Concilier l'optimisation de multiples propriétés de performance et la réduction des efforts expérimentaux représente un défi courant en R&D industrielle. L'optimisation bayésienne offre un cadre performant pour l'expérimentation adaptative et séquentielle dans des espaces de réponse complexes et non linéaires. Cette présentation évalue la plateforme d'optimisation bayésienne de JMP Pro à l'aide d'une simulation de formulation réaliste développée pour le programme de formation à la conception expérimentale Sigma Logic™ de PPG.
Lancée en 1998, Sigma Logic forme chaque année environ 130 chercheurs associés à travers le monde grâce à des cours de niveau débutant et avancé basés sur JMP. Un concours par équipe utilisant un système simulé est un élément clé du cours avancé, et la simulation évaluée ici a servi de support à 16 équipes réparties sur trois sessions. Le défi de formulation actuel comprend 12 facteurs contrôlables et quatre indicateurs de performance critiques, avec pour objectif d'atteindre les cibles de performance avec une qualité Six Sigma et un coût minimal, dans le cadre d'un budget expérimental limité.
Plusieurs campagnes d'optimisation ont été menées dans JMP Pro, chacune initialisée par un plan d'expériences de criblage standard et suivie de cycles successifs d'expérimentations recommandées par l'approche bayésienne. La progression de l'optimisation a été suivie au fil des campagnes et comparée aux stratégies DOE séquentielles traditionnelles utilisées par les participants à la formation. Les résultats montrent que l'optimisation bayésienne a permis de naviguer efficacement sur la surface de réponse non linéaire et d'identifier des solutions acceptables en un nombre d'expérimentations considérablement réduit. La présentation se conclut par des enseignements pratiques sur l'intégration de l'optimisation bayésienne dans les flux de travail expérimentaux basés sur JMP afin d'accélérer le développement de formulations dans la recherche industrielle.
