| Conférencier |
Transcription |
| Patrick Giuliano |
Très bien. Bienvenue à tous. |
| |
Merci à tous d’avoir pris le temps de regarder cette présentation. |
| |
Préparation des raviolis cuits à la vapeur les plus frais. |
| |
Et je m'appelle Patrick Giuliano et mes co-auteurs sont Mason Chen et Charles Chen d'Applied Materials, ainsi qu'Yvanny Chang. |
| |
D'accord, alors aujourd'hui, je vais vous parler de la façon dont j'ai exploité... mon équipe et moi exploitons la puissance de JMP pour vraiment comprendre |
| |
cuisson des boulettes. |
| |
Le problème général ici est que la plupart des aliments comme les boulettes sont préparés sans contrôle précis des paramètres de cuisson. |
| |
Et le goût d'une boulette, ainsi que d'autres résultats pour mesurer la qualité d'une boulette, sont affectés négativement par un temps de cuisson inapproprié et cela est intuitif pour tous ceux qui ont apprécié la nourriture. |
| |
Il n'est pas nécessaire d'en parler trop. Mais |
| |
Tôt ou tard, l’IA et la robotique deviendront un élément important de l’industrie alimentaire. |
| |
Et notre expérience récente avec le Covid 19 l'a vraiment mis en évidence et je vais donc parler un peu de la façon dont nous |
| |
peut mieux comprendre le processus de boulette en utilisant une approche de modélisation très multidimensionnelle, qui utilise de nombreuses capacités de modélisation de JMP, y compris l'optimisation robuste de la conception Monte Carlo. |
| |
Alors pourquoi des boulettes ? |
| |
Eh bien, les boulettes sont très faciles à cuisiner. |
| |
Et en les cuisant, bien sûr, nous tuons toutes les particules étrangères qui pourraient vivre sur eux. |
| |
Et cuisiner peut impliquer une interaction humaine très limitée. |
| |
Donc bien sûr, avec cela, la conception et l'espace de processus liés à la cuisine sont très intuitifs et extensibles |
| |
et nous pouvons considérer la physique associée à ce problème et essayer d'utiliser JMP pour nous aider à vraiment comprendre et à mieux étudier la physique. |
| |
L'IA arrivera tôt ou tard à cause du Covid 19, bien sûr, et |
| |
Pourquoi la cuisson robotisée des raviolis verrait-elle le jour ? |
| |
D'autres questions pourraient également être posées : quels sont les avantages ? Quels sont les défis liés à la cuisson automatisée de raviolis dans un environnement robotisé ? |
| |
Et bien sûr, cela pourrait être un défi, car les robots n'ont pas de nez pour sentir. C'est pourquoi, outre |
| |
une approche de modélisation avancée et multiforme, il est important de prendre en compte d'autres critères structurés. |
| |
Et plus tard dans cette présentation, je vais parler un peu, un peu des critères HACCP et de la façon dont nous les avons intégrés afin de résoudre notre problème de manière plus structurée. |
| |
D'accord, donc |
| |
avant de plonger dans une grande partie de l'analyse intéressante du JMP, j'aimerais brièvement fournir une introduction à la physique du transfert de chaleur, à la science alimentaire et à la manière dont différents mécanismes de transfert de chaleur affectent la cuisson des boulettes. |
| |
Comme vous pouvez le voir sur cette diapositive, il y a un |
| |
Q |
| |
en haut du diagramme et en haut à droite et que Q est référencé à...il fait référence à la densité de flux thermique, qui est la quantité d'énergie qui |
| |
s'écoule à travers une unité de surface par unité de temps et la direction du changement de température. |
| |
D'un point de vue physique, les protéines et la viande crue et bouillie diffèrent par leur quantité d'énergie. Une barrière d'énergie d'activation doit être franchie pour transformer la structure protéique de la viande crue en une structure dénaturée ou compactée, comme illustré ici. |
| |
sur cette photo à gauche. |
| |
Ainsi, la première tâche du cuisinier, lorsqu'il fait bouillir de la viande en termes de physique, est d'augmenter la température dans tout le volume de la pièce. |
