| Oratore |
Trascrizione |
| Patrick Giuliano |
Bene. Bene, benvenuti a tutti. |
| |
Grazie a tutti per aver dedicato del tempo a guardare questa presentazione. |
| |
Preparazione dei ravioli al vapore più freschi. |
| |
Mi chiamo Patrick Giuliano e i miei coautori sono Mason Chen e Charles Chen di Applied Materials, oltre a Yvanny Chang. |
| |
Bene, oggi vi racconterò di come ho sfruttato...io e il mio team sfruttiamo la potenza di JMP per comprendere davvero |
| |
cottura degli gnocchi. |
| |
Quindi il problema generale è che la maggior parte dei cibi, come gli gnocchi, vengono preparati senza un controllo preciso dei parametri di cottura. |
| |
E il sapore di uno gnocco, e così come altri risultati per misurare quanto è buono uno gnocco, è influenzato negativamente da un tempo di cottura improprio e questo è intuitivo per chiunque abbia apprezzato il cibo quindi |
| |
non c'è bisogno di parlarne troppo. Ma |
| |
Prima o poi l'intelligenza artificiale e la robotica diventeranno una parte importante dell'industria alimentare. |
| |
E la nostra recente esperienza con il Covid 19 lo ha davvero evidenziato e quindi parlerò un po' di come noi |
| |
è possibile comprendere meglio il processo di dumpling utilizzando un approccio di modellazione molto sfaccettato, che sfrutta molte delle capacità di modellazione di JMP, tra cui una solida ottimizzazione del design Monte Carlo. |
| |
Allora perché gli gnocchi? |
| |
Beh, gli gnocchi sono molto facili da cucinare. |
| |
E cucinandoli, ovviamente, uccidiamo qualsiasi particella estranea che possa essere presente al loro interno. |
| |
E cucinare può comportare un'interazione umana molto limitata. |
| |
Quindi, naturalmente, il design e lo spazio di processo relativi alla cottura sono molto intuitivi ed estensibili. |
| |
e possiamo considerare la fisica associata a questo problema e provare a usare JMP per aiutarci a comprendere e studiare meglio la fisica. |
| |
L'intelligenza artificiale arriverà prima o poi a causa del Covid 19, ovviamente, e |
| |
Perché mai dovrebbe arrivare la cottura robotica degli gnocchi? Bene |
| |
E altre domande potrebbero essere: quali sono i vantaggi? Quali sono le sfide della cottura automatizzata dei ravioli in un ambiente robotico? |
| |
E naturalmente, questo potrebbe rappresentare una sfida perché in realtà i robot non hanno il naso per annusare. E quindi, per questo motivo, questo è un motivo importante per cui, oltre a |
| |
un approccio di modellazione avanzato e multiforme, è importante considerare anche altri criteri strutturati. |
| |
Più avanti in questa presentazione parlerò un po' dei criteri HACCP e di come li abbiamo integrati per risolvere il nostro problema in modo più strutturato. |
| |
Ok, allora |
| |
Prima di addentrarmi nelle interessanti analisi JMP, vorrei fornire una breve introduzione alla fisica del trasferimento di calore, alla scienza alimentare e al modo in cui diversi meccanismi di trasferimento di calore influenzano la cottura degli gnocchi. |
| |
Quindi, come puoi vedere in questa diapositiva, c'è un |
| |
Q |
| |
nella parte superiore del diagramma e in alto a destra e a cui si fa riferimento Q...si riferisce alla densità del flusso di calore, che è la quantità di energia che |
| |
scorre attraverso un'area unitaria per unità di tempo e la direzione della variazione di temperatura. |
| |
Dal punto di vista fisico, le proteine e la carne cruda e bollita differiscono nella quantità di energia. Per trasformare la struttura proteica della carne cruda in una struttura denaturata o compattata, come mostrato qui, è necessario superare una barriera energetica di attivazione. |
| |
in questa foto a sinistra. |
| |
Quindi il primo compito del cuoco, quando si fa bollire la carne in termini di fisica, è quello di aumentare la temperatura in tutto il volume del pezzo |
