תהליך עבודה לאופטימיזציה של נוסחת ננו-חלקיקי שומנים (LNP) באמצעות ניסויים מתוכננים בתהליך תערובות ומודלים של אנסמבל מאומת עצמי (SVEM)

מאמר זה מספק זרימת עבודה למדענים לבניית טבלת תכנון ניסוי ולניתוח תוצאות ניסוי על פני מגוון גורמי תערובת ותהליך, מבלי לדרוש החלטות סטטיסטיות מייגעות ותנודתיות. המודלים המתקבלים יכולים להיות ממוטבים במשותף על פני תגובות מרובות ולהשתמש בהם כדי לייצר גרפיקה אינפורמטיבית כדי לסכם הן את משטח התגובה המשותף והן את התחזיות של התגובות הבודדות. קל יותר לפרש גרפיקות אלה מאשר אומדני הפרמטרים מהמודלים הסטטיסטיים הבסיסיים, והן מועילות בייצוג הגדרות הגורמים המייצרות את התגובות הרצויות ביותר.

מדעני ניסוח שומנים וננו-חלקיקים נדרשים לעתים קרובות לבנות מתכונים חדשים עבור מטענים שונים או בעת שינוי שומנים או הגדרות תהליך. אנו מספקים גישה חזקה לאופטימיזציה של פורמולציות הממזערת את הפוטנציאל לטעויות בבניית תכנון, ומונעת את הצורך בידע סטטיסטי וידע נרחב במהלך הניתוח. סכם את מטרת הניסוי במסמך עם חותמת תאריך.

רשום את התגובות שיימדדו במהלך הניסוי. בחר את הגורמים שיהיו מגוונים ואלה שיוחזקו קבועים במהלך המחקר. קבע את הטווחים עבור הגורמים השונים ואת הדיוק העשרוני הרלוונטי עבור כל אחד מהם.

החלט על גודל עיצוב המחקר באמצעות היוריסטיקות מינימליות ומקסימליות. קפיצה פתוחה ונווט בשורת התפריטים אל DOI, Special Purpose, Space Filling Design. הזן את תגובות המחקר.

הזן את גורמי המחקר ואת הטווחים. הזן את מספר הריצות שנקבע מראש עבור העיצוב. צור את טבלת העיצוב למילוי החלל עבור הגורמים שנבחרו וגודל ההפעלה.

הוסף עמודת הערות לטבלה כדי להוסיף ביאורים להפעלות שנוצרו באופן ידני. אם ישים, שלב באופן ידני פקדי ביצועים בטבלת העיצוב. כלול עותק משוכפל עבור אחד מאמות המידה המבוקרות.

סמן את שם אמת המידה בעמודה הערות וקוד צבע אמת המידה משכפלת שורות לצורך זיהוי נכון קל. עיגלו את תערובת רמות הגורמים לרמת הפירוט המתאימה. העתק את הערכים המעוגלים והדבק אותם בעמודות המקוריות.

מחק את העותקים המיותרים של העמודות המעוגלות. לאחר עיגול גורמי השומנים, ודא שהסכום שלהם שווה ל- 100%אם סכום שורות כלשהו אינו שווה לסכום אחד, התאם ידנית את אחד מגורמי התערובת, וודא שהוא נשאר בטווח הגורמים. מחק את עמודת הסכום לאחר ביצוע ההתאמות.

בצע את אותו הליך המשמש לעיגול גורמי התערובת כדי לעגל את גורמי התהליך לרמת הפירוט המתאימה שלהם. עצב את עמודות השומנים כך שיופיעו כאחוזים עם מספר עשרוני רצוי. אם הוספת הפעלות ידניות כגון אמות מידה, בצע אקראיות של סדר השורות בטבלה, הוסף עמודה חדשה עם ערכים מעוגלים.

