758492_ko-KR

liliconcom

모델 기반 견고한 설계 몬테카를로 접근법으로 가장 신선하고 맛있는 삶은 만두 요리하기 (2020-US-30MP-597)

패트릭 줄리아노, 애보트 수석 품질 엔지니어
Charles Chen, 지속적 개선 전문가, 통계 지원 엔지니어링(SAE), Applied Materials
Mason Chen, 고등학생, Stanford Online High School

만두와 같은 조리 식품은 일반적으로 조리 매개변수에 대한 정밀한 공정 제어 없이 조리됩니다. 본 연구의 목적은 다양한 만두 제품 유형에 따라 만두의 조리 과정을 맞춤화하는 것입니다. 만두 제조 과정에서 물의 온도와 조리 시간은 만두의 조리 정도(익힘 정도)를 결정하는 가장 중요한 요소입니다. 만두의 무게, 만두 종류, 그리고 배치 크기 또한 조리 과정에 영향을 미치는 변수입니다. 본 연구에서는 특수 속성을 가진 구조화된 JMP DSD 플랫폼을 구축하여 조리 시간에 대한 예측 모델을 구축했습니다. 국제적으로 인정받는 ISO 22000 식품 안전 관리 및 위해 요소 중점 관리 기준(HACCP) 스키마를 채택했습니다. 최신 데이터 마이닝 알고리즘을 사용하는 JMP 신경망 적합 기법을 RSM과 비교했습니다. 그 결과, 끓는 온도, 제품 종류, 만두 크기/배치 크기, 그리고 만두 구성에 사용된 혼합물에 의해 제약되는 상호작용 효과와 같은 요인에서 비롯된 더 큰 주효과의 유병률이 나타났습니다. 본 설계/분석 접근법에서는 JMP 강건 설계 최적화, 몬테카를로 시뮬레이션, HACCP 관리 한계를 활용하여 만두 조리 시간이 조리 시간에 미치는 조리 요소의 민감도를 이해하고 특성화했습니다. 전체론적 접근법은 서로 다른 사영 속성을 가진 모델들을 결합함으로써 시너지 효과를 발휘하는 것으로 나타났습니다. 재귀 분할 기반 AI 모델은 분류 체계를 사용하여 상호작용 효과를 추정하고, 고전적(단계적) 회귀 모델링은 2차 이상의 상호작용, 특히 이차 항의 잠재적 곡률을 해석할 수 있는 역량을 제공합니다. 본 논문은 공정 전반을 개선하고, 에너지 비용을 절감하며, AI 체계를 활용하여 인건비를 절감할 수 있는 새로운 자동화 만두 조리 과정 및 분석 프레임워크를 제시했습니다. 이 새로운 방법론은 외식 산업의 사업 비용 추정 및 수익 모델링에 대한 사고방식을 바꿀 잠재력을 가지고 있습니다.

자동 생성된 대본...

스피커	성적 증명서
패트릭 줄리아노	좋아요. 모두 환영합니다.
	이 프레젠테이션을 시청하는 데 시간을 내주신 모든 분들께 감사드립니다.
	가장 신선한 찐만두를 준비하는 방법.
	저는 패트릭 줄리아노이고, 공동 저자로는 Applied Materials의 메이슨 첸과 찰스 첸, 그리고 이바니 창이 있습니다.
	좋습니다. 오늘은 저와 제 팀이 JMP의 힘을 활용하여 실제로 어떻게 이해했는지 말씀드리겠습니다.
	만두 요리.
	따라서 여기서 일반적인 문제는 만두와 같은 대부분의 음식이 조리 매개변수를 정밀하게 제어하지 않고 만들어진다는 것입니다.
	만두의 맛과 만두의 맛을 측정하는 다른 모든 출력은 부적절한 조리 시간에 의해 부정적인 영향을 받으며 이는 음식을 즐겼던 모든 사람에게 직관적으로 나타납니다.