| |
almeno |
| |
Per raggiungere la temperatura di denaturazione. |
| |
Più avanti parlerò della scoperta più interessante di questa particolare fase dell'esperimento, in cui abbiamo scoperto che c'era un limite di temperatura. |
| |
E intuitivamente, si potrebbe pensare che al di sotto di una certa temperatura gli gnocchi siano cotti... non siano cotti correttamente, siano troppo mollicci, e al di sopra di una certa temperatura, forse siano anche troppo mollicci o possano bruciarsi o diventare croccanti. |
| |
Un'altra nota finale sulla fisica qui è che alla soglia di ebollizione, la temperatura superficiale dell'acqua fluttua e le bolle saliranno sulla superficie della caldaia |
| |
e si rompono e collassano e questo può rendere difficile raccogliere... catturare e... scusate... catturare letture accurate della temperatura. |
| |
Questo ci porta a...quali sono alcuni degli strumenti che abbiamo utilizzato per condurre un esperimento? |
| |
BENE, |
| |
Naturalmente abbiamo utilizzato una pentola a pressione e questo è molto importante. |
| |
Naturalmente, abbiamo usato qualcosa per misurare la temperatura e per questo abbiamo usato un termometro a infrarossi e un timer, ovviamente, e abbiamo usato una bilancia di massa per pesare il raviolo e tutti i costituenti che lo compongono. |
| |
Potremmo prendere in considerazione qualcosa chiamato Gare R&R in studi futuri, in cui potremmo quantificare la ripetibilità e la riproducibilità dei nostri strumenti di misurazione. |
| |
In questo esperimento non l'abbiamo fatto, ma questo è molto importante, perché ci aiuta a massimizzare la precisione delle stime del nostro modello al minuto... riducendo al minimo le componenti di rumore associate al nostro processo di misurazione. |
| |
E quei componenti del rumore potrebbero non essere solo |
| |
un fatto...un fattore che, diciamo, è la tolleranza di precisione del misuratore, ma potrebbe anche essere dovuto al modo in cui la persona interagisce con la misurazione stessa. |
| |
E, e, in particolare, parlerò un po' della sfida nel misurare la temperatura di ebollizione e di cottura ad alta temperatura. |
| |
Ok, brevemente, |
| |
questo...abbiamo impostato questo esperimento come un esperimento progettato. E quindi abbiamo dovuto prima decidere gli strumenti. |
| |
Dovevamo decidere come avremmo fatto i ravioli. Quindi avevamo bisogno di un processo di produzione e di un metodo appropriato. |
| |
attori chiave in questo processo. E poi abbiamo dovuto progettare un esperimento strutturato. E per farlo utilizziamo il progetto di screening definitivo. |
| |
e abbiamo esaminato alcune caratteristiche del progetto per garantire che funzionasse in modo ottimale per il nostro esperimento. |
| |
Poi abbiamo eseguito l'esperimento. |
| |
Poi |
| |
abbiamo misurato e registrato la risposta. |
| |
E naturalmente, infine, la parte divertente, |
| |
siamo riusciti a interpretare in modo efficace i dati e JMP. |
| |
E questi sono i grafici qui a destra che mostrano le matrici di dispersione generate in JMP, utilizzando semplicemente la funzione grafico. |
| |
E questi ci danno effettivamente un'indicazione dell'uniformità dello spazio di previsione. Ne parlerò più approfonditamente più avanti... e poi... nelle prossime diapositive. |
| |
Bene, ecco i nostri dati. Ecco il nostro piano di raccolta dati e a destra c'è la risposta che abbiamo misurato, ovvero il tempo di lievitazione o di cottura dei ravioli. |
| |
Abbiamo raccolto 18 esecuzioni in un DSD, che abbiamo generato in JMP utilizzando la piattaforma DSD e nel menu DOE. |
| |
E abbiamo raccolto informazioni sulla massa della carne, sulla massa delle verdure che vengono aggiunte, sulla massa del... tipo di carne, o meglio, sulla composizione delle verdure (che siano cavolo o funghi), |
| |