| |
au moins |
| |
Pour atteindre la température de dénaturation. |
| |
Plus tard, je parlerai de la découverte la plus intéressante de cette phase particulière de l'expérience où nous avons découvert qu'il y avait une coupure de température. |
| |
Et intuitivement, on pourrait penser qu'en dessous d'une certaine température, les raviolis seraient cuits... ne seraient pas cuits correctement, ils seraient trop détrempés, et au-dessus d'une certaine température, peut-être qu'ils seraient aussi trop détrempés ou qu'ils seraient brûlés ou croustillants. |
| |
Une autre remarque finale sur la physique ici est qu'au seuil d'ébullition, la température de surface de l'eau fluctue et des bulles montent à la surface de la chaudière. |
| |
et se briser et s'effondrer, ce qui peut rendre difficile la collecte... la capture et... excusez-moi... la capture de lectures précises de la température. |
| |
Cela nous amène donc à certains... quels sont certains des outils que nous avons utilisés pour mener une expérience ? |
| |
Bien, |
| |
bien sûr, nous avons utilisé une marmite bouillante et c'est très important. |
| |
Bien sûr, nous avons utilisé quelque chose pour mesurer la température et pour cela nous avons utilisé un thermomètre infrarouge et nous avons utilisé une minuterie, bien sûr, et nous avons utilisé une balance de masse pour peser la boulette et tous les composants entrant dans la boulette. |
| |
Nous pourrions envisager quelque chose appelé Gare R&R dans des études futures et où nous pourrions quantifier la répétabilité et la reproductibilité de nos outils de mesure. |
| |
Dans cette expérience, nous ne l'avons pas fait, mais c'est très important, car cela nous aide à maximiser la précision de nos estimations de modèle à la minute près... en minimisant les composantes de bruit associées à notre processus de mesure. |
| |
Et ces composants de bruit pourraient non seulement être |
| |
un fait... un facteur de tolérance de précision pour la jauge, mais ils pourraient également être dus à la façon dont la personne interagit avec la mesure elle-même. |
| |
Et, et, en particulier, je vais parler un peu du défi que représente la mesure de la température d'ébullition et de cuisson à haute température. |
| |
Ok, donc brièvement, |
| |
Cette expérience a été conçue comme une expérience planifiée. Il a donc fallu d'abord choisir les outils. |
| |
Il nous fallait décider comment réaliser les raviolis. Il nous fallait donc un procédé de fabrication et des ingrédients appropriés. |
| |
Les acteurs de ce processus. Nous avons ensuite dû concevoir une expérience structurée. Pour ce faire, nous avons utilisé le modèle de sélection définitif. |
| |
et avons examiné certaines caractéristiques de la conception pour garantir que celle-ci fonctionnait de manière optimale pour notre expérience. |
| |
Ensuite, nous avons exécuté l’expérience. |
| |
Et puis |
| |
nous avons mesuré et enregistré la réponse. |
| |
Et bien sûr, enfin, la partie amusante, |
| |
nous avons pu interpréter efficacement les données et JMP. |
| |
Et ce sont des graphiques ici qui montrent des matrices de nuages de points générées dans JMP, simplement en utilisant la fonction graphique. |
| |
Et cela nous donne une indication de l'uniformité de l'espace de prédiction. J'en parlerai plus en détail plus tard, puis dans les prochaines diapositives. |
| |
Bon, voici nos données. Voici notre plan de collecte de données et, à droite, la réponse que nous avons mesurée, qui correspond au temps de levée ou de cuisson des raviolis. |
| |
Nous avons collecté 18 exécutions dans un DSD, que nous avons généré dans JMP en utilisant la plateforme DSD et sous le menu DOE. |
| |