	우리는 그것에 대해 너무 많이 이야기할 필요가 없습니다. 하지만
	조만간 AI와 로봇공학이 식품 산업의 중요한 부분이 될 것입니다.
	그리고 우리의 최근 Covid 19 경험은 그것을 정말로 강조했고 그래서 저는 우리가 어떻게 하는지에 대해 조금 이야기하려고 합니다.
	JMP의 여러 모델링 기능(강력한 몬테카를로 설계 최적화 포함)을 활용한 매우 다면적인 모델링 접근 방식을 사용하면 만두 제조 과정을 더 잘 이해할 수 있습니다.
	그럼 왜 만두일까?
	만두는 요리하기가 매우 쉽습니다.
	물론, 음식을 요리하면 그 안에 살고 있을 수 있는 이물질을 죽일 수 있습니다.
	요리에는 사람과의 상호작용이 매우 제한적일 수 있습니다.
	그래서 당연히 그에 따른 디자인과 요리와 관련된 프로세스 공간은 매우 직관적이고 확장 가능합니다.
	그리고 우리는 이 문제와 관련된 물리학을 고려하고 JMP를 사용하여 물리학을 더 잘 이해하고 조사할 수 있습니다.
	물론 코로나19로 인해 AI가 조만간 등장할 것으로 예상되며,
	만두를 로봇으로 요리하는 기술이 등장하게 된 이유는 무엇일까요?
	그리고 또 다른 질문으로는, 로봇 환경에서 자동화된 방식으로 만두를 조리하는 것의 이점은 무엇인지, 그리고 어떤 어려움이 있는지 등이 있습니다.
	물론, 로봇은 실제로 냄새를 맡을 코가 없기 때문에 어려울 수 있습니다. 그래서 그것이 큰 이유입니다.
	고급스럽고 다면적인 모델링 접근 방식인 만큼 다른 구조화된 기준도 고려하는 것이 중요합니다.
	그리고 이 프레젠테이션의 후반부에서는 HACCP 기준에 대해 잠깐 이야기하고, 이를 어떻게 통합하여 보다 체계적인 방식으로 문제를 해결했는지에 대해 이야기하겠습니다.
	좋아, 그럼
	흥미로운 JMP 분석에 대해 자세히 알아보기에 앞서, 열전달 물리학, 식품 과학에 대한 간략한 소개와 다양한 열전달 메커니즘이 만두 조리에 어떤 영향을 미치는지에 대해 말씀드리고 싶습니다.
	이 슬라이드에서 볼 수 있듯이 다음과 같은 것이 있습니다.
	Q
	다이어그램의 상단과 오른쪽 상단에 Q가 언급되어 있습니다. 이는 열 유속 밀도를 의미하며, 이는 에너지의 양입니다.
	단위 면적당 단위 시간당 흐르는 물과 온도 변화 방향입니다.
	물리학적 관점에서 단백질과 생고기, 삶은 고기는 에너지 양이 다릅니다. 생고기 단백질 구조를 여기 보이는 것처럼 변성되거나 압축된 구조로 바꾸려면 활성화 에너지 장벽을 극복해야 합니다.
	이 사진의 왼쪽에 있는 것과 같습니다.
	따라서 고기를 끓일 때 요리사의 첫 번째 과제는 물리학적으로 고기의 전체 부피에 걸쳐 온도를 높이는 것입니다.
	적어도
	변성 온도에 도달합니다.
	나중에 이 실험의 특정 단계에서 가장 흥미로운 발견에 대해 이야기하겠습니다. 즉, 온도 제한이 있다는 것을 발견한 것입니다.
	직관적으로, 특정 온도 이하에서는 만두가 익을 것이라고 생각할 수 있을 겁니다. 제대로 익지 않아서 너무 질척거릴 것이고, 특정 온도 이상에서는 너무 질척거리거나 타거나 딱딱해질 수도 있을 겁니다.
	여기 물리학에 대한 또 다른 마지막 참고 사항은 끓는점에서 물의 표면 온도가 변동하고 거품이 보일러 표면으로 올라간다는 것입니다.