e naturalmente il peso totale, le dimensioni della porzione che abbiamo cucinato, il numero di gnocchi per porzione e la temperatura dell'acqua. |
| |
Questa diapositiva mette in evidenza solo parte della straordinaria potenza di un DSD e non mi dilungherò troppo, ma i DSD sono molto apprezzati per le loro caratteristiche di modellazione flessibili e potenti. |
| |
E consentono un grande potenziale per condurre uno screening Blitz e ottimizzare l'ottimizzazione in un singolo esperimento. |
| |
Questo grafico a destra è una matrice di correlazione generata in JMP, nella sua piattaforma diagnostica progettata del menu DOE ed è particolarmente potente per mostrare |
| |
l'entità dell'aliasing o della confusione tra tutti gli effetti fattoriali nel tuo modello. E ciò che questo grafico mostra chiaramente è che |
| |
dal blu più scuro, non c'è correlazione e, man mano che la correlazione aumenta e arriviamo alle sfumature di grigio, e infine, quando arriviamo a una correlazione molto positiva, arriviamo alle sfumature di rosso. Quindi quello che stiamo realmente vedendo è che |
| |
gli effetti principali non sono per nulla correlati tra loro, ed è proprio ciò che ci piace vedere nelle interazioni tra due fattori: gli effetti principali non sono correlati. |
| |
Con effetti quadratici che si trovano in alto nel quadrante destro. E poi gli effetti quadratici sono in realtà solo parzialmente correlati tra loro e poi si hanno questi termini di interazione di ordine superiore, |
| |
che sono realmente parzialmente correlati con gli effetti di interazione e questi tipi di caratteristiche rendono questo particolare design superiore ai tipici design fattoriali frazionari di Risoluzione III e Risoluzione IV che ci erano stati insegnati |
| |
prima dei DSD. |
| |
Bene. Quindi, parliamo brevemente della diagnostica di progettazione. Ecco la stessa correlazione... un grafico di correlazione simile, solo che ai fattori sono stati assegnati i loro nomi specifici. |
| |
e dopo in...in esecuzione di questo progetto DSD. E questa è solo una versione grigia e bianca di una matrice di correlazione per aiutarti a vedere l'entità dell'ortogonalità o |
| |
no, non essendo ??? tra i fattori. E quindi quello che potete vedere nel nostro esperimento è che in realtà abbiamo osservato un po' di |
| |
confondendo tra le dimensioni del lotto e la carne, cosa prevedibile, e poi, naturalmente, la carne con l'interazione tra la carne e le verdure che si trovano nel raviolo. |
| |
E notiamo che qui abbiamo imposto un vincolo di progettazione, con il quale abbiamo osservato una certa confusione, ovvero il vincolo molto intuitivo secondo cui i ravioli... rispetto alla massa totale del raviolo sono la composizione di ciascuno dei componenti del raviolo stesso. |
| |
COSÌ, |
| |
l'altro... |
| |
allora perché, perché lo stiamo facendo? |
| |
Perché stiamo valutando questa uniformità tra virgolette qui, questa matrice del diagramma di dispersione qui e cosa ci sta dicendo questo? Bene, |
| |
Per massimizzare la capacità di previsione nell'intero arco temporale del predittore, in questo caso in tempo di salita, vogliamo trovare le combinazioni dei fattori che minimizzano le aree bianche. Bene. E nelle aree bianche si pensa che l'accuratezza della previsione sia minore. |
| |
E questo è un ed è per questo che prendiamo il progetto e lo inseriamo in una matrice di diagramma di dispersione e questo è analogo a una sorta di omogeneità dell'ipotesi di errore nell'ANOVA, |
| |
dove sappiamo che cerchiamo uno spazio, lo spazio di previsione che sia ugualmente probabile, o l'ipotesi di uguale varianza nella regressione lineare. |
| |
Quando vogliamo, vogliamo che questo spazio sia ugualmente probabile nell'intero intervallo dei predittori. |
| |
