Cette présentation est adaptée d'une conférence donnée par Silvio Miccio à JMP Discovery Europe en 2017. La vidéo commence par une description des étapes que je suivrai lors de la démonstration. Voici quelques informations générales :
Quelques citations
- Deming – « Les statistiques sont trop importantes pour être laissées aux statisticiens » (Analytics)
- Encadré – « Tous les modèles sont faux, mais à quel point doivent-ils être faux pour ne pas être utiles ? »
- Auteur inconnu – « Ne tombez pas amoureux de vos modèles. Ils ne vous aimeront PAS en retour. » – Les choses changent !
- Carly Fiorina – « L’objectif est de transformer les données en informations et les informations en connaissances. »
- John Sall (créateur de JMP) – « Les données révèlent rarement facilement toutes leurs informations. Il faut les explorer. Il faut utiliser plusieurs outils. Le processus doit être aussi simple que possible et les outils aussi puissants que possible. »
Introduction
Lors des tests de différentes matières premières ou ingrédients de formulation, il est courant de les faire varier selon des variables catégorielles à plusieurs niveaux (par exemple, A, B, C, etc.). Dans ce scénario, une expérience visant à identifier le meilleur matériau candidat nécessite de tester toutes les options. Par conséquent, des tests physiques longs sont nécessaires et le modèle obtenu ne permet de prédire que les options testées, mais pas celles présentant des propriétés physico-chimiques différentes.
Une approche beaucoup plus efficace consiste à concevoir l’expérience en fonction des propriétés physiques/chimiques de chaque nouvelle option de matériau. Cela peut réduire considérablement le nombre de conditions expérimentales requises et aboutir à un modèle empirique durable capable de prédire des options non testées auparavant.
Exemple d'ensemble de données utilisé dans cette présentation
- 45 options de matières premières, qui constituent une amélioration potentielle d'un ingrédient de la formulation du produit
- Les options matérielles peuvent être décrites par 19 descripteurs physiques et chimiques (un facteur catégorique à deux niveaux a été codé comme -1/1)
- Deux réponses à optimiser (Y1 max, Y2 min)
Procédure de test typique
- Tester (chaque) option de matière première dans la formulation de base
Objectif
- Prédire le matériau optimal (même les options qui ne sont peut-être pas encore physiquement disponibles)
- Identifier les options matérielles disponibles les plus proches de l'optimum global
- Établir un modèle empirique durable qui soit également capable de prédire de nouvelles options de matières premières
- Cette approche est basée sur une application chimiométrique connue sous le nom de QSAR (Quantitative Structure-Activity Relationship)
Exemples de propriétés physiques et chimiques
- Mw – Poids moléculaire
- C – le nombre d'atomes de carbone à l'extrémité hydrophobe du tensioactif
- Griffin HLB – l'équilibre hydrophile-lipophile (HLB) selon Griffin
- CMC – concentration micellaire critique
- Nombre de chaînes……
Résumé
- Compressez les informations disponibles concernant les propriétés physiques et chimiques des différentes options via les composants principaux des expériences. Sélectionnez les « coins de la boîte » pour tester des matières premières représentatives en fonction de la conception.
- Sélectionnez les « coins de la boîte » pour tester des matières premières représentatives en fonction du plan d'expériences
- Modéliser les données via PLS (ou d'autres méthodes de modélisation appropriées)
- Trouver la solution optimale globale
- Identifier les options physiques disponibles les plus proches de la solution optimale calculée
→ Expérimentation très efficace
→ Modèle empirique durable basé sur les propriétés physiques/chimiques
→ Prédit les propriétés optimales des matières premières bien que le matériau soit identifié comme optimal
Table with ChemicalBiological Properties (non P&G Example)Tableau des propriétés chimiques et biologiques (exemple non P&G) Tableau des propriétés chimiques et biologiques (exemple non P&G)
