Encontrar la solución óptima para las condiciones de producción no es fácil con la construcción de modelos de regresión debido a la gran cantidad de variables explicativas, interacciones y factores de confusión experimentales, y puede ser difícil encontrar condiciones de mejora. Este informe presenta los resultados de la aplicación de la optimización bayesiana como método alternativo y verifica su efectividad y limitaciones. Al usar la optimización bayesiana para buscar condiciones de soldadura, pudimos encontrar condiciones de mejora sin construir un modelo de regresión. En el ejemplo de la formulación del contenido de metal para minimizar la tasa de defectos de fundición, la optimización bayesiana pudo encontrar condiciones que lograron una tasa de defectos menor que el modelo de regresión generalizado con un número similar de ejecuciones. En la optimización del tamaño de partícula del cemento, pudimos alcanzar el tamaño de partícula objetivo de 20 en 2 a 8 experimentos, incluso cuando los datos iniciales estaban lejos del tamaño de partícula objetivo de 20. En el ejemplo de la optimización del rendimiento del reactor, la mejor tasa de rendimiento obtenida con la optimización bayesiana fue casi un 20 % menor que la del modelo de regresión, lo que sugiere que los modelos de regresión que incluyen interacciones pueden ser más ventajosos que la optimización bayesiana. En el contexto de la mejora de las condiciones de producción, un gran número de experimentos como los del diseño experimental resultan inaceptables. Sin embargo, la optimización bayesiana presenta las condiciones de mejora de forma secuencial, lo que facilita su implementación. Además, cada experimento puede ofrecer la posibilidad de descubrir condiciones de mejora que no se podrían obtener con los métodos convencionales.