Quindi, in questo esperimento, ovviamente, per ridurre il numero di fattori che stiamo prendendo in considerazione, abbiamo prima utilizzato l'ingegneria e la nostra comprensione dell'ingegneria e della fisica del problema. |
| |
Quindi, per l'identificazione, abbiamo identificato sei variabili indipendenti o variabili che erano meno confuse tra loro e abbiamo proceduto con l'analisi sulla base di queste variabili primarie. |
| |
Va bene. |
| |
Quindi la prima cosa che abbiamo fatto è stata prendere il progetto generato e utilizzare la regressione graduale per cercare di semplificare il modello, identificando solo i fattori attivi nel modello. |
| |
E qui puoi usare una combinazione di selezione in avanti, selezione all'indietro e mista come criteri di arresto per determinare il modello che spiega la maggiore variazione nella tua risposta. |
| |
E inoltre, posso modellare il tipo di carne come discreto e/o numerico o...piuttosto discreto numerico, e in questo modo posso usare questa etichettatura per far sì che la codifica dei fattori corrisponda a |
| |
il tipo di carne che abbiamo utilizzato è il gambero o il maiale. |
| |
Quindi, che tipo di regola di arresto si può usare nel contesto di questo tipo di modello di regressione? Bene, |
| |
Sfortunatamente, quando ho eseguito questo modello più e più volte, non sono riuscito a riprodurlo esattamente. E la riproduzione del modello può essere in qualche modo incoerente, poiché l'adattamento... questo tipo di schema di adattamento richiede una procedura computazionale per iterare fino a una soluzione. |
| |
Pertanto, in questa regressione graduale, il rischio di sovradattamento è in genere più elevato. |
| |
E spesso se c'è qualche curvatura nel modello |
| |
oppure ci sono due interazioni tra fattori, ad esempio, le varianti esplicative tra... sono condivise tra entrambi i fattori, dove non è possibile distinguere la variabilità associata all'uno o all'altro. |
| |
Quindi, ciò che possiamo vedere chiaramente qui, in base all'R quadrato corretto, è che stiamo ottenendo un adattamento molto buono, e probabilmente un adattamento troppo buono. |
| |
Ciò significa che non possiamo fare previsioni future sulla base di esse in merito all'adattamento a questo particolare modello. |
| |
Va bene. |
| |
Quindi è qui che la cosa diventa piuttosto interessante. Quindi |
| |
Una delle cose che abbiamo fatto per prima cosa, dopo aver eseguito il metodo stepwise, è stata assegnare input uniformi e indipendenti a ciascuno dei fattori nel modello. |
| |
E questa è una sorta di implementazione Monte Carlo in JMP. |
| |
Un diverso tipo di implementazione Monte Carlo e e e |
| |
Ciò che è importante capire in questo particolare contesto è che la differenza tra l'effetto principale e l'effetto totale può indicare l'entità dell'interazione. |
| |
che questa sia l'entità dell'interazione associata a un particolare fattore nel modello. E quindi questo dimostra che, in particolare, la temperatura dell'acqua e la carne, |
| |
oltre ad essere il più esplicativo in termini di effetto totale, potrebbe probabilmente interagire con altri fattori in questo particolare modello. |
| |
E quello che vedete, ovviamente, è che abbiamo identificato la temperatura dell'acqua, la carne e il tipo di carne come i nostri principali predittori, utilizzando il grafico di Paredo per le stime trasformate. |
| |
L'altra cosa che vorrei evidenziare qui prima di passare ad altre diapositive è l'indicatore di sensibilità che possiamo richiamare qui e |
| |
sotto il profiler dopo aver assegnato input uniformi indipendenti, |
| |
Possiamo colorare il profiler per indicare la forza della relazione tra ciascuno dei fattori di input e la risposta. E possiamo anche usare |
| |
l'indicatore di sensibilità, che è rappresentato da questi triangoli viola, per mostrarci la sensibilità o, si può dire, la forza della relazione |
