En el campo de la investigación, el desarrollo y la fabricación de materiales, el diseño experimental es un paso clave en la evaluación de las propiedades de la materia prima y las condiciones del proceso. Sin embargo, los métodos experimentales tradicionales aumentarán significativamente el número de experimentos a medida que aumenta el número de tipos de materias primas, lo que genera un aumento en el tiempo y el costo. Además, cuando se añaden nuevos materiales, a menudo es necesario rehacer el diseño experimental, lo que aumenta la incertidumbre de la I+D. Para resolver este problema, se puede introducir el método QSAR (Relación cuantitativa estructura-actividad) en el proceso experimental para mejorar la eficiencia de la selección y el análisis de materias primas a través del modelado de datos, reduciendo así los costos experimentales y mejorando la precisión en la toma de decisiones.
Qué esQSAR¿método?QSARAplicación del método en el cribado de materias primas
QSAR (Quantitative Structure-Activity Relationship) es un método para establecer un modelo matemático basado en la relación entre la estructura molecular y la actividad de un compuesto. Este concepto se propuso por primera vez en el siglo XVIII y ahora se utiliza ampliamente en el desarrollo de fármacos, la química y la ciencia de los materiales. El QSAR tradicional se utiliza principalmente para el estudio de la relación entre la estructura química y la actividad biológica, pero este caso amplía su ámbito de aplicación a las propiedades físicas y químicas, utilizando datos de estructura molecular para mejorar la eficiencia de la selección y modelado de materias primas.
Caso: Desde45Selección de materias primas12Diseño experimental
Una empresa desea realizar experimentos de formulación con diferentes materias primas, pero debido a consideraciones de costos, necesita reducir 45 materias primas a 12 . Para este fin, el equipo utilizó el método QSAR para examinar 19 características de estructura molecular y 2 variables Y clave y diseñó el mejor plan experimental. Los siguientes son los pasos experimentales específicos:
Paso 1 : Convertir factores categóricos en factores continuos
Dado que las propiedades químicas de las materias primas son variables categóricas, es necesario convertirlas en variables continuas cuantificables a través del conocimiento profesional y la experiencia en análisis de datos, como se muestra en la ( Figura 1) . Por ejemplo, en función de las características estructurales moleculares, se extraen variables predictivas clave para permitir el modelado posterior.
(Figura 1: Cada material tiene datos de estructura molecular correspondientes )
Paso 2 : Reducción de la dimensionalidad y decorrelación mediante análisis de componentes principales (PCA)
En el análisis multivariado, muchas variables pueden estar altamente correlacionadas ( Figura 2) , lo que afecta la precisión del modelado. Por lo tanto, el equipo de investigación utilizó el análisis de componentes principales (ACP) para transformar las variables en variables independientes, como se muestra en la ( Figura 3) , para reducir la dimensión y evitar problemas de colinealidad. Este proceso ayuda en el modelado posterior y la selección de variables.
(Figura 2) Análisis de correlación
(Figura 3) Análisis de componentes principales
Paso 3 : Diseña el experimento a través de Diseño personalizado
En JMP , se utilizó la función de diseño personalizado ( como se muestra en la Figura 4) para diseñar el plan experimental óptimo utilizando los componentes principales transformados por PCA como covariables. De esta manera, el equipo de investigación logró controlar el número de experimentos con una precisión de 12 veces, reduciendo significativamente los costos y los requisitos de tiempo.
(Figura 4-1)
(Figura 4-2)
(Figura 4-3)
Paso 4 : Aplicar POR FAVOR o aprendizaje automático para modelar
Después de completar el diseño experimental, utilice el método POR FAVOR para seleccionar un modelo de 6 factores basado en Prob > van der Voet T 2 ( como se muestra en la Figura 5) , o utilice la plataforma de selección de modelos ( como se muestra en la Figura 6) para seleccionar métodos de modelado predictivo adecuados, guarde la fórmula en la tabla de datos y utilice el Perfilador en Gráfico ( como se muestra en la Figura 7) para comprender la relación entre la variable X y la variable Y.
Figura 5 Plataforma PLS
Figura 6 Plataforma de selección de modelos
圖7 Perfilador
resumen
Este caso demuestra que la aplicación de la tecnología de modelado de datos a la selección de materias primas puede mejorar significativamente la eficiencia de I+D y brindar más posibilidades para la optimización de procesos futuros.
Gracias a este caso, los investigadores pueden ampliar las variables para realizar el diseño experimental junto con las variables del proceso. Además, el uso del método QSAR al seleccionar los tipos de materiales no solo reduce el número de experimentos, sino que también permite la búsqueda inversa de materiales, lo que puede mejorar significativamente la eficiencia de la selección de materias primas y evitar el desperdicio de costos experimentales, lo que brinda más posibilidades para la optimización futura del proceso. Con el avance continuo de la ciencia de los materiales y la tecnología de análisis de datos, este método se convertirá en una herramienta importante para que las empresas mejoren sus capacidades de toma de decisiones en I+D y en la clave para la futura actualización industrial.
Referencias
- https://community.jmp.com/t5/Discovery-Summit-Europe-2017/Increase-Efficiency-and-Model-Applicability-Domain-When-Testing/ta-p/36572 Presentación de 2017
- https://community.jmp.com/t5/Learn-JMP-Events/JMP-Academic-Webinar-Teaching-Analytics-in-Chemistry-and/ev-p/481604 Seminario web académico de JMP: Enseñanza de análisis en química e ingeniería química con JMP: una introducción práctica Caso 2
Más recursos de aprendizaje
