MASTER 2 SCIENCE DE L’INGENIEUR (SI)

OPTIMISATION DES PROCEDES

************************

Presenté par : Robert Made Kama

Projet 1 :

Partie 1 :

1) Pour le choix du type de plan d’expérience que pourrait prendre Ludivico on élimine déjà le plan
pour les surfaces de réponses parce qu’il s’agit de seulement de voir les effets des facteurs, on
élimine aussi le plan factoriel complet parce qu’il ne pourra faire que 8 essais. Il choisira alors le
plan factoriel fractionnaire selon le modèle 2k-p avec k = 4 et p = 1 avec 23 = 8 essais.

2) Ecrire la matrice des essais

On prendra :

A = Farine

B = Eau

C = Levure

D = Temps de malaxage

I A B C AB AC BC ABC
1 1 1 1 1 1 1 1
1 1 1 -1 1 -1 -1 -1
1 1 -1 1 -1 1 -1 -1
1 1 -1 -1 -1 -1 1 1
1 -1 1 1 -1 -1 1 -1
1 -1 1 -1 -1 1 -1 1
1 -1 -1 1 1 -1 -1 1
1 -1 -1 -1 1 1 1 -1
Donnons la liste des confusions

On confond la variable D = ABC

DD = ABCD , I = ABCD

A*I = A* ABCD = BCD, B*I = B* ABCD = ACD

C*I = C* ABCD = ABD , AB*I = AB* ABCD = CD

AC*I = A* ABCD = BCD, BC*I = BC* ABCD = AD

I = ABCD on a alors une résolution IV

I A B C AB AC BC ABC
ABCD BCD ACD ABD CD BD AD D
1 1 1 1 1 1 1 1
1 1 1 -1 1 -1 -1 -1
1 1 -1 1 -1 1 -1 -1
1 1 -1 -1 -1 -1 1 1
1 -1 1 1 -1 -1 1 -1
1 -1 1 -1 -1 1 -1 1
1 -1 -1 1 1 -1 -1 1
1 -1 -1 -1 1 1 1 -1

3) Les plans fractionnaires impliquent une réduction du nombre d'essais expérimentaux, ce qui
peut entraîner une perte d'information sur les interactions complexes entre les variables dans
notre cas le nombre d’essais initiaux a été divisé par 2 d’où le manque de précision de ce modèle
pour une étude complète.
4) Code du modèle

#Création du plan factoriel complet

library(FrF2)

plan1<-FrF2(randomize = F ,nruns=16,nfactors = 4,factor.names =

list(Farine=c("500","550"),Eau=c("250","280"),Levure=c("10","20"),temps_de_malaxage=c("5","10"))
)

summary(plan1)

#Introduction des reponses obtenus au niveau des expériences

Y = c(220, 215, 300, 305, 200, 195, 307, 305, 140, 145, 275, 280, 138, 149, 280, 269)

robert = data.frame(plan1,Y)

#Analyse de la variance avec les effets

anova = aov(Y ~ ., data = robert)

summary(anova)

Résultats obtenus après ce code :

Df Sum Sq Mean Sq F value Pr(>F)
Farine 1 1 1 0.003 0.955
Eau 1 52785 52785 316.304 1.88e-09 ***
Levure 1 86 86 0.513 0.489
temps_de_malaxage 1 8603 8603 51.549 1.80e-05 ***
Residuals 11 1836 167
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Interprétation:

A travers ces résultats on peut voir que seul l’eau et le temps de malaxage sont significatifs avec des
valeurs de coefficients inférieurs à 5%.

Partie 2:

5) Pour le choix d’un plan optimal avec 2 facteurs significatifs on préconisera le Central Composite
Design qui serait parfait pour notre étude. Le CCD est souvent utilisé lorsque les ressources sont
limitées car il fournit une bonne couverture de l'espace expérimental avec un nombre
relativement faible d'essais par rapport à un plan factoriel complet.

Le nombre d’expérience est donnée par la formule :

N = 2n + 2n + nc

N : le nombre total d’expériences à réaliser.

n : le nombre de facteurs.

nc : le nombre de points au centre.

2n: le nombre de points factoriel.

2n : le nombre de points axiaux.

N = 22 + 2*2 + 2*2 = 16

A noter que n doit être choisit par l’expérimentateur dans notre cas on a pris nc= 4 . Il devra alors
réaliser 16 expériences.