Et nous avons recueilli des informations sur la masse de la viande, la masse des légumes qui y sont entrés, la masse du... le type de viande, ou plutôt, la composition des légumes (soit du chou, soit des champignons), |
| |
et bien sûr le poids total, la taille du lot que nous avons cuisiné, le nombre de boulettes par lot et la température de l'eau. |
| |
Cette diapositive met simplement en évidence une partie de la puissance incroyable d'un DSD et je n'entrerai pas trop dans les détails, mais les DSD sont très appréciés pour leurs caractéristiques de modélisation flexibles et puissantes. |
| |
Et ils offrent un grand potentiel pour réaliser un criblage Blitz et optimiser l'optimisation en une seule expérience. |
| |
Ce graphique à droite est une matrice de corrélation générée dans JMP, dans sa plate-forme de diagnostic conçue du menu DOE et il est particulièrement puissant pour montrer |
| |
l'ampleur de l'aliasing ou de la confusion parmi tous les effets factoriels de votre modèle. Ce graphique montre clairement que |
| |
Au niveau du bleu le plus foncé, il n'y a aucune corrélation. À mesure que la corrélation augmente et que l'on atteint des nuances de gris, puis, finalement, lorsqu'on atteint une corrélation très positive, on arrive à des nuances de rouge. Ce que nous observons réellement, c'est que |
| |
les effets principaux ne sont absolument pas corrélés les uns aux autres, ce que nous aimons voir dans les interactions à deux facteurs, les effets principaux ne sont pas corrélés. |
| |
Avec des effets quadratiques, situés dans le quadrant supérieur droit. Ces effets ne sont en réalité que partiellement corrélés, et on obtient alors des termes d'interaction d'ordre supérieur. |
| |
qui sont qui sont réellement partiellement corrélés avec les effets d'interaction et ces types de caractéristiques rendent cette conception particulière supérieure aux conceptions factorielles fractionnaires typiques de résolution III et de résolution IV que l'on nous enseignait auparavant |
| |
avant les DSD. |
| |
OK. Discutons rapidement des diagnostics de conception. Voici la même corrélation… un graphique de corrélation similaire, sauf que les facteurs ont reçu leurs noms spécifiques. |
| |
Et après… en exécutant cette conception DSD. Et ceci est juste une version grisée et blanche d'une matrice de corrélation pour vous aider à voir le degré d'orthoginalité ou |
| |
non, ne pas être ??? parmi les facteurs. Et donc, ce que vous pouvez voir dans notre expérience, c'est que nous avons effectivement observé un peu de |
| |
confondre la taille d'un lot et la viande sans surprise, et puis, bien sûr, la viande avec l'interaction entre la viande et les légumes qui sont dans la boulette. |
| |
Et notez que nous avons imposé ici une contrainte de conception, avec laquelle nous avons observé une certaine confusion, qui est la contrainte très intuitive selon laquelle les boulettes... que la masse totale de la boulette est la composition de chacun des composants de la boulette elle-même. |
| |
Donc, |
| |
l'autre... |
| |
alors pourquoi, pourquoi faisons-nous cela ? |
| |
Pourquoi évaluons-nous cette uniformité, entre guillemets, cette matrice de nuages de points, et que nous apprend-elle ? Eh bien, |
| |
Afin de maximiser la capacité de prédiction dans l'espace du prédicteur, dans ce cas, en temps croissant, nous souhaitons trouver les combinaisons de facteurs qui minimisent les zones blanches. C'est dans ces zones blanches que la précision de prédiction est considérée comme la plus faible. |
| |
Et c'est pourquoi nous prenons la conception et la mettons dans une matrice de nuages de points, ce qui est analogue à l'hypothèse d'homogénéité des erreurs dans l'ANOVA. |
| |
où vous savez que nous recherchons un espace, l'espace de prédiction pour être également probable, ou l'hypothèse de variance égale dans la régression linéaire. |
| |
Lorsque nous le souhaitons, nous voulons que cet espace soit également probable sur toute la gamme des prédicteurs. |
