Mischung DoE mit 6 Zutaten, maximal 3 verwenden.Liebe Community,
Ich möchte ein gemischtes DoE einrichten, das sich wie folgt zusammensetzt:
- Polymer: 80%
- Wasser: 18,4 % - 20 %
- Zusatzstoff 1: 0-0,8 %
- Zusatzstoff 2: 0-0,8 %
- Zusatzstoff 3: 0-0,8 %
- Zusatzstoff 4: 0-0,8 %
- Zusatzstoff 5: 0–0,2 %
Da Polymer konstant ist, habe ich es entfernt. Daher erhalte ich:
- Wasser: 92 % - 100 %
- Zusatzstoff 1: 0-4 %
- Zusatzstoff 2: 0-4 %
- Zusatzstoff 3: 0-4 %
- Zusatzstoff 4: 0-4 %
- Zusatzstoff 5: 0-1 %
Ich möchte nun die Leistungsfähigkeit der Additive testen, habe aber jeweils nur 1 oder 2 Additive gleichzeitig in der Mischung.
Im Modell möchte ich daher nur die Haupteffekte und die Wechselwirkung zwischen zwei Additiven berücksichtigen. Da Wasser lediglich als Füllstoff dient, aber keinen Einfluss auf die Reaktion hat, vernachlässige ich die Wechselwirkungen zwischen Add * Wasser und betrachte nur die Wechselwirkungen zwischen Add(A) * Add(B).
Kann mir bitte jemand erklären, wie ich sicherstellen kann, dass JMP nur Mischungen mit einem oder zwei verschiedenen Additiven und Wasser auswählt?
Ideen sind willkommen.
Vielen Dank im Voraus.
VersuchsplanungBetreff: Mischungs-DoE mit 6 Zutaten, maximal 3 verwenden.Hallo @DocBo ,
Willkommen in der Community!
Angesichts des Verhältnisses von Wasser (Lösungsmittel) zu den Additiven bietet sich ein Screening-Design (optimales Design) an. Da der Einfluss des Wassers für das Additiv-Screening irrelevant ist, könnten Sie mit einem D-optimalen Design für Ihre fünf Additive beginnen und ein Modell mit Haupteffekten, Zwei-Faktor-Wechselwirkungen (und gegebenenfalls quadratischen Effekten) spezifizieren. Siehe „Wann kein Mischungsdesign verwenden sollte“.
Mischungsdesigns sind eher Optimierungsdesigns und daher besser geeignet, wenn Sie eine optimale Formel finden möchten, die (fast) alle Ihre Faktoren enthält.
Ist die Kardinalitätsbeschränkung tatsächlich eine physikalische Notwendigkeit (sind Formulierungen instabil oder mit mehr als 2 Additiven nicht realisierbar)?
Wenn Sie für Ihr Thema ein Mischungsdesign beibehalten möchten, erhalten Sie durch die einfache Angabe eines Mischungsmodells zweiter Ordnung ein Design mit bis zu zwei Additiven in Ihren Formulierungen. Siehe Beispiel aus diesem Thema: Versuchsplanung für Mischungen mit mehr als drei Komponenten, die nur ternäre Mischungen zulässt.
Ich hoffe, diese Antwort hilft Ihnen.
Betreff: Mischungs-DoE mit 6 Zutaten, maximal 3 verwenden.Hallo @Victor_G ,
Vielen Dank für Ihre schnelle Antwort und die zusätzlichen Informationen/Links.
Die Beschränkung auf maximal 2 Zusatzstoffe gleichzeitig ist eine Vorgabe, die ich erfüllen muss, aber es gibt keine direkte physikalische Notwendigkeit dafür.
1) Wie kann ich die Constraints posteriori mithilfe des Modells und des Prediction Profilers implementieren? Würde dies aber nicht zu unnötigen Tests mit zu vielen Additiven führen?
2) Ich habe ein normales Versuchsdesign mit kontinuierlichen Faktoren und Zwei-Faktor-Wechselwirkungen erstellt. Es liefert mir jedoch Versuche mit mehr als drei Additiven. Wie erhalte ich ein Design mit maximal zwei Additiven gleichzeitig?
