Trouver la solution optimale pour les conditions de production est complexe avec la construction d'un modèle de régression en raison du grand nombre de variables explicatives, d'interactions et de biais expérimentaux, et identifier des conditions d'amélioration peut s'avérer difficile. Ce rapport présente les résultats de l'application de l'optimisation bayésienne comme méthode alternative et vérifie son efficacité et ses limites. En utilisant l'optimisation bayésienne pour rechercher les conditions de soudage, nous avons pu identifier des conditions d'amélioration sans construire de modèle de régression. Dans l'exemple de la formulation de la teneur en métal pour minimiser le taux de défauts de coulée, l'optimisation bayésienne a permis de trouver des conditions qui ont permis d'obtenir un taux de défauts inférieur à celui du modèle de régression généralisé avec un nombre d'essais similaire. Dans l'optimisation de la taille des particules de ciment, nous avons pu atteindre la taille cible de 20 en 2 à 8 expériences, même si les données initiales étaient très éloignées de cette taille cible. Dans l'exemple de l'optimisation du rendement du réacteur, le meilleur taux de rendement obtenu avec l'optimisation bayésienne était inférieur de près de 20 % à celui du modèle de régression, ce qui suggère que les modèles de régression incluant les interactions peuvent être plus avantageux que l'optimisation bayésienne. Dans le cadre de l'amélioration des conditions de production, un grand nombre d'expériences, comme celles utilisées en planification expérimentale, sont inacceptables. L'optimisation bayésienne, quant à elle, présente les conditions d'amélioration de manière séquentielle, ce qui facilite sa mise en œuvre. De plus, chaque expérience peut potentiellement révéler des conditions d'amélioration inaccessibles par les méthodes conventionnelles.
