Académique Documents
Professionnel Documents
Culture Documents
Experimentos
matemáticas modelar
técnicas resposta
estatísticas analisar
muitas variáveis
Objetivo
otimizar a resposta
superfície de resposta
resposta esperada
Resposta esperada
Resposta esperada
Resposta esperada
Modelos
Resposta modelada de modo adequado
por uma função linear das variáveis
independentes
modelo de 1ª ordem
modelo de 2ª ordem
Modelos
mínimos quadrados
parâmetros do polinômio
condições de operação
caminho
condição ótima
Natureza sequencial da RSM
Procedimento sequencial
O objetivo é conduzir, de
modo rápido e eficiente,
ao caminho em ascensão
em direção à vizinhança
do ótimo
Modelo de 1a ordem
Modelo de 2a ordem
Subir o morro
Exemplo
Como encontrar as condições ótimas para
o tempo, t, e a temperatura, T, que
resultam em um maior rendimento para
um processo?
Condições iniciais:
t = 75 min
T = 130 oC
s = 1,5
Planejamento de 1ª ordem
t = 70 e 80 min
T = 127,5 e 132,5 oC
Planejamento fatorial 22 com
três pontos centrais
ordem: 5,4,2,6,1,7,3
Planejamento fatorial 22 com
três pontos centrais
Modelo
𝒃𝟏𝟐(𝝈)
como 𝑏12 < 𝜎 ⇒ 𝑏12 ≈ 0. Ou seja, o modelo planar supõe que os efeitos
das variáveis são aditivos
Planejamento fatorial 22 com
três pontos centrais
Os efeitos calculados nessa regressão
correspondem ao dobro dos valores dos
coeficientes
t = 4,7
T = 9,0
t x T = -1,3
Verificação da curvatura
Estimativa da curvatura da superfície, Ec
𝐸𝑐 = 𝑦𝑓 − 𝑦𝑝𝑐
> x1=-1:0.1:1;
> x2=x1;
> [X1,X2]=meshgrid(x1,x2);
> y=62.01+2.35.*X1+4.5.*X2;
plot3
> plot3(x1,x2,y)
mesh
> mesh(x1,x2,y)
meshc
> meshc(x1,x2,y)
meshz
> meshz(x1,x2,y)
surf
> surf(x1,x2,y)
surf
> surfc(x1,x2,y)
contour
> contour(x1,x2,y)
surface
> surface(x1,x2,y)
Representação Gráfica: 4D
Impressão
> help print
perpendicular
às linhas
de contorno
Caminho em ascensão
caminho em ascensão
x2
região da superfície
de 1ª ordem ajustada
x1
Caminho em ascensão
Nas unidades do planejamento
x1 x2 t T experimento yobs
centro 0 0 75 130 5,6,7 62,3
1 1,91 80 134,8 8 73,3
caminho 2 3,83 85 139,6
em ascensão 3 5,74 90 144,4 10 86,8
4 7,66 95 149,1
5 9,57 100 153,9 9 58,2
Caminhar na superfície
Variáveis codificadas
2º planejamento
x1 x2 t T experimento yobs
-1 -1 80 140 11 78,8 22
1 -1 100 140 12 84,5
-1 1 80 150 13 91,2
1 1 100 150 14 77,4
0 0 90 145 15 89,7 pontos
0 0 90 145 16 86,8 centrais
Modelo de 1ª ordem
o intervalo de confiança
não inclui o zero b12 0
Ec 0
Planejamento Estrela
Planejamento estrela
l
Planejamento estrela
O modelo inicial é melhorado com um
planejamento estrela
20
04 pontos axiais
13 14
02 pontos centrais
15,16
17 18
21,22
11 12
19
Planejamento estrela
x1 x2 t T experimento yobs
-2 0 76 145 17 83,3
2 0 104 145 18 81,2
0 -2 90 138 19 81,2
0 2 90 152 20 79,5
0 0 90 145 21 87,0
0 0 90 145 22 86,0
b0 = 0,75
b1, b2, b11, b22 e b12 = 0,53
79,5
91,2
77,4 1º planejamento:
T e t y
81,2
2º planejamento:
x2 83,3 T e t y
87,4
78,8
84,5
81,2
x1
Análise de superfície de resposta
de 2ª ordem
Quando o experimento está próximo do
ótimo e é descrito por uma função de 2ª
ordem
Definição
Um ponto 𝑋0 ∈ 𝐷 é um ponto estacionário para
∅ 𝑋 se 𝛻∅ 𝑋0 = 0.
