Equilibrar múltiples propiedades de rendimiento y minimizar el esfuerzo experimental es un desafío común en la I+D industrial. La optimización bayesiana proporciona un marco potente para la experimentación adaptativa y secuencial en espacios de respuesta complejos y no lineales. Esta presentación evalúa la plataforma de optimización bayesiana de JMP Pro mediante una simulación de formulación realista desarrollada para el programa de capacitación en diseño experimental Sigma Logic™ de PPG.
Sigma Logic, fundada en 1998, capacita anualmente a aproximadamente 130 investigadores asociados de todo el mundo mediante cursos de nivel básico y avanzado basados en JMP. Una competición por equipos que utiliza un sistema simulado es un elemento distintivo del curso avanzado, y la simulación evaluada en este estudio sirvió de base para 16 equipos distribuidos en tres cursos. El desafío de formulación actual incluye 12 factores controlables y cuatro métricas de rendimiento críticas, con el objetivo de alcanzar los objetivos de rendimiento con la calidad Six Sigma y un coste mínimo dentro de un presupuesto experimental limitado.
Se realizaron múltiples campañas de optimización en JMP Pro, cada una inicializada con un diseño de cribado estándar y seguida de sucesivas rondas de experimentos guiados por el método bayesiano. Se realizó un seguimiento del progreso de la optimización en todas las campañas y se comparó con las estrategias DOE secuenciales tradicionales empleadas por los participantes del curso. Los resultados muestran que la optimización bayesiana exploró eficazmente la superficie de respuesta no lineal e identificó soluciones aceptables en un número considerablemente menor de experimentos. La presentación concluye con lecciones prácticas sobre la integración de la optimización bayesiana en flujos de trabajo de experimentación basados en JMP para acelerar el desarrollo de formulaciones en la investigación industrial.