| |
Donc, dans cette expérience, bien sûr, afin de réduire le nombre de facteurs que nous examinons, nous avons d'abord utilisé l'ingénierie et notre compréhension de l'ingénierie et de la physique du problème. |
| |
Et donc pour l'identification, nous avons identifié six variables indépendantes ou variables qui étaient le moins confondues entre elles et nous avons procédé à l'analyse sur la base de ces variables primaires. |
| |
D'accord. |
| |
La première chose que nous avons faite est de prendre notre conception générée et d’utiliser une régression par étapes pour essayer de simplifier le modèle, en identifiant uniquement les facteurs actifs dans le modèle. |
| |
Et ici, vous pouvez utiliser une combinaison de sélection avant, de sélection arrière et mixte comme critères d'arrêt afin de déterminer le modèle qui explique le plus de variation dans votre réponse. |
| |
Et aussi, je peux modéliser le type de viande comme discret et/ou numérique ou... plutôt numérique discret, et de cette façon je peux utiliser cet étiquetage pour faire correspondre le codage des facteurs à |
| |
le type de viande étant la crevette ou le porc, que nous avons utilisé. |
| |
Alors, quel type de règle d'arrêt peut-on utiliser dans le cadre de ce type de modèle de régression ? |
| |
Malheureusement, après avoir exécuté ce modèle à maintes reprises, je n'ai pas réussi à le reproduire exactement. Or, la reproduction du modèle peut être quelque peu incohérente, car l'ajustement… ce type de schéma d'ajustement implique une procédure de calcul pour itérer jusqu'à une solution. |
| |
Ainsi, dans cette régression par étapes, le risque de surajustement est généralement plus élevé. |
| |
Et souvent, s'il y a une courbure dans le modèle |
| |
ou il y a deux interactions factorielles, par exemple, les variantes explicatives entre... sont partagées entre ces deux facteurs où vous ne pouvez pas distinguer cette variabilité associée à l'un ou à l'autre. |
| |
Et donc ce que nous pouvons voir clairement ici, sur la base du R au carré ajusté, c'est que nous obtenons un très bon ajustement, et probablement un ajustement qui est trop bon. |
| |
Cela signifie que nous ne pouvons pas prédire l'avenir en fonction de leur adéquation à ce modèle particulier. |
| |
D'accord. |
| |
Alors, c'est là que ça devient vraiment intéressant. |
| |
L’une des premières choses que nous avons faites, après avoir exécuté le modèle pas à pas, c’est que nous avons attribué des entrées uniformes indépendantes à chacun des facteurs du modèle. |
| |
Et c'est une sorte d'implémentation de Monte Carlo dans JMP. |
| |
Un autre type d'implémentation de Monte Carlo et et et |
| |
Ce qui est important à comprendre dans ce cadre particulier, c'est que la différence entre l'effet principal et l'effet total peut indiquer l'étendue de l'interaction. |
| |
C'est l'ampleur de l'interaction associée à un facteur particulier du modèle. Cela montre donc que, en particulier, la température de l'eau et la viande… |
| |
en plus d'être le plus explicatif en termes d'effet total, il peut probablement interagir avec d'autres facteurs dans ce modèle particulier. |
| |
Et ce que vous voyez, bien sûr, c'est que nous avons identifié la température de l'eau, la viande et le type de viande comme nos principaux prédicteurs, en utilisant le diagramme de Paredo pour les estimations transformées. |
| |
L’autre chose que je voudrais souligner ici avant de me lancer dans certaines des autres diapositives est l’indicateur de sensibilité que nous pouvons invoquer ici et |
| |
sous le profileur après avoir attribué des entrées uniformes indépendantes, |
| |
Nous pouvons colorier le profileur pour indiquer la force de la relation entre chaque facteur d'entrée et la réponse. Nous pouvons également utiliser |
| |