	그리고 부서지고 붕괴되기 때문에 모으고...포착하고...실례합니다...온도를 정확하게 측정하기 어렵습니다.
	그러면 실험을 수행하는 데 사용한 도구에는 어떤 것들이 있는지 알아보겠습니다.
	잘,
	물론, 우리는 끓는 냄비를 사용했고 그게 매우 중요했어요.
	물론, 우리는 온도를 측정하기 위해 적외선 온도계를 사용했고, 타이머도 사용했으며, 질량 저울을 사용하여 만두와 만두에 들어가는 모든 재료의 무게를 측정했습니다.
	향후 연구에서는 Gare R&R이라 불리는 방법을 고려할 수 있으며, 이를 통해 측정 도구의 반복성과 재현성을 정량화할 수 있을 것입니다.
	이번 실험에서는 그렇지 않았지만, 이는 매우 중요합니다. 왜냐하면 이를 통해 모델 추정치의 정확도를 최대화하고 측정 과정과 관련된 노이즈 요소를 최소화할 수 있기 때문입니다.
	그리고 그 소음 성분은 단지
	사실... 게이지의 정확도 허용 오차에 대한 요인이 있지만, 사람이 측정 자체와 상호 작용하는 방식에 따라 달라질 수도 있습니다.
	그리고, 특히, 높은 온도에서 끓는점과 조리점을 측정하는 데 따르는 과제에 대해 조금 이야기해 보겠습니다.
	좋아요, 간단히 말해서,
	이건... 저희는 이 실험을 계획 실험으로 설정했습니다. 그래서 먼저 도구를 정해야 했습니다.
	우리는 만두를 어떻게 만들지 결정해야 했습니다. 그래서 제조 공정과 적절한
	그 과정에서 중요한 역할을 하는 사람들이 있었습니다. 그리고 나서 구조화된 실험을 설계해야 했습니다. 이를 위해 확정적 선별 설계를 사용했습니다.
	그리고 실험에 최적으로 설계가 적용되는지 확인하기 위해 설계의 몇 가지 특성을 살펴보았습니다.
	다음으로 실험을 실행했습니다.
	그런 다음
	우리는 반응을 측정하고 기록했습니다.
	그리고 물론 마지막으로 가장 재미있는 부분은,
	우리는 데이터와 JMP를 효과적으로 해석해야 합니다.
	그리고 여기 있는 그래프는 JMP에서 그래프 함수만 사용하여 생성된 산점도 행렬을 보여줍니다.
	그리고 이것들은 실제로 예측 공간의 균일성을 보여줍니다. 이 부분에 대해서는 나중에 좀 더 자세히 이야기하고... 그다음... 다음 슬라이드에서 말씀드리겠습니다.
	좋아요, 여기 데이터가 있습니다. 데이터 수집 계획이 있고, 오른쪽에는 측정된 반응, 즉 만두가 부풀어 오르는 시간 또는 조리 시간이 있습니다.
	우리는 JMP에서 DSD 플랫폼을 사용하여 생성한 DSD에서 18개의 실행을 수집했으며, DOE 메뉴에서 이를 수행했습니다.
	그리고 우리는 고기의 질량, 들어가는 야채의 질량, 고기의 질량, 오히려 야채의 구성(양배추 또는 버섯)에 대한 정보를 수집했습니다.
	물론 총 중량, 요리한 만두의 크기, 한 번에 만든 만두의 개수, 물의 온도도 중요합니다.
	이 슬라이드는 DSD의 놀라운 힘 중 일부를 강조하는 데 그치지 않고, 이에 대해 너무 자세히 설명하지는 않겠지만 DSD는 유연하고 강력한 모델링 특성으로 인해 많은 찬사를 받고 있습니다.
	그리고 이를 통해 단일 실험으로 블리츠 스크리닝을 실시하고 최적화를 최적화할 수 있는 엄청난 잠재력이 있습니다.