Isso é, se
𝜕∅ 𝜕∅
𝑋0 = 𝑥0,1 , 𝑥0,2 , … , 𝑥0,𝑛 = 0, 𝑘 = 1,2, … , 𝑛
𝜕𝑥𝑘 𝜕𝑥𝑘
Localização dos pontos
estacionários
Ponto estacionário
resposta máxima
superfície de resposta
resposta mínima
ponto de cela
Ponto estacionário para o
exemplo de 2ª ordem
Modelo
Máximo fora
da região do
planejamento
Superfície de resposta
x2
x1
Superfície de resposta
89,307
ponto
estacionário
x2
x1
Localização dos pontos
estacionários
Modelo
y = 87,375 − 1,38𝑥1 − 5,14𝑥12 − 2𝑥22 − 2𝑥1 𝑥2
Gradientes
𝜕𝑦
= −1,38 − 10,28𝑥1 − 2𝑥2 = 0
𝜕𝑥1
𝜕𝑦
= −4𝑥2 − 2𝑥1 = 0
𝜕𝑥2
raízes
𝑥1 = 0,074
𝑥2 = −0,149
𝑦 = 87,478
Localização dos pontos
estacionários
𝒙𝟏
𝒙𝟐
Localização dos pontos
estacionários
> x1=-1:.05:1;
> x2=x1;
> [X1,X2]=meshgrid(x1,x2);
> y=87.375-1.38.*X1-5.14.*X1.*X1-2.*X2.*X2-2.*X1.*X2;
> surf(X1,X2,y)
> contour(X1,X2,y)
> hold on
> X1=-1.38/18.56*2
> X2=1.38/18.56
> plot(X1,X2)
Localização dos pontos
estacionários
𝐲
87,023
𝒙𝟐
𝒙𝟏
Diferentes superfícies
máximo
Diferentes superfícies
ponto de cela
Diferentes superfícies
mínimo
Diferentes superfícies
máximos
Diferentes superfícies
Multiple Response Optimization
Desirability Objective Function
It is one of the most widely used methods in
industry for the optimization of multiple
response processes
For each response 𝑦𝑖 𝑥 , a desirability function
𝑑𝑖 𝑦𝑖 assigns numbers between 0 and 1 to the
possible values of 𝑦𝑖
𝑑𝑖 𝑦𝑖 = 0 represents a completely undesirable value of
𝑦𝑖
𝑑𝑖 𝑦𝑖 = 1 represents a completely desirable or ideal
response value
Multiple Response Optimization
The individual desirabilities are then combined
using the geometric mean, which gives the
overall desirability
1
𝑛 𝑛
𝐷= 𝑑𝑖 𝑦𝑖
𝑖=1
with n denoting the number of responses
It determines the best combination of responses
Multiple Response Optimization
The desirability approach consists of the
following steps
Conduct experiments and fit response models for all n
responses
Define individual desirability functions for each
response
Maximize the overall desirability D with respect to the
controllable factors
Planejamentos experimentais para
ajustar superfícies de respostas
Modelos de 1ª ordem ortogonais
Simplex (simplex design) p/ k variáveis
𝒌
𝒚 = 𝒃𝟎 + 𝒃𝒊 𝒙𝒊 + 𝒆
𝒊=𝟏
k=2 k=3
Modelos de 2ª ordem
planejamentos com pontos centrais
(PPC), ou central composite design
Fatorial 2k (ou fracionário de resolução V)
nf experimentos
2k experimentos axiais ou estrela
nc pontos centrais
k=2 k=3
Modelos de 2ª ordem
rotabilidade: modelo deve girar
𝑽 𝒚 𝐗 é a mesma em todos os pontos, X, que
estão à uma mesma distância do centro do
planejamento
circunscrito nf = 4 𝛼 = 2 ≅ 1,4
face centrada
inscrito
Modelos de 2ª ordem
Modelos de 2ª ordem
Planejamento Box-Behnken
esfera de raio 2
não contém pontos nos vértices
pode ser vantajoso em termos de custo e em
regiões proibitivas
Modelos de 2ª ordem
Planejamento Box-
Behnken é o mais
usado para
planejamentos
fatoriais em três
níveis, sendo possível
para mais do que três
variáveis
independentes.
• 12 pontos nos centros das arestas
• 3 pontos centrais
Modelos de 2ª ordem
X1 X2 X3
Ensaios -1 -1 0
1 -1 0
-1 1 0
1 1 0
-1 0 -1
1 0 -1
-1 0 1
1 0 1
0 -1 -1
0 -1 1
0 1 -1
0 1 1
0 0 0
0 0 0
0 0 0
Modelos de 2ª ordem
Cuboidal
Planejamento com pontos centrais de face
centrada
Modelos de 2ª ordem
Equiradiais x2
hexágono
x1
Modelos de 2ª ordem
x2
pentágono
x1
Planejamento Simplex
Simplex simples
3 vértices x2
x1
Planejamento Simplex
Simplex simples
3 vértices pior
próximo melhor
reflexão
Planejamento Simplex
Planejamento Simplex
Planejamento Simplex
4 vértices
x2
x1
x3
Simplex Modificado
começo
reflexão
reflexão e expansão
contração
contração múltipla
Simplex Modificado
contração múltipla
começo contração
reflexão
expansão
Simplex Modificado
Simplex na superfície