Trovare la soluzione ottimale per le condizioni di produzione non è semplice con la costruzione di modelli di regressione a causa delle numerose variabili esplicative, interazioni e fattori confondenti sperimentali, e può essere difficile individuare le condizioni di miglioramento. Questo rapporto presenta i risultati dell'applicazione dell'ottimizzazione bayesiana come metodo alternativo e ne verifica l'efficacia e i limiti. Utilizzando l'ottimizzazione bayesiana per la ricerca delle condizioni di saldatura, siamo stati in grado di trovare condizioni di miglioramento senza costruire un modello di regressione. Nell'esempio della formulazione del contenuto di metallo per minimizzare il tasso di difetti di fusione, l'ottimizzazione bayesiana è stata in grado di trovare condizioni che hanno raggiunto un tasso di difetti inferiore rispetto al modello di regressione generalizzato con un numero simile di prove. Nell'ottimizzazione della granulometria del cemento, siamo stati in grado di raggiungere la granulometria target di 20 in 2-8 esperimenti, anche se i dati iniziali erano lontani dalla granulometria target di 20. Nell'esempio dell'ottimizzazione della resa del reattore, la migliore resa ottenuta con l'ottimizzazione bayesiana è stata inferiore di quasi il 20% rispetto a quella del modello di regressione, suggerendo che i modelli di regressione che includono interazioni potrebbero essere più vantaggiosi dell'ottimizzazione bayesiana. Nell'ambito del miglioramento delle condizioni di produzione, un gran numero di esperimenti, come quelli previsti nella progettazione sperimentale, risulta inaccettabile. L'ottimizzazione bayesiana, invece, presenta le condizioni di miglioramento in modo sequenziale, semplificandone l'implementazione. Inoltre, ogni esperimento può offrire la possibilità di scoprire condizioni di miglioramento che non sarebbero ottenibili con i metodi convenzionali.