| |
simile al coefficiente di regressione lineare indicherebbe la forza, dove più alto è il triangolo e più ripida è la relazione, |
| |
più è forte nella direzione positiva o negativa e più è ampio e piatto il triangolo, meno forte è la relazione che gioca quel fattore. |
| |
Va bene. |
| |
Abbiamo quindi iniziato a ridurre il nostro modello e, con un po' di buon senso ingegneristico, abbiamo utilizzato la piattaforma graduale. |
| |
E cosa otteniamo |
| |
Questa è solo un'istantanea del nostro modello di adattamento, derivante dal progetto DSD, con RSM strutturato come curvatura. Potete vedere che questo è un grafico di interazione che mostra l'entità dell'interazione tra tutti i fattori in modo a coppie. |
| |
Abbiamo indicato dove sono presenti alcune interazioni e come si presentano. |
| |
Quindi questo è un modello che, in realtà, possiamo comprendere meglio |
| |
Ok, allora |
| |
Penso che un'altra cosa da menzionare è che il vincolo di progettazione che abbiamo imposto è simile a quello che si potrebbe considerare un progetto misto, in cui tutti i componenti si sommano e il vincolo deve essere pari al 100%. |
| |
Ok, ecco un'immagine di alto livello del profiler e possiamo regolare o modulare ciascuno dei fattori di input e quindi |
| |
osservare l'impatto sulla risposta e lo abbiamo fatto in modo molto manuale |
| |
solo per avere un'idea di come si sta comportando il modello |
| |
E naturalmente per ottimizzare i tempi di cottura abbiamo confermato che il tempo deve essere più veloce e che le varianti associate al tempo di cottura devono essere minori. |
| |
E la produttività e il risparmio energetico dovrebbero essere ottimizzati, massimizzati. E questi sono due ulteriori |
| |
risposte che abbiamo ricavato in base al tempo di cottura. |
| |
Bene, ecco dove entriamo più approfonditamente nell'ottimizzazione. |
| |
del processo di cottura. E quindi, come ho detto prima, abbiamo progettato o creato due variabili di risposta aggiuntive che sono collegate alla fisica, dove abbiamo la massima produttività e questo dipende da quanti ravioli... |
| |
Mi dispiace, dipende da quanti gnocchi sono, ma anche dal peso e dal tempo. |
| |
E il risparmio energetico, che è il prodotto dell'energia consumata e del tempo impiegato per cucinare, che è una componente energetica. |
| |
E quindi per impegnarsi in questo processo di ottimizzazione, |
| |
dobbiamo introdurre l'errore associato a ciascuno dei fattori di input e questo è rappresentato da queste distribuzioni in basso qui. |
| |
E dobbiamo anche considerare la finestra di controllo pratica dell'HACCP e, naturalmente, la capacità del dispositivo di misurazione, che è qualcosa che vorremmo esaminare in studi futuri. |
| |
Ecco quindi una bella immagine del piano di controllo HACCP che utilizziamo, molto simile a qualcosa come un'analisi delle modalità di errore e degli effetti nella professione di qualità. Si tratta semplicemente di un approccio strutturato a |
| |
sperimentazione o sviluppo del processo di produzione e dove vengono identificate le variabili chiave, |
| |
e i proprietari chiave, e poi quali criteri vengono valutati e come tali criteri vengono convalidati. Quindi, l'HACCP è in realtà comune nel settore delle scienze alimentari e sta per Hazard Analysis Critical Control Point Monitoring. |
| |
E penso |
| |
oltre a tutte queste attività di preparazione, sono stato coinvolto principalmente nel contesto di questo esperimento come raccoglitore di dati e l'integrità dei dati è una cosa molto importante. E quindi |
| |
trascrivere i dati in modo appropriato è sicuramente molto importante. |
| |
Pertanto tutti i punti di controllo HACCP devono essere incorporati nell'intervallo di simulazione Monte Carlo e, in ultima analisi, l'intervallo di tolleranza HACCP può essere utilizzato per ricavare i requisiti di prestazione del processo. |