מיין עמודה זו בסדר עולה על-ידי לחיצה ימנית על כותרת העמודה שלה ולאחר מכן מחק את העמודה. צור חלקות טרינריות כדי להמחיש את נקודות העיצוב מעל גורמי השומנים. כמו כן, לבחון את התפלגות הריצה על גורמי התהליך.

מדעני הניסוח צריכים לאשר היתכנות של כל הריצות. אם קיימות ריצות בלתי ישימות, הפעל מחדש את העיצוב בהתחשב באילוצים החדשים שהתגלו. הפעל את הניסוי בסדר שסופק על-ידי טבלת העיצוב.

הקלט את הקריאות בעמודה המוכללת בטבלת הניסויים. שרטט את הקריאות ובחן את התפלגות התגובות. בחן את המרחק היחסי בין ריצות השכפול המקודדות בצבע אם נכלל אחד, דבר המאפשר הבנה של התהליך הכולל והשונות האנליטית בבנצ'מרק, בהשוואה לשונות עקב השינויים בהגדרות הגורמים על פני כל מרחב הגורמים.

לעצב את הריצות על חלקות טרינריות. צבעו את הנקודות בהתאם לתגובות כדי לקבל תצוגה עצמאית של ההתנהגות על פני גורמי התערובת. לחץ לחיצה ימנית על כל אחד מהגרפים המתקבלים, בחר מקרא שורה ולאחר מכן בחר את עמודת התגובה.

חזור על פעולה זו עבור כל תגובה. בניית מודל עצמאי לכל תגובה כפונקציה של גורמי המחקר. מחק את סקריפטי המודל שנוצרו על-ידי עיצוב מילוי החלל.

בחר נתח, התאם מודל. בניית מודל מלא הכולל את כל השפעות המועמדים. מודל זה צריך לכלול את ההשפעות העיקריות של כל גורם, אינטראקציות דו-כיווניות ותלת-כיווניות, מונחים מעוקבים ריבועיים וחלקיים חלקיים בגורמי התהליך ומונחים מעוקבים של Scheffe עבור גורמי התערובת.

בחר את כל גורמי המחקר. שנה את הערך עבור תואר לשלוש מברירת המחדל של שתיים. לאחר מכן בחר Factorial to Degree.

בחר רק את הגורמים שאינם תערובת ולאחר מכן בחר פקודות מאקרו, קוביות חלקיות. בחר רק את גורמי התערובת ולאחר מכן בחר פקודות מאקרו, Scheffe Cubic. הפוך את אפשרות ברירת המחדל ללא יירוט ללא זמינה.

ציין את עמודת התגובה, שנה את האישיות לרגרסיה כללית. שמור מודל זה מוגדר בטבלת הנתונים לאחזור קל. בחר שמור בטבלת הנתונים.

לחץ על הפעל. לשיטת הערכה, בחר SVEM Forward Selection. הרחב את התפריטים Advanced Controls Force Terms ובטל את סימון התיבות המתאימות לאפקטים העיקריים של התערובת.

רק תקופת היירוט תישאר מסומנת. לחץ על Go.Pplot את התגובות בפועל לפי התגובות החזויות שלהן ממודל SVEM כדי לאמת יכולת חיזוי סבירה. לחץ על המשולש האדום לצד SVEM Forward Selection ובחר Save Columns, Save Prediction Formula.

פעולה זו יוצרת עמודה חדשה המכילה את נוסחת החיזוי בטבלת הנתונים חזור על שלבי בניית המודל עבור כל תגובה. לאחר שלכל התגובות נשמרו עמודות חיזוי בטבלת הנתונים, התווה את עוקבי התגובה עבור כל עמודות התגובה החזויות באמצעות פונקציית פרופיילר. בחר Graph Profiler ובחר את כל עמודות החיזוי שנוצרו בשלב הקודם עבור נוסחת חיזוי Y, לחץ על אישור.