	오른쪽의 이 차트는 DOE 메뉴의 진단 플랫폼에서 설계된 JMP에서 생성된 상관 행렬이며 특히 다음을 보여주는 데 매우 강력합니다.
	모델 내 모든 요인 효과 간의 별칭화 또는 교란의 정도입니다. 이 그래픽이 명확하게 보여주는 것은
	가장 진한 파란색에서는 상관관계가 없고, 상관관계가 증가하면서 회색조로 변하고, 마지막으로 매우 양의 상관관계에 도달하면 빨간색으로 변합니다. 그래서 우리가 실제로 보고 있는 것은
	주효과는 서로 전혀 상관관계가 없습니다. 이는 두 요인 상호 작용에서 보고 싶은 바이며, 주효과가 상관관계가 없는 것입니다.
	이차 효과는 오른쪽 사분면에 있습니다. 그리고 이차 효과는 실제로 서로 부분적으로만 상관관계가 있으며, 고차 상호작용 항이 있습니다.
	실제로 상호 작용 효과와 부분적으로 상관 관계가 있는 이러한 유형의 특성은 이 특정 설계를 우리가 배웠던 일반적인 Resolution III 및 Resolution IV 분수 요인 설계보다 우수하게 만듭니다.
	DSD 이전.
	좋아요. 설계 진단에 대해 간단히 이야기해 보겠습니다. 여기 같은 상관관계가 있습니다... 비슷한 상관관계 플롯인데, 요인에 각각 고유한 이름이 붙어 있습니다.
	그리고... 이 DSD 디자인을 실행한 후에. 그리고 이것은 직교성의 정도를 파악하는 데 도움이 되는 상관 행렬의 회색과 흰색 버전일 뿐입니다.
	아니요, 요인 중 ???가 아닙니다. 그래서 우리 실험에서 볼 수 있는 것은 우리가 실제로 약간의
	일괄 처리 크기와 고기 사이에 혼동이 생기는 것은 당연한 일이고, 물론 고기와 만두에 들어있는 야채 사이의 상호 작용도 있습니다.
	그리고 여기서 우리는 하나의 설계 제약을 부과했는데, 이는 다소 혼란스러운 측면이 있었는데, 그것은 바로 만두의 총 질량이 만두 자체의 각 구성 요소의 구성이라는 매우 직관적인 제약입니다.
	그래서,
	다른 하나는...
	그럼 왜, 왜 우리는 이런 일을 하는 걸까요?
	왜 우리는 여기서 이 인용문, 즉 균일성을 평가하는 걸까요? 산점도 행렬은 여기서 어떻게 평가하는 걸까요? 그리고 이것이 우리에게 무엇을 말해주는 걸까요?
	예측 변수의 공간 전체에서 예측 능력을 극대화하기 위해, 이 경우 상승 시간(rising time)에서 흰색 영역을 최소화하는 요인들의 조합을 찾고자 합니다. 좋습니다. 흰색 영역은 예측 정확도가 낮다고 생각되는 곳입니다.
	그리고 이것이 우리가 디자인을 취하고 그것을 산점도 행렬에 넣은 이유이고 이것은 ANOVA에서 오차 가정의 동질성과 유사합니다.
	예측 공간이 동등하게 확률이 있다는 것을 알 수 있는 공간, 즉 선형 회귀에서 동등 분산 가정을 찾는 곳입니다.
	우리가 원할 때는 이 공간이 예측 변수의 범위 전체에서 동일한 확률을 갖기를 원합니다.
	따라서 이 실험에서 당연히 우리가 살펴보는 요인의 수를 줄이기 위해 우리는 먼저 공학과 공학에 대한 이해, 그리고 문제의 물리학을 활용했습니다.
	따라서 식별을 위해 우리는 서로 혼동이 가장 적은 여섯 개의 독립 변수 또는 변수를 식별했고, 이러한 기본 변수를 기반으로 분석을 진행했습니다.
	좋아요.