| |
Ok, allora |
| |
prendiamo in considerazione un intervallo di input in cui Monte Carlo può confermare che questo intervallo previsto è pratico per il tempo di cottura. |
| |
Vogliamo considerare una piccola modifica in ciascuno dei fattori di input a ciascun livello, a ciascun livello di componente HACCP e |
| |
e questo è determinato dall'intervallo del punto di controllo. In base all'intervallo del punto di controllo, possiamo determinare il delta x e il delta in ciascuno degli ingressi dal tempo di risposta delta y. |
| |
E possiamo continuare ad aumentare il delta x in modo incrementale e iterativo, |
| |
sperando che l'aumento sia sufficientemente piccolo da far sì che la variazione di y sia sufficientemente piccola da soddisfare le specifiche. Di solito, nell'industria, si tratta di una tolleranza di progettazione e, in questo caso, si tratta del nostro intervallo di parametri di controllo HACCP o limite del parametro di controllo. |
| |
E se questa procedura iterativa fallisce, allora dobbiamo rendere l'incremento e X più piccoli e chiamiamo questa procedura allocazione della tolleranza. Okay. |
| |
Abbiamo fatto questo manualmente e usando una sorta di nostra ricetta speciale. Sebbene questo possa essere fatto in modo più automatizzato in JMP e |
| |
E in questo caso, potete vedere che abbiamo più risposte. Quindi, utilizzando l'ottimizzazione a risposta multipla, ciò implicherebbe anche l'utilizzo delle funzioni di desiderabilità e la massimizzazione della desiderabilità tramite il profiler di previsione. |
| |
così come una modellazione del processo gaussiano, |
| |
disponibile anche nel profiler di previsione. |
| |
Bene. Quindi, per quanto riguarda l'utilizzo di strumenti che si completano a vicenda e cercano di comprendere meglio il nostro prodotto, il nostro processo e il nostro esperimento, utilizziamo la funzionalità di modellazione neurale nel menu Analizza, negli strumenti di modellazione predittiva. |
| |
E |
| |
Noi abbiamo cercato di utilizzarlo per facilitare la nostra previsione. |
| |
Questo modello utilizza una funzione TanH, che può essere più potente per rilevare la curvatura negli effetti non lineari, |
| |
ma è una specie di scatola nera e non è realmente collegata alla fisica. Quindi |
| |
mentre è anche robusto alle risposte non normali e in un certo senso robusto alla confusione causata dall'aliasing. |
| |
esso, ha i suoi limiti, in particolare con una piccola dimensione del campione, come quella che abbiamo qui, e si può effettivamente vedere che l'r quadrato tra i set di addestramento e di convalida non è particolarmente |
| |
sono uguali o variano, quindi questo modello non è particolarmente coerente ai fini della previsione. |
| |
Infine, abbiamo utilizzato la piattaforma di partizione in JMP per eseguire il partizionamento ricorsivo sul nostro |
| |
tempo di risposta risposta. |
| |
E questo modello è sicuramente relativamente facile da interpretare in generale, ma penso in particolare per il nostro esperimento perché possiamo vedere che per il tempo di salita abbiamo questa temperatura tagliata a circa 85 gradi C, |
| |
e questo, così come una certa differenziazione di temperatura rispetto alla massima produttività, ma in particolare il limite di 85 gradi è il massimo... è molto interessante. |
| |
La nota R al quadrato in questo modello è circa 0,7, almeno rispetto alla risposta all'aumento della temperatura, il che è piuttosto buono per questo tipo di modello, considerando le piccole dimensioni del campione. |
| |
E |
| |
Ciò che è più interessante rispetto a questo limite è che al di sotto degli 85°C, l'acqua non stava davvero bollendo. Non c'era |
| |
