Im Bereich der Materialforschung und -entwicklung sowie der Herstellung ist das experimentelle Design ein entscheidender Schritt bei der Bewertung der Rohstoffeigenschaften und Prozessbedingungen. Bei herkömmlichen experimentellen Methoden steigt jedoch die Anzahl der Experimente mit der Anzahl der Rohstoffarten erheblich an, was zu einem höheren Zeit- und Kostenaufwand führt. Darüber hinaus muss beim Hinzufügen neuer Materialien oft das Versuchsdesign überarbeitet werden, was die Unsicherheit in Forschung und Entwicklung erhöht. Um dieses Problem zu lösen, kann die QSAR-Methode (Quantitative Structure Activity Relationship) in den Versuchsprozess eingeführt werden, um die Effizienz der Rohstoffprüfung und -analyse durch Datenmodellierung zu verbessern und so die Versuchskosten zu senken und die Entscheidungsgenauigkeit zu verbessern.
Was istQSARVerfahren?QSARAnwendung der Methode im Rohstoffscreening
QSAR (Quantitative Structure-Activity Relationship) ist eine Methode zum Erstellen eines mathematischen Modells basierend auf der Beziehung zwischen der Molekülstruktur und der Aktivität einer Verbindung. Dieses Konzept wurde erstmals im 18. Jahrhundert vorgeschlagen und wird heute häufig in der Arzneimittelentwicklung, Chemie und Materialwissenschaft verwendet. Traditionelles QSAR wird hauptsächlich für die Untersuchung der Beziehung zwischen chemischer Struktur und biologischer Aktivität verwendet, in diesem Fall wird der Anwendungsbereich jedoch auf physikalische und chemische Eigenschaften erweitert, indem Daten zur Molekülstruktur verwendet werden, um die Effizienz der Rohstoffprüfung und -modellierung zu verbessern.
Fall: Von45Auswahl der Rohstoffe12Versuchsaufbau
Ein Unternehmen möchte Formulierungsexperimente mit verschiedenen Rohstoffen durchführen, muss jedoch aus Kostengründen 45 Rohstoffe auf 12 reduzieren. Zu diesem Zweck untersuchte das Team mithilfe der QSAR -Methode 19 Molekülstrukturmerkmale und zwei wichtige Y- Variablen und entwarf den besten Versuchsplan. Im Folgenden sind die spezifischen experimentellen Schritte aufgeführt:
Schritt 1 : Konvertieren Sie kategorische Faktoren in kontinuierliche Faktoren
Da es sich bei den chemischen Eigenschaften von Rohstoffen um kategorische Variablen handelt, müssen sie durch Fachwissen und Erfahrung in der Datenanalyse in quantifizierbare kontinuierliche Variablen umgewandelt werden, wie in ( Abbildung 1) dargestellt. Beispielsweise werden auf Grundlage molekularer Strukturmerkmale wichtige Prognosevariablen extrahiert, um eine nachfolgende Modellierung zu ermöglichen.
(Abbildung 1: Jedes Material verfügt über entsprechende Daten zur Molekülstruktur )
Schritt 2 : Dimensionsreduktion und Dekorrelation mittels Hauptkomponentenanalyse (PCA)
Bei der multivariaten Analyse können viele Variablen stark korreliert sein ( Abbildung 2) , was die Genauigkeit der Modellierung beeinträchtigt. Daher verwendete das Forschungsteam eine Hauptkomponentenanalyse (PCA) , um die Variablen in unabhängige Variablen umzuwandeln, wie in ( Abbildung 3) dargestellt, um die Dimension zu reduzieren und Kollinearitätsprobleme zu vermeiden. Dieser Prozess hilft bei der nachfolgenden Modellierung und Variablenauswahl.
(Abbildung 2) Korrelationsanalyse
(Abbildung 3) Hauptkomponentenanalyse
Schritt 3 : Entwerfen Sie das Experiment mit Custom Design
In JMP wurde die Funktion „Benutzerdefiniertes Design“ ( siehe Abbildung 4) verwendet, um den optimalen Versuchsplan unter Verwendung der durch PCA transformierten Hauptkomponenten als Kovariate zu entwerfen. Auf diese Weise gelang es dem Forschungsteam, die Anzahl der Experimente auf das 12- Fache zu kontrollieren und so Kosten und Zeitaufwand deutlich zu reduzieren.
(Abbildung 4-1)
(Abbildung 4-2)
(Abbildung 4-3)
Schritt 4 : Bitte oder maschinelles Lernen zur Modellierung anwenden
Nachdem Sie das Versuchsdesign abgeschlossen haben, verwenden Sie die PLS- Methode, um ein 6- Faktorenmodell basierend auf Prob > van der Voet T 2 auszuwählen ( wie in Abbildung 5 gezeigt) , oder verwenden Sie die Modell-Screening- Plattform ( wie in Abbildung 6 gezeigt) , um geeignete Methoden zur prädiktiven Modellierung herauszufiltern, speichern Sie die Formel in der Datentabelle und verwenden Sie den Profiler unter Graph ( wie in Abbildung 7 gezeigt), um die Beziehung zwischen der X- Variable und der Y- Variable zu verstehen.
Abbildung 5 PLS- Plattform
Abbildung 6 Modell-Screening -Plattform
圖7 Profiler
Zusammenfassung
Dieser Fall beweist, dass die Anwendung von Datenmodellierungstechnologie auf die Rohstoffprüfung die F&E-Effizienz erheblich verbessern und mehr Möglichkeiten für zukünftige Prozessoptimierungen bieten kann.
In diesem Fall können Forscher Variablen erweitern, um das experimentelle Design zusammen mit Prozessvariablen durchzuführen. Darüber hinaus reduziert die Verwendung der QSAR -Methode beim Screening von Materialtypen nicht nur die Anzahl der Experimente, sondern ermöglicht auch die umgekehrte Suche nach Materialien, was die Effizienz des Rohstoffscreenings erheblich verbessern und die Verschwendung von Versuchskosten vermeiden kann, was mehr Möglichkeiten für zukünftige Prozessoptimierungen bietet. Mit der kontinuierlichen Weiterentwicklung der Materialwissenschaft und der Datenanalysetechnologie wird diese Methode für Unternehmen zu einem wichtigen Instrument zur Verbesserung ihrer Entscheidungsfindung im Bereich Forschung und Entwicklung und zum Schlüssel für die künftige Modernisierung ihrer Industrie.
Verweise
- https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicability-Domain-When-Testing/ta-p/36572 2017 Präsentation
- https://community.jmp.com/t5/Learn-JMP-Events/JMP-Academic-Webinar-Teaching-Analytics-in-Chemistry-and/ev-p/481604 JMP Academic Webinar – Analytik in Chemie und Chemieingenieurwesen mit JMP lehren: Eine praktische Einführung, Fall 2
Weitere Lernressourcen