	그래서 우리가 가장 먼저 한 일은 생성된 설계를 가져와 단계적 회귀 분석을 사용하여 모델을 단순화하고 모델에서 활성 요소만 식별하는 것이었습니다.
	여기서는 전방 선택, 후방 선택, 혼합을 조합하여 중단 기준으로 사용하여 반응의 변화를 가장 많이 설명하는 모델을 결정할 수 있습니다.
	또한, 고기 유형을 이산적이거나 숫자적이거나... 오히려 이산적 숫자로 모델링할 수 있으며 이런 방식으로 이 라벨링을 사용하여 요인 코딩을 다음과 일치시킬 수 있습니다.
	우리가 사용한 고기는 새우나 돼지고기였습니다.
	그렇다면 이러한 유형의 회귀 모델에서 어떤 종류의 중단 규칙을 사용할 수 있을까요?
	안타깝게도 이 모델을 반복해서 실행해 보니 정확하게 재현할 수 없었습니다. 모델 재현은 다소 일관성이 떨어질 수 있는데, 이러한 유형의 적합 스키마는 해를 찾기 위해 반복적인 계산 과정을 필요로 하기 때문입니다.
	따라서 이 단계적 회귀 분석에서는 과적합 위험이 일반적으로 더 높습니다.
	그리고 종종 모델에 곡률이 있는 경우
	또는 두 가지 요인의 상호 작용이 있는데, 예를 들어 설명 변수가 두 요인 모두에 공유되어서 한쪽이나 다른 쪽과 연관된 변동성을 분리할 수 없는 경우가 있습니다.
	따라서 조정된 R 제곱을 기반으로 우리가 여기서 명확하게 볼 수 있는 것은 매우 좋은 적합도를 얻고 있으며, 아마도 지나치게 좋은 적합도를 얻고 있다는 것입니다.
	즉, 이 특정 모델에 대한 적합성을 기준으로 미래를 예측할 수 없다는 의미입니다.
	좋아요.
	자, 이제 꽤 흥미로운 부분이 나옵니다.
	단계별 분석을 실행한 후 우리가 가장 먼저 한 일 중 하나는 모델의 각 요인에 독립적인 균일한 입력을 할당한 것입니다.
	그리고 이것은 JMP에서의 일종의 몬테카를로 구현입니다.
	다른 종류의 몬테카를로 구현 및 및 및
	이 특정 프레임워크에서 이해하는 것이 중요한 점은 주효과와 총효과의 차이가 상호 작용의 정도를 나타낼 수 있다는 것입니다.
	이는 모델에서 특정 요인과 관련된 상호작용의 정도를 나타냅니다. 따라서 이는 특히 수온과 고기의 상호작용을 보여줍니다.
	전체 효과 측면에서 가장 설명력이 좋을 뿐만 아니라, 이 특정 모델에서는 다른 요인과 상호 작용할 가능성이 높습니다.
	그리고 여러분이 보시는 것은 물론, 우리가 물의 온도, 고기, 그리고 고기 종류를 주요 예측 변수로 식별하고, 변환된 추정치를 위해 파레도 플롯을 사용했다는 것입니다.
	다른 슬라이드를 시작하기 전에 여기서 강조하고 싶은 또 다른 사항은 여기에서 호출할 수 있는 민감도 표시 표시기입니다.
	독립적인 균일한 입력을 할당한 후 프로파일러 아래에서
	각 입력 요소와 응답 간의 관계 강도를 나타내기 위해 프로파일러에 색상을 적용할 수 있습니다. 또한
	이 보라색 삼각형으로 표현되는 민감도 지표는 관계의 민감도 또는 강도를 보여줍니다.
	선형 회귀 계수와 유사하게 삼각형이 높을수록 관계가 더 가파르다는 강도를 나타냅니다.
	긍정적 또는 부정적 방향 중 어느 쪽이 강하고 삼각형이 더 넓고 평평할수록 그 관계가 약해지는데, 이것이 바로 그 요인의 역할입니다.
	좋아요.
	그래서 우리는 모델을 축소하고 엔지니어링 감각을 활용하며 단계적 플랫폼을 활용했습니다.