l'indicateur de sensibilité, qui est représenté par ces triangles violets, pour nous montrer la sensibilité ou vous pouvez dire la force de la relation |
| |
similaire au coefficient de régression linéaire qui indiquerait la force, où plus le triangle est haut et plus la relation est raide, |
| |
plus le triangle est fort dans le sens positif ou négatif et plus il est large et plat, moins la relation qui joue ce facteur est forte. |
| |
D'accord. |
| |
Nous avons donc réduit notre modèle en faisant appel à un certain sens de l'ingénierie et en utilisant la plateforme étape par étape. |
| |
Et ce que nous obtenons |
| |
Il s'agit d'un aperçu de l'ajustement de notre modèle, issu de la conception DSD, avec un RSM structuré en courbure. Vous pouvez voir un graphique d'interaction qui montre l'étendue de l'interaction entre tous les facteurs, par paires. |
| |
Et nous avons indiqué où certaines interactions sont présentes et à quoi ressemblent ces interactions. |
| |
Il s'agit donc d'un modèle sur lequel nous pouvons vraiment avoir une meilleure idée. |
| |
D'accord, donc |
| |
Je pense qu’une autre chose à mentionner est que la contrainte de conception que nous avons imposée est similaire à ce que vous pourriez considérer comme une conception mixte, où tous les composants s’additionnent et la contrainte doit totaliser 100 %. |
| |
Ok, voici donc juste une image de haut niveau du profileur et nous pouvons ajuster ou moduler chacun des facteurs d'entrée, puis |
| |
observer l'impact sur la réponse et nous l'avons fait de manière très manuelle |
| |
juste pour avoir une idée de la façon dont le modèle fonctionne |
| |
Et bien sûr pour optimiser notre temps de cuisson ce que nous avons confirmé c'est que le temps doit être plus rapide, bien sûr les variantes associées au temps de cuisson doivent être plus faibles. |
| |
Le débit et les économies d'énergie doivent être optimisés et maximisés. Ce sont deux aspects supplémentaires. |
| |
réponses que nous avons dérivées en fonction du temps de cuisson. |
| |
D'accord, c'est ici que nous entrons plus en détail dans l'optimisation. |
| |
Du processus de cuisson. Comme je l'ai mentionné précédemment, nous avons conçu ou créé deux variables de réponse supplémentaires liées à la physique, où le débit maximal est atteint et qui dépend du nombre de boulettes… |
| |
Désolé, cela dépend du nombre de boulettes, mais aussi du poids et du temps. |
| |
Et les économies d'énergie, qui sont le produit de l'énergie consommée et du temps de cuisson, qui est une composante énergétique. |
| |
Et donc pour s'engager dans ce processus d'optimisation, |
| |
nous devons introduire l'erreur associée à chacun des facteurs d'entrée et cela est représenté par ces distributions en bas ici. |
| |
Nous devons également prendre en compte la fenêtre de contrôle pratique HACCP et, bien sûr, la capacité des appareils de mesure, ce que nous aimerions examiner dans le cadre d’études futures. |
| |
Voici donc un bon exemple du plan de contrôle HACCP que nous utilisons. Il est très similaire à une analyse des modes de défaillance et de leurs effets dans le domaine de la qualité. Il s'agit d'une approche structurée. |
| |
expérimentation ou développement de processus de fabrication et où les variables clés sont identifiées, |
| |
et les principaux responsables, ainsi que les critères utilisés pour les mesurer et leur validation. Le système HACCP est donc courant dans le secteur agroalimentaire et signifie « Analyse des risques et maîtrise des points critiques ». |
| |
Et je pense |
| |
Outre toutes ces activités préparatoires, j'ai principalement participé à cette expérience en tant que collecteur de données, et l'intégrité des données est un élément essentiel. |
| |
Transcrire les données de manière appropriée est certainement très important. |
| |