זהה ניסוחים אופטימליים למועמדים. הגדר את פונקציית הרצויות עבור כל תגובה אם יש למקסם אותה, למזער אותה או להתאים אותה למטרה. הדבר כרוך גם בקביעת משקלות החשיבות היחסית לכל תגובה.

כדי ליצור את המועמד הראשון, הגדר את כל התגובות הראשוניות לשימוש במשקל חשיבות 1.0 ואת כל התגובות המשניות לשימוש במשקל חשיבות 0.2. הנחות את יוצר הפרופילים למצוא את הגדרות הגורם האופטימליות הממקסמות את פונקציית הרצון. בחר Optimization Desirability, Maxim Desirability.

רשום את הגדרות הגורמים האופטימליים יחד עם הערה על שקלולי החשיבות המשמשים לכל תגובה. עבור גורמים קטגוריאליים כגון סוג שומנים מיוננים, מצא את הניסוחים האופטימליים המותנים עבור כל רמת גורם. ראשית, הגדר את הרמה הרצויה של כל גורם בפרופילר.

לאחר מכן החזק את מקש הבקרה ולחץ לחיצה שמאלית בתוך הגרף של גורם זה ובחר הגדרת גורם נעילה. זה בחר אופטימיזציה ורצון, למקסם את הרצון למצוא את האופטימלי מותנה עם גורם זה נעול ההגדרה הנוכחית שלה. בסיום, בטל את נעילת הגדרות הגורם לפני שתמשיך.

חזור על תהליך האופטימיזציה לאחר שינוי משקלי החשיבות של התגובה, אולי רק אופטימיזציה של התגובות הראשוניות או הגדרת חלק מהתגובות המשניות כבעלות משקל חשיבות פחות או יותר, כלומר הגדרת מטרתן לאפס. רשום את המועמד האופטימלי החדש. הפק סיכומים גרפיים של האזורים האופטימליים של מרחב הגורמים.

צור טבלת נתונים המכילה 50, 000 שורות המאוכלסות בהגדרות גורמים שנוצרו באופן אקראי בתוך מרחב הגורמים המותר, יחד עם הערכים החזויים המתאימים מהמודלים המופחתים עבור כל אחת מהתגובות, כמו גם פונקציית הרצויות המשותפת. בחר פלט טבלה אקראית. שנה את הערך של מספר הריצות שיש לדמות ל- 50, 000 ולחץ על אישור.

בטבלה החדשה שנוצרה, הוסף עמודה חדשה המחשבת את אחוזון עמודת הכדאיות. השתמש בעמודת אחוזון זו בתרשימים הטרינריים במקום בעמודת הרצויות הגולמית. לחץ באמצעות לחצן העכבר הימני על כותרת העמודה Desirability ובחר New Formula Column, Distributional, Cumulative Probability.

צור את הגרפיקה הבאה. שנה שוב ושוב את ערכת הצבעים של הגרפיקה כדי להציג את התחזיות עבור כל תגובה, ועבור עמודת ההסתברות המצטברת. בניית חלקות טרינריות עבור ארבעת גורמי השומנים.

בטבלה, נווט לתרשים טרינרי של גרף. בחרו בגורמי התערובת להתוויית X ולחצו על 'אשר'. לחץ לחיצה ימנית באחד הגרפים שנוצרו, בחר מקרא שורה ולאחר מכן בחר את עמודת התגובה החזויה.

שנה את התפריט הנפתח של הצבעים ל- Jet. זה יציג את האזורים בעלי הביצועים הטובים והגרועים ביותר ביחס לגורמי השומנים. האיור הנוכחי מראה את אחוזי הרצון של המפרק כאשר שוקלים למקסם את העוצמה עם המשך חשוב ל-1, ולמזער את הגודל עם המשך חשוב ל-0.2.