Vielen Dank im Voraus.
Betreff: Mischungs-DoE mit 6 Zutaten, maximal 3 verwenden.Hallo @DocBo ,
1) Das Testen der Additive ohne Einschränkungen hilft Ihnen, die Haupteffekte und Wechselwirkungen zwischen den Additiven im Versuchsdesign einfacher und präziser zu bestimmen. Mit dem mit Ihrem Modell verknüpften Vorhersageprofiler können Sie den Wert eines Faktors per Strg+Klick auf einen beliebigen Wert (z. B. 0) setzen, den Wert des entsprechenden Faktors festlegen und die Option „Faktoreinstellung sperren“ aktivieren, um Ihre Formel ohne die weniger vielversprechenden Faktoren (die mithilfe Ihres Modells identifiziert wurden) zu optimieren.
2) Sie können den Kandidatenmengenansatz verwenden, indem Sie eine Tabelle mit jeweils nur zwei Faktoren erstellen und diese Tabelle nutzen, um die Läufe in Ihrem Versuchsplan mithilfe der Plattform „Benutzerdefinierter Versuchsplan“ und der Option „Kovariatenfaktoren auswählen“ auszuwählen . Alternativ können Sie auch einen balancierten unvollständigen Blockversuchsplan in Betracht ziehen ( Beispiel hier ). Oder Sie warten auf das zuvor erwähnte Add-in, das Ihnen erweiterte Versuchsplanoptionen bietet.
Am besten,
Betreff: Mischungs-DoE mit 6 Zutaten, maximal 3 verwenden.Hallo,
Wenn Sie Zugriff auf JMP 19.1 haben, können Sie über eine JSL-Funktion neue Funktionen nutzen, mit denen Sie Zufallsstichproben (Kandidatenmengen) generieren können, die linearen Beschränkungen, Variablenbeschränkungen und Kardinalitätsbeschränkungen für bestimmte Komponentengruppenvariablen unterliegen. Die Funktion heißt „Random Linearly Constrained Uniform“. Sie ist eine Erweiterung der Funktion „Polytope Uniform Random“, die bereits seit Längerem in JMP existiert. (Details zur Verwendung und einige Beispiele finden Sie im JMP-Objektskript-Index.) In Ihrem Beispiel kann ich die Funktion mit folgendem JSL-Code aufrufen:
Names Default To Here( 1 );
A = [1 1 1 1 1 1];
b = [1];
L = [.92 0 0 0 0 0 ];
U = [1 .04 .04 .04 .04 .01];
nwarm = 100;
nstride = 100;
tol = 1e-8;
// Index the constrained subgroups. Index = 0 is not in a constrained subgroup.
G = [0 1 1 1 1 1];
// Lower cardinality constraints for the constrained subgroups
LC = [1];
// Upper cardinality constraints for the constrained subgroups
UC = [2];
points = Random Linearly Constrained Uniform(
100,
A,
b,
L,
U,
1,
0,
0,
nwarm,
nstride,
tol,
G,
LC,
UC
);
dt = As Table( points );
Dadurch wird ein Kandidatensatz von 100 Läufen erzeugt, der in einer Tabelle gespeichert wird, die wie folgt aussieht:
Die in JMP Pro 19 integrierte Plattform für Bayes'sche Optimierung ist ideal für diese Art von Problemen. In der Präsentation, die ich zusammen mit Kasia und Chris auf der Discovery-Konferenz gehalten habe, erfahren Sie mehr: Bayes'sche Optimierung für Formulierungen mit komplexen Nebenbedingungen mit JMP 19... - JMP User Community .
Ich hoffe, das hilft.
Mit freundlichen Grüße,
Laura
Betreff: Mischungs-DoE mit 6 Zutaten, maximal 3 verwenden.Hallo Laura, ist das nur für den automatischen Bayes-Opt-Modus geeignet? Ich wollte meine Einschränkungen mithilfe eines Kandidatendatensatzes im benutzerdefinierten Bayes-Opt-Modus durchsetzen, aber der Profiler scheint deaktiviert zu sein. Ist das so beabsichtigt?
