresión. |
| |
Hemos utilizado las herramientas de visualización de JMP para comprobar los beneficios reales de esta iniciativa y cómo el modelo se está empleando para orientar el enfoque hacia nuevos materiales en este proyecto. Se está utilizando para seleccionar los materiales más adecuados para realizar pruebas, a partir de los que ya fabricamos. |
| |
Y es que, ya sabes, hay una correlación aceptable en los resultados entre el modelo y las nuevas moléculas que estamos creando. |
| |
Todo esto ha generado una gran confianza en este enfoque y nos ha permitido, en cierto modo, impulsar este proyecto y dividirlo en materiales objetivo específicos. |
| |
Entonces, en términos de nuevas moléculas, |
| |
Hemos centrado nuestro trabajo en moléculas con mayor conductividad térmica. Como pueden ver en este gráfico, todas las moléculas nuevas tienen una conductividad térmica de media a alta, que es precisamente lo que buscábamos. |
| |
Demostramos que podíamos identificar una mejora utilizando datos, verificarla en el laboratorio y llevarla a cabo. |
| |
Lo que complica aún más este proyecto es que ahora estamos intentando construir modelos similares para todos los demás factores. |
| |
que influyen en el rendimiento de estos fluidos dieléctricos, y luego trataremos de equilibrar esos modelos entre sí para encontrar los mejores resultados. |
| |
Por lo tanto, todo ese desarrollo adicional está en curso, pero ese impulso se ha producido únicamente por la facilidad de uso de JMP y las plataformas que contiene para tomar un conjunto de datos. |
| |
y con un poco de conocimiento del dominio, realmente impulsarlo y decir: sí, aquí hay un modelo que ayudará a dirigir este énfasis para este proyecto y proyectos subsiguientes en esta área para Croda. |
| |
En conclusión, los datos obtenidos en las pruebas se han utilizado para modelar con éxito el rendimiento de estos materiales. No es perfecto, pero cumple con nuestros objetivos. |
| |
El modelo... |
| |
El modelo demuestra |
| |
que existe una relación estructura-rendimiento de ésteres (disculpen, no sé por qué mi barra de tareas está saltando). El modelo se ha utilizado para predecir materiales de alta conductividad térmica. |
| |
Esas predicciones se verifican inicialmente por simple exclusión y luego de forma indirecta mediante la creación de nuevos materiales, demostrando así que este modelo es válido para ese tipo de química. |
| |
También ha demostrado la posibilidad de adaptar las propiedades de, |
| |
En este caso, dieléctricos, pero otros materiales, si construyes modelos similares, podrás empezar a crear materiales específicos para aplicaciones específicas. |
| |
Y creo que lo más importante para mí, |
| |
El verdadero éxito de este trabajo ha generado un impulso interno que demuestra que JMP no es algo deseable, sino una plataforma real para desarrollar investigaciones, para analizar rápidamente conjuntos de datos y preguntarse: ¿hay algo interesante ahí? |
| |
Y con eso, |
| |
Solo quería darles las gracias por ver el video. Obviamente no puedo responder preguntas durante la grabación, pero si quieren contactarme, pueden dejar un comentario en la comunidad. Muchas gracias. |