Molte bolle, nessuna turbolenza. La lettura era molto stabile. Tuttavia, aumentando la temperatura, l'acqua ha iniziato a circolare, la turbolenza nell'acqua ha causato una temperatura non uniforme, il collasso delle bolle di cavitazione, la risalita di vapore, e si è trattato fondamentalmente di un ambiente con temperatura instabile. |
| |
In questo tipo di ambiente prevale la convezione piuttosto che la conduzione. |
| |
Inoltre, il vapore blocca la luce del termometro a infrarossi, il che aumenta ulteriormente l'incertezza associata alla misurazione della temperatura. |
| |
E il vapore stesso presenta un rischio di ustione che, oltre alla sicurezza, può avere un impatto sul modo in cui l'operatore regola il termometro e regola la distanza a cui l'operatore posiziona il termometro, il che è molto importante per la precisione della misurazione. |
| |
Ecco perché abbiamo fissato il limite massimo del nostro progetto a 95 °C, perché era davvero impossibile misurare con precisione la temperatura dell'acqua oltre quella temperatura. |
| |
Va bene. |
| |
Quindi cosa siamo...dove siamo arrivati qui? Bene, |
| |
in sintesi, noi...in questo esperimento utilizziamo il DSD (DOE) solo per raccogliere i dati. |
| |
Quindi utilizziamo la regressione graduale per restringere il campo degli effetti importanti, ma senza approfondirla troppo. Usiamo il buon senso per ridurre al minimo il numero di fattori nel nostro esperimento, così come le competenze ingegneristiche. |
| |
Utilizziamo anche input uniformi indipendenti, |
| |
che è molto potente |
| |
per darci un'idea dell'entità degli effetti, ad esempio colorando il profilo o osservando il grado degli effetti e anche osservando la differenza tra l'effetto principale e l'effetto totale per darci un'indicazione dell'interazione presente nel modello. |
| |
Abbiamo anche aggiunto indicatori di sensibilità sotto il profiler per aiutarci a quantificare la nostra sensibilità globale ai fini dell'ottimizzazione di Monte Carlo |
| |
schema che abbiamo utilizzato. |
| |
Gli effetti principali nel modello sono ovviamente la temperatura e la fisica, come ho già spiegato nei nostri risultati, spiega perché la temperatura è il fattore numero uno. |
| |
Inoltre, a partire da una temperatura compresa tra 80 e 90 gradi C, ciò che vediamo dai profiler è che abbiamo osservato una sorta di rapida transizione e un aumento della sensibilità della relazione tra tempo di salita e temperatura, il che è, ovviamente, coerente con le nostre osservazioni sperimentali. |
| |
In secondo luogo, per quanto riguarda gli effetti dei fattori che interagiscono tra loro e poiché esistono due diversi tipi di fisica che interagiscono realmente, le modalità fisiche di base che interagiscono sono la convezione e la conduzione, |
| |
il passaggio graduale sul DSD è un buon punto di partenza, perché ci fornisce un modello continuo senza trasformazione |
| |
Senza |
| |
Trasformazione neurale avanzata o di tipo scatola nera, con cui possiamo almeno iniziare a comprendere bene la sensibilità globale. |
| |
E i nostri modelli neurali nei nostri modelli di partizione non sono riusciti a dimostrarcelo, soprattutto considerando le ridotte dimensioni del campione nel nostro esperimento. |
| |
E infine, utilizziamo la simulazione Monte Carlo, una simulazione Monte Carlo robusta |
| |
nel nostro framework. E abbiamo anche effettuato una piccola ottimizzazione delle risposte multiple sul tempo di aumento e sulla produttività nel consumo energetico rispetto ai nostri fattori più importanti. E attraverso questo esperimento, abbiamo iniziato a qualificare e approfondire la nostra comprensione dell'importanza di |
| |
i fattori più importanti in questo esperimento utilizzando un approccio di modellazione multidisciplinare. |
| |
Infine, condividerò qui alcuni riferimenti che potrebbero interessarvi. Grazie mille per il vostro tempo e |
