Dans le domaine de la recherche, du développement et de la fabrication de matériaux, la conception expérimentale est une étape clé dans l’évaluation des propriétés des matières premières et des conditions de processus. Cependant, les méthodes expérimentales traditionnelles augmenteront considérablement le nombre d’expériences à mesure que le nombre de types de matières premières augmentera, ce qui entraînera une augmentation du temps et des coûts. De plus, lorsque de nouveaux matériaux sont ajoutés, la conception expérimentale doit souvent être refaite, ce qui augmente l’incertitude de la R&D. Pour résoudre ce problème, la méthode QSAR (Quantitative Structure Activity Relationship) peut être introduite dans le processus expérimental pour améliorer l'efficacité du criblage et de l'analyse des matières premières grâce à la modélisation des données, réduisant ainsi les coûts expérimentaux et améliorant la précision de la prise de décision.
Qu'est-ce queQSARméthode?QSARApplication de la méthode au criblage des matières premières
QSAR (Quantitative Structure-Activity Relationship) est une méthode permettant d'établir un modèle mathématique basé sur la relation entre la structure moléculaire et l'activité d'un composé. Ce concept a été proposé pour la première fois au 18e siècle et est aujourd’hui largement utilisé dans le développement de médicaments, la chimie et la science des matériaux. Le QSAR traditionnel est principalement utilisé pour l'étude de la relation entre la structure chimique et l'activité biologique, mais ce cas étend son champ d'application aux propriétés physiques et chimiques, en utilisant des données de structure moléculaire pour améliorer l'efficacité du criblage et de la modélisation des matières premières.
Cas : De45Sélection des matières premières12Conception expérimentale
Une entreprise souhaite réaliser des expériences de formulation sur différentes matières premières, mais pour des raisons de coût, elle doit réduire de 45 à 12 le nombre de matières premières. À cette fin, l’équipe a utilisé la méthode QSAR pour examiner 19 caractéristiques de structure moléculaire et 2 variables Y clés et a conçu le meilleur plan expérimental. Voici les étapes expérimentales spécifiques :
Étape 1 : Convertir les facteurs catégoriels en facteurs continus
Les propriétés chimiques des matières premières étant des variables catégorielles, elles doivent être converties en variables continues quantifiables grâce à des connaissances professionnelles et à une expérience en analyse de données, comme le montre la ( Figure 1) . Par exemple, en fonction des caractéristiques structurelles moléculaires, des variables prédictives clés sont extraites pour permettre une modélisation ultérieure.
(Figure 1 : Chaque matériau possède des données de structure moléculaire correspondantes )
Étape 2 : Réduction de la dimensionnalité et décorrélation à l'aide de l'analyse en composantes principales (ACP)
Dans l’analyse multivariée, de nombreuses variables peuvent être fortement corrélées ( Figure 2) , ce qui affecte la précision de la modélisation. L'équipe de recherche a donc utilisé l'analyse en composantes principales (ACP) pour transformer les variables en variables indépendantes, comme le montre la ( Figure 3) , afin de réduire la dimension et d'éviter les problèmes de colinéarité. Ce processus aide à la modélisation ultérieure et à la sélection des variables.
(Figure 2) Analyse de corrélation
(Figure 3) Analyse en composantes principales
Étape 3 : Concevoir l'expérience grâce à la conception personnalisée
Dans JMP , la fonction de conception personnalisée ( comme illustré dans la figure 4) a été utilisée pour concevoir le plan expérimental optimal en utilisant les composantes principales transformées par PCA comme covariables. De cette manière, l'équipe de recherche a réussi à contrôler le nombre d'expériences à 12 fois près, réduisant ainsi considérablement les coûts et les délais.
(Figure 4-1)
(Figure 4-2)
(Figure 4-3)
Étape 4 : Appliquer S'il vous plaît ou l'apprentissage automatique pour la modélisation
Une fois la conception expérimentale terminée, utilisez la méthode S'il vous plaît pour sélectionner un modèle à 6 facteurs basé sur Prob > van der Voet T 2 ( comme illustré dans la Figure 5) , ou utilisez la plateforme de sélection de modèles ( comme illustré dans la Figure 6) pour sélectionner les méthodes de modélisation prédictive appropriées, enregistrez la formule dans le tableau de données et utilisez le Profiler sous Graphique ( comme illustré dans la Figure 7) pour comprendre la relation entre la variable X et la variable Y.
Figure 5 Plateforme PLS
Figure 6 Plateforme de criblage de modèles
圖7 Profileur
résumé
Cette étude démontre que l’application de la technologie de modélisation des données au criblage des matières premières peut améliorer considérablement l’efficacité de la R&D et offrir davantage de possibilités d’optimisation future des processus.
Grâce à ce cas, les chercheurs peuvent étendre les variables pour mener des conceptions expérimentales avec des variables de processus. De plus, l'utilisation de la méthode QSAR lors du criblage des types de matériaux réduit non seulement le nombre d'expériences, mais permet également une recherche inverse des matériaux, ce qui peut améliorer considérablement l'efficacité du criblage des matières premières et éviter le gaspillage des coûts expérimentaux, offrant ainsi davantage de possibilités d'optimisation future des processus. Avec les progrès continus de la science des matériaux et de la technologie d'analyse des données, cette méthode deviendra un outil important pour les entreprises pour améliorer leurs capacités de prise de décision en R&D et la clé de la future modernisation industrielle.
Références
- https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicability-Domain-When-Testing/ta-p/36572 Présentation 2017
- https://community.jmp.com/t5/Learn-JMP-Events/JMP-Academic-Webinar-Teaching-Analytics-in-Chemistry-and/ev-p/481604 Webinaire académique JMP - Enseignement de l'analyse en chimie et en génie chimique avec JMP : une introduction pratique au cas2
Plus de ressources d'apprentissage