	그리고 우리가 얻는 것
	이것은 DSD 설계에서 나온 모델 적합도의 스냅샷이며, 곡률 구조의 RSM을 가지고 있습니다. 그리고 이것은 모든 요인 간의 상호작용 정도를 쌍으로 보여주는 상호작용 플롯입니다.
	그리고 우리는 일부 상호작용이 존재하는 곳과 그 상호작용이 어떤 모습인지 표시했습니다.
	따라서 이것은 우리가 실제로 더 잘 이해할 수 있는 모델입니다.
	좋아, 그럼
	언급할 또 다른 사항은 우리가 부과한 설계 제약이 혼합 설계와 비슷하다는 것입니다. 즉, 모든 구성 요소를 합산하고 제약의 합이 100%가 되어야 합니다.
	좋습니다. 프로파일러의 개략적인 그림이 있습니다. 각 입력 요소를 조정하거나 변조할 수 있습니다.
	반응에 미치는 영향을 관찰하고 이를 매우 수동적인 방식으로 수행했습니다.
	모델이 어떻게 수행되는지에 대한 직관을 얻기 위해서입니다.
	물론, 요리 시간을 최적화하기 위해 우리가 확인한 것은 요리 시간이 더 빨라야 한다는 점입니다. 물론 요리 시간과 관련된 변수도 낮아야 합니다.
	그리고 처리량과 전력 절감은 최적화되고 극대화되어야 합니다. 그리고 이 두 가지는 추가적인 것입니다.
	우리는 요리 시간에 따라 도출된 반응을 살펴보았습니다.
	좋습니다. 이제 최적화에 대해 보다 자세히 알아보겠습니다.
	요리 과정의. 앞서 말씀드렸듯이, 저희는 물리 법칙과 연결된 두 개의 추가 반응 변수를 설계하거나 만들었습니다. 최대 처리량을 갖는 지점에서 만두의 개수에 따라 처리량이 결정됩니다.
	죄송합니다만, 만두의 개수에 따라 다르고, 무게와 시간에 따라서도 달라집니다.
	그리고 에너지 절감은 소비되는 전력과 요리 시간의 곱으로, 에너지 구성 요소입니다.
	따라서 이 최적화 프로세스에 참여하려면
	우리는 각 입력 요소와 관련된 오류를 도입해야 하며, 이는 여기 아래쪽의 분포로 표현됩니다.
	그리고 우리는 또한 실제적인 HACCP 관리 범위와 측정 장치 성능도 고려해야 합니다. 이는 우리가 향후 연구에서 살펴보고자 하는 것입니다.
	여기 저희가 사용하는 HACCP 관리 계획의 멋진 그림이 있습니다. 품질 관리 분야의 실패 모드 및 영향 분석과 매우 유사합니다. 이는 구조화된 접근 방식입니다.
	실험 또는 제조 공정 개발 및 주요 변수가 식별되는 경우
	그리고 주요 소유자와 어떤 기준에 따라 측정되는지, 그리고 그 기준이 어떻게 검증되는지에 대해서도 다룹니다. HACCP는 실제로 식품 과학 업계에서 흔히 사용되는데, HACCP는 위해 요소 분석 및 중요 관리점 모니터링을 의미합니다.
	그리고 나는 생각한다
	이 모든 준비 활동 외에도, 저는 주로 데이터 수집자로서 이 실험에 참여했습니다. 데이터 무결성은 매우 중요한 요소입니다. 그래서
	데이터를 적절하게 기록하는 것은 확실히 중요합니다.
	따라서 모든 HACCP 관리 지점을 몬테카를로 시뮬레이션 범위에 통합해야 하며 궁극적으로 HACCP 허용 범위를 사용하여 프로세스 성능 요구 사항을 도출할 수 있습니다.
	좋아, 그럼
	우리는 몬테카를로 분석을 통해 이 예상 범위가 요리 시간에 실용적이라는 것을 확인할 수 있는 다양한 입력을 고려합니다.