תוך ממוצע על כל הגורמים שאינם מוצגים על ציר העלילה הטרינרית. שנה שוב ושוב את ערכת הצבעים של הגרפיקה כדי להציג את התחזיות עבור כל תגובה. באופן דומה, התווה את 50,000 הנקודות המקודדות בצבע המייצגות ניסוחים ייחודיים כנגד גורמי התהליך שאינם תערובת יחיד או משותף, וחפש קשרים בין התגובות לבין הגורמים.

חפש את הגדרות הגורם המייצרות את התשואה בנקודות ברצון הגבוה ביותר. איור זה מראה את הכדאיות המשותפת של כל הפורמולציות שניתן ליצור עם כל אחד משלושת סוגי השומנים המיוננים. הפורמולציות הרצויות ביותר משתמשות ב-H102, כאשר H101 מספק כמה חלופות תחרותיות פוטנציאליות.

חקור שילובים שונים של גורמים שעשויים להוביל לתגובות שונות. שמור את פרופיל החיזוי ואת ההגדרות הזכורות שלו בחזרה בטבלת הנתונים. הכינו טבלה המפרטת את המועמדים האופטימליים שזוהו בעבר.

כלול את בקרת אמת המידה עם קבוצת ריצות המועמדים שתגובש ותמדוד. אם אחד מהניסוחים מהניסוי נמצא כמניב תוצאות רצויות, אולי על ידי ביצועים טובים יותר מאמת המידה, בחר את הטוב ביותר להוסיף לטבלת המועמדים ובדוק שוב יחד עם ניסוחים חדשים. לחץ לחיצה ימנית על טבלת ההגדרות הנזכרות בפרופיל ובחר הפוך לטבלת נתונים.

בצע את ריצות האישור, בנה את הניסוחים ואסוף את הקריאות. השווה את הביצועים של ניסוחים אופטימליים של המועמד. זרימת העבודה שימשה ביישומים רבים.

ברוב המקרים, ראינו שיפור של לפחות פי ארבעה עד חמישה בעוצמה כאשר אנו משווים לנוסחאות ביצועים שנקבעו באמצעות גורם אחד בכל פעם אופטימיזציה. שיפורים בולטים במיוחד כאשר תגובות משניות ממוקדות במשותף. ניתן גם להשתמש בסימולציה כדי להראות את האיכות הצפויה של המועמדים האופטימליים המיוצרים על ידי הליך זה.

באמצעות פונקציית הפקת נתונים ידועה עבור הניסוי לדוגמה המתואר במאמר, אנו יכולים להשוות את איכות הניסוחים האופטימליים של המועמדים שהתקבלו מעיצובי מילוי החלל והניתוח מבוסס SVEM המשמשים בתהליך עבודה זה לאלה שהתקבלו מטכניקות ניתוח התערובות המסורתיות. עם איכות הניסוח האופטימלי המוצג על הציר האנכי ומספר הריצות בעיצוב המוצג על הציר האופקי, הנקודות הכחולות מייצגות את הביצועים של המודל הסטטיסטי המלא שלא צומצם מעל 150 סימולציות. נקודות הענבר מייצגות את הביצועים של הבחירה המסורתית של ירייה בודדת קדימה בהתבסס על הפונקציה האובייקטיבית AICC.

הנקודות הירוקות מייצגות את הביצועים של גישת הבחירה קדימה המבוססת על SVEM המשמשת בתהליך עבודה זה. ניתוח SVEM מאפשר לנו להשיג מועמדים אופטימליים טובים יותר ופחות ריצות. מדי פעם יתקיימו מחקרים בעלי מורכבות נוספת הדורשים את עזרתו של סטטיסטיקאי לצורך תכנון וניתוח.

מחקרים בעדיפות גבוהה ביותר, שבהם גודל הריצה מוגבל מהרגיל, או שיש מספר רב של גורמים קטגוריאליים, או גורם קטגורי יחיד עם מספר רב של רמות עשויים לגשת אחרת על ידי סטטיסטיקאי. שימוש בעיצובים אופטימליים או היברידיים במקום עיצוב מילוי החלל שצוין בזרימת העבודה.