Ainsi, tous les points de contrôle HACCP doivent être intégrés dans la plage de simulation Monte Carlo et, en fin de compte, la plage de tolérance HACCP peut être utilisée pour dériver l'exigence de performance du processus. |
| |
D'accord, donc |
| |
nous considérons une gamme d'entrées où Monte Carlo peut confirmer que cette gamme attendue est pratique pour le temps de cuisson. |
| |
Nous voulons considérer un petit changement dans chacun des facteurs d'entrée à chaque niveau, à chaque niveau de composant HACCP et |
| |
Ceci est déterminé par la plage de points de contrôle. En fonction de cette plage, nous pouvons déterminer le delta x et le delta de chaque entrée à partir du temps de réponse delta y. |
| |
Et nous pouvons continuer à augmenter le delta x de manière incrémentielle et itérative, |
| |
En espérant que l'augmentation soit suffisamment faible pour que la variation de y soit suffisamment faible pour respecter la spécification. Dans l'industrie, il s'agit généralement d'une tolérance de conception, et dans ce cas, il s'agit de notre plage de paramètres de contrôle HACCP, ou limite de paramètres de contrôle. |
| |
Et si cette procédure itérative échoue, alors nous devons rendre l'incrément et X plus petits et nous appelons cette procédure allocation de tolérance. D'accord. |
| |
Nous avons réalisé cette opération manuellement, en utilisant une sorte de recette spéciale. Cependant, cela peut être réalisé de manière plus automatisée dans JMP. |
| |
Dans ce cas, vous pouvez constater que nous avons plus de réponses. L'optimisation à réponses multiples implique l'invocation des fonctions de désirabilité et la maximisation de la désirabilité grâce au profileur de prédiction. |
| |
ainsi qu'une modélisation de processus gaussien, |
| |
également disponible sous le profileur de prédiction. |
| |
D'accord. Poursuivons notre réflexion sur l'utilisation d'outils complémentaires pour mieux comprendre notre produit, notre processus et notre expérience. Nous utilisons la fonctionnalité de modélisation neuronale du menu Analyse, sous les outils de modélisation prédictive. |
| |
Et |
| |
Nous avons essayé de l’utiliser pour faciliter notre prédiction. |
| |
Ce modèle utilise une fonction TanH, qui peut être plus puissante pour détecter la courbure dans les effets non linéaires, |
| |
mais c'est une sorte de boîte noire et ça n'a pas vraiment de lien avec la physique. Donc |
| |
il est également robuste aux réponses non normales et quelque peu robuste aux facteurs de confusion liés à l'aliasing. |
| |
il a ses limites, en particulier avec un petit échantillon, comme celui que nous avons ici, et vous pouvez en fait voir que le r au carré entre les ensembles d'entraînement et de validation n'est pas particulièrement |
| |
les mêmes ou ils varient, donc ce modèle n'est pas particulièrement cohérent aux fins de prédiction. |
| |
Enfin, nous avons utilisé la plateforme de partitionnement dans JMP pour exécuter un partitionnement récursif sur notre |
| |
temps de réponse réponse. |
| |
Et ce modèle est certainement relativement facile à interpréter en général, mais je pense que c'est particulièrement vrai pour notre expérience, car nous pouvons voir que pour le temps de montée, nous avons cette température limite à environ 85 degrés C, |
| |
et cela ainsi qu'une certaine différenciation de température par rapport au débit maximal, mais en particulier la coupure de 85 degrés est la plus... c'est très intéressant. |
| |
La note R au carré dans ce modèle est d'environ 0,7, au moins par rapport à la réponse de température croissante, ce qui est assez bon pour ce type de modèle, compte tenu de la petite taille de l'échantillon. |
| |
Et |
| |
Ce qui est le plus intéressant concernant cette limite, c'est qu'en dessous de 85 °C, l'eau ne bouillait pas vraiment. |
| |