	우리는 각 HACCP 구성 요소 수준에서 각 입력 요소의 작은 변화를 고려하고 싶습니다.
	그리고 이는 제어점 범위에 의해 결정됩니다. 제어점 범위를 기반으로 델타 x와 델타 y 응답 시간으로부터 각 입력의 델타를 결정할 수 있습니다.
	그리고 우리는 델타 x를 점진적으로 반복적으로 계속 증가시킬 수 있습니다.
	증가량이 충분히 작아서 y의 변화가 사양을 충족할 만큼 작기를 바라면서 말입니다. 일반적으로 업계에서는 설계 허용 오차를 의미하며, 이 경우에는 HACCP 관리점 관리 매개변수 범위 또는 관리 매개변수 한계를 의미합니다.
	그리고 만약 그 반복적인 과정이 실패한다면, 우리는 증분과 X를 더 작게 만들어야 하는데, 이 과정을 허용오차 할당이라고 부릅니다. 알겠습니다.
	우리는 이 작업을 일종의 수동 작업으로 진행했고, 우리만의 특별한 레시피를 사용했습니다. JMP에서는 이 작업을 더 자동화된 방식으로 수행할 수 있지만,
	이 경우, 더 많은 응답을 얻을 수 있습니다. 다중 응답 최적화를 사용하고, 선호도 함수를 호출하여 예측 프로파일러에서 선호도를 최대화하는 것도 포함됩니다.
	가우시안 프로세스 모델링과 마찬가지로,
	예측 프로파일러에서도 사용 가능합니다.
	좋아요. 그럼, 도구를 서로 보완하고 제품, 프로세스, 실험을 더욱 깊이 이해하기 위해 사용하는 것과 같은 맥락에서, 분석 메뉴의 예측 모델링 도구 아래에 있는 신경망 모델링 기능을 활용합니다.
	그리고
	우리는 그것을 활용하여 예측을 용이하게 하려고 노력했습니다.
	이 모델은 비선형 효과에서 곡률을 감지하는 데 더욱 강력할 수 있는 TanH 함수를 사용합니다.
	하지만 그건 일종의 블랙박스이고 물리학과는 관련이 없습니다.
	비정상적인 반응에도 견고하고 앨리어싱 혼란에도 어느 정도 견고합니다.
	그것은 특히 우리가 여기 가지고 있는 것과 같은 작은 샘플 크기에 있어서 한계가 있으며 실제로 훈련 세트와 검증 세트 사이의 r 제곱이 특별히 그렇지 않다는 것을 볼 수 있습니다.
	동일하거나 다르기 때문에 이 모델은 예측 목적에 특별히 일관성이 없습니다.
	마지막으로, 우리는 JMP의 파티션 플랫폼을 사용하여 재귀적 파티셔닝을 실행했습니다.
	응답 시간 응답.
	그리고 이 모델은 일반적으로 해석하기 비교적 쉬운 편이지만, 특히 우리 실험에서는 상승 시간 동안 온도가 약 85도 C로 차단된다는 것을 볼 수 있기 때문에 해석하기 쉽다고 생각합니다.
	그리고 최대 처리량과 관련하여 일부 온도 차이가 있지만, 특히 85도에서 차단되는 것이 가장...매우 흥미롭습니다.
	이 모델의 R 제곱 값은 적어도 상승하는 온도 반응과 관련해서는 약 0.7입니다. 이는 표본 크기가 작다는 점을 고려하면 이런 유형의 모델에 있어서는 매우 좋은 수치입니다.
	그리고
	이 한계점과 관련해서 가장 흥미로운 점은 85°C 이하에서는 물이 실제로 끓지 않았다는 것입니다.
	기포가 많이 발생하고 난류는 없었습니다. 측정값은 매우 안정적이었습니다. 그러나 온도를 높이면서 물이 순환하기 시작했고, 물 속의 난류로 인해 온도가 불균일해지고, 캐비테이션 기포가 붕괴되고, 증기가 상승하는 등 기본적으로 온도가 불안정한 환경이었습니다.