Beaucoup de bouillonnement, pas de turbulence. La mesure était très stable. Cependant, à mesure que la température augmentait, l'eau commençait à circuler. Les turbulences dans l'eau provoquaient une température irrégulière, l'effondrement des bulles par cavitation, la montée de vapeur et un environnement thermique instable. |
| |
Dans ce type d’environnement, c’est la convection qui domine plutôt que la conduction. |
| |
La vapeur bloque également la lumière du thermomètre infrarouge, ce qui augmente également l’incertitude associée à la mesure de la température. |
| |
Et la vapeur elle-même présente un risque de brûlure qui, en plus de la sécurité, peut avoir un impact sur la façon dont l'opérateur ajuste le thermomètre et place le thermomètre, ce qui est très important pour la précision de la mesure. |
| |
C'est pourquoi nous avons limité notre conception à 95 °C, car il était vraiment impossible de mesurer la température de l'eau avec précision au-delà de cette valeur. |
| |
D'accord. |
| |
Alors, qu'est-ce que... où en sommes-nous arrivés ici ? Eh bien, |
| |
en résumé, nous...dans cette expérience, nous utilisons DSD (DOE) pour collecter les données uniquement. |
| |
Nous utilisons ensuite une régression pas à pas pour affiner les effets importants, sans toutefois aller trop loin dans cette approche. Nous faisons appel au bon sens et à notre expertise technique pour minimiser le nombre de facteurs dans notre expérience. |
| |
Nous utilisons également des entrées uniformes indépendantes, |
| |
qui est très puissant |
| |
pour nous donner une idée de l'ampleur des effets en utilisant, par exemple, en coloriant le profil ou en regardant le rang des effets et aussi en regardant la différence entre l'effet principal et l'effet total pour nous donner une indication de l'interaction présente dans le modèle. |
| |
Nous avons également ajouté des indicateurs de sensibilité sous le profileur pour nous aider à quantifier notre sensibilité globale aux fins de l'optimisation de Monte Carlo. |
| |
schéma que nous avons employé. |
| |
Les principaux effets du modèle sont en réalité la température, bien sûr, et la physique explique vraiment pourquoi la température est le facteur numéro un, comme je l'ai partagé dans nos conclusions. |
| |
Et en plus, entre 80 et 90 degrés C, ce que nous voyons à partir des profileurs, c'est que nous avons observé une sorte de transition rapide et une augmentation de la sensibilité de la relation entre le temps de montée et la température, ce qui est, bien sûr, cohérent avec nos observations expérimentales. |
| |
Deuxièmement, en ce qui concerne les effets des facteurs interagissant les uns avec les autres et parce qu'il existe deux types différents de physique qui interagissent réellement, la physique de base... les modes de physique qui interagissent sont la convection et la conduction, |
| |
le pas à pas sur le DSD est un bon point de départ, car il nous donne un modèle continu sans transformation |
| |
Sans |
| |
Transformation avancée de type neuronal ou boîte noire, avec laquelle nous pouvons au moins avoir une bonne idée de la sensibilité globale pour commencer. |
| |
Et nos modèles neuronaux dans nos modèles de partition ne pouvaient pas nous montrer cela, en particulier compte tenu de la petite taille de l'échantillon dans notre expérience. |
| |
Et enfin, nous utilisons la simulation Monte Carlo, une simulation Monte Carlo robuste |
| |
Dans notre propre cadre. Nous avons également réalisé une optimisation à réponses multiples sur la durée et le débit croissants de la consommation d'énergie par rapport à nos facteurs clés. Grâce à cette expérience, nous avons commencé à mieux cerner et à approfondir notre compréhension de l'importance de |
| |
les facteurs les plus importants dans cette expérience utilisant une approche de modélisation multidisciplinaire. |
| |
Enfin, je partagerai ici quelques références intéressantes. Merci beaucoup pour votre temps et |