	이런 환경에서는 전도보다는 대류가 우세합니다.
	또한 증기는 적외선 온도계의 빛을 차단하여 온도 측정과 관련된 불확실성도 증가합니다.
	증기 자체는 화상 위험을 초래하며, 안전에 영향을 미칠 뿐만 아니라 작업자가 온도계를 조정하고 온도계를 놓는 거리를 조정하는 데도 영향을 미칠 수 있습니다. 온도계를 놓는 거리는 측정의 정확성에 매우 중요합니다.
	그래서 실제로 우리는 설계 온도를 95°C로 제한했습니다. 그 이상에서는 물의 온도를 정확하게 측정하는 것이 불가능했기 때문입니다.
	좋아요.
	그래서 우리는 ... 어디에 도착한 걸까요? 글쎄요,
	요약하자면, 이 실험에서는 DSD(DOE)만을 사용하여 데이터를 수집합니다.
	그런 다음 단계적 회귀 분석을 사용하여 중요한 효과의 범위를 좁히지만, 단계적 회귀 분석을 너무 깊이 파고들지는 않았습니다. 그리고 실험에 사용되는 요인의 수를 최소화하기 위해 상식과 공학적 전문 지식을 활용했습니다.
	우리는 또한 독립적인 균일한 입력을 사용합니다.
	매우 강력하다
	예를 들어 프로필에 색상을 입히거나 효과의 순위를 살펴보거나 주요 효과와 전체 효과의 차이를 살펴보는 등의 방법으로 효과의 규모에 대한 아이디어를 제공하여 모델에 존재하는 상호 작용을 나타냅니다.
	또한 우리는 몬테카를로 최적화를 위한 글로벌 민감도를 정량화하는 데 도움이 되도록 프로파일러 아래에 민감도 지표를 추가했습니다.
	우리가 사용한 스키마입니다.
	모델의 주요 효과는 온도이며, 물리학을 잘 설명하면 온도가 왜 가장 중요한 요소인지 알 수 있습니다. 제가 연구 결과에서 공유한 바와 같습니다.
	그리고 80~90도 C 사이에서 우리가 프로파일러에서 관찰한 바에 따르면 상승 시간과 온도 사이의 관계에서 급격한 전환과 민감도 증가가 나타났는데, 이는 물론 실험적 관찰과 일치합니다.
	둘째, 서로 상호작용하는 요인의 효과와 관련하여 실제로 상호작용하는 두 가지 유형의 물리학이 있기 때문에 기본 물리학...상호 작용하는 물리학 모드는 대류와 전도입니다.
	DSD의 단계적 방식은 변환이 없는 연속 모델을 제공하기 때문에 좋은 시작점입니다.
	없음
	고급 신경망이나 블랙박스 유형 변환을 통해 적어도 처음에는 글로벌 민감도를 잘 파악할 수 있습니다.
	그리고 우리의 분할 모델에서 신경 모델은 이를 보여줄 수 없었습니다. 특히 실험에서 표본 크기가 작았기 때문입니다.
	마지막으로 우리는 몬테카를로 시뮬레이션, 견고한 몬테카를로 시뮬레이션을 사용합니다.
	자체 프레임워크를 활용했습니다. 또한 전력 소비량 증가 시간과 처리량에 대한 다중 반응 최적화를 주요 요인들과 비교했습니다. 이 실험을 통해 전력 소비량의 중요성에 대한 이해를 높이고 더욱 깊이 있게 이해할 수 있었습니다.
	다학제 모델링 접근법을 사용하여 이 실험에서 가장 중요한 요소를 파악했습니다.
	마지막으로, 관심 있는 분들을 위해 몇 가지 참고 자료를 공유해 드리겠습니다. 시간 내주셔서 정말 감사합니다.

고급 통계 모델링자동화 및 스크립팅기본 데이터 분석 및 모델링소비자 및 시장 조사실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달