6) et 7) Visualisation du code

#Code la partie 2 du projet

library(rsm)

library(FrF2)

#introduction du plan ccd

plan <-ccd (2, n0=4, randomize=FALSE, coding=list (x1~(eau-265)/15, x2~(temps-7.5)/2.5))

plan

Résultats obtenus pour le code :

run.order std.order eau temps Block
1 1 1 250.0000 5.000000 1
2 2 2 280.0000 5.000000 1
3 3 3 250.0000 10.000000 1
4 4 4 280.0000 10.000000 1
5 5 5 265.0000 7.500000 1
6 6 6 265.0000 7.500000 1
7 7 7 265.0000 7.500000 1
8 8 8 265.0000 7.500000 1
9 1 1 243.7868 7.500000 2
10 2 2 286.2132 7.500000 2
11 3 3 265.0000 3.964466 2
12 4 4 265.0000 11.035534 2
13 5 5 265.0000 7.500000 2
14 6 6 265.0000 7.500000 2
15 7 7 265.0000 7.500000 2
16 8 8 265.0000 7.500000 2

Data are stored in coded form using these coding formulas ...
x1 ~ (eau - 265)/15
x2 ~ (temps - 7.5)/2.5
Donc Mamadou devra réaliser :

8) Visualisation du code avec les résultats expérimentaux

#Code la partie 2 du projet

library(rsm)

library(FrF2)

#introduction du plan ccd

plan <-ccd (2, n0=4, randomize=FALSE, coding=list (x1~(eau-265)/15, x2~(temps-7.5)/2.5))

plan

Y<-c (220, 100, 300, 180, 160, 120, 150, 140, 274, 105, 113,

226, 160, 120, 150, 160)

plan.rsm<-rsm(Y~SO(x1,x2),data = plan)

summary(plan.rsm)

Résultats du code :
Multiple R-squared: 0.9461, Adjusted R-squared: 0.9192
F-statistic: 35.12 on 5 and 10 DF, p-value: 4.975e-06

Analysis of Variance Table

Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 41465 20732.4 72.9854 1.083e-06
TWI(x1, x2) 1 0 0.0 0.0000 1.000000
PQ(x1, x2) 2 8410 4205.1 14.8035 0.001026
Residuals 10 2841 284.1
Lack of fit 3 841 280.2 0.9807 0.454554
Pure error 7 2000 285.7

Stationary point of response surface:

x1 x2
1.093612 -1.150382

Stationary point in original units:

eau temps
281.404181 4.624046

Eigenanalysis:
eigen() decomposition
$values
[1] 27.375 17.375
$vectors
[,1] [,2]
x1 -1.000000e+00 1.012124e-15
x2 -1.012124e-15 -1.000000e+00

9) Donnez le graphe des effets directs et des interactions entre les facteurs

Figure 1:Graphe des effets directs

Figure 2: Graphe des interactions entre les effets

Interprétation:

R-squared = 0.9192 : Proche de 1 on peut en déduire que notre modèle est bien ajusté
F = 35.12 avec une p-value associée à F P = 4.975e-06 qui est très petit témoignant de l’adéquation
de notre modèle.

Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 41465 20732.4 72.9854 1.083e-06
TWI(x1, x2) 1 0 0.0 0.0000 1.000000
PQ(x1, x2) 2 8410 4205.1 14.8035 0.001026
Residuals 10 2841 284.1
Lack of fit 3 841 280.2 0.9807 0.454554
Pure error 7 2000 285.7

D’après cette réponse on peut voir que seuls l’effet FO(x1, x2) et le terme quadratique PQ(x1, x2)
sont significatifs avec des valeurs de Pr(>F) < 5%. On peut alors éliminer les autres interactions de
notre modèle.
Les valeurs de paramètre permettant d’avoir la pate la moins collante possible sont données par :
Stationary point in original units:
eau temps
281.404181 4.624046

Pour l’eau on a une valeur optimale de 281,404181 ml et une valeur de 4.624046 minutes pour le
temps de malaxage.

10) Pour déterminer si c’est une minimisation ou une maximisation on se base sur :
Eigenanalysis:
eigen() decomposition
$values
[1] 27.375 17.375
Ces 2 valeurs de l’Eigenanalysis sont positives on peut alors en déduire qu’il s’agit d’une
minimisation.

Projet 2 :

Partie 1 :

1) Pour analyser les résultats d'un tel plan, nous pouvons utiliser un modèle linéaire qui explique la
note d'appréciation du chocolat en fonction du pourcentage de cacao et de l'année de récolte.
Le modèle peut être écrit comme suit :

Y = β0 + β1X1 + β11X12 +β2X2 + β22X22 + β12 X1X2 + ε

Avec

 Y est la note d'appréciation,

 β0 est l'intercept,
  β1 est le coefficient associé au pourcentage de cacao,

 β2 est le coefficient associé à l'année de récolte,

 ϵ est le terme d'erreur.

2) Pour le choix du modèle on optera pour un CCD au lieu du BBD car ce dernier est beaucoup plus
efficace pour 3 facteurs alors qu’on en a que 2 dans notre cas . Le nombre d’essais sera donnée par la
formule :

N = 2n + 2n + nc

N : le nombre total d’expériences à réaliser.

n : le nombre de facteurs.

nc : le nombre de points au centre.

2n: le nombre de points factoriel.

2n : le nombre de points axiaux

AN : N = 22 + 2*2 + 8 = 16 essais A noter que le nombre de répétitions du point au centre doit être
donné par l’expérimentateur.

3) Donnons la matrice des essais à l’aide de R

library(rsm)

library(FrF2)

plan3 <-ccd (2, n0=4, randomize=FALSE, coding=list (x1~(pourcentage_de_cacao-75)/10,

x2~(année_de_recolte-2011)/5))

plan3

Réponses au code avec la matrice des essais

run.order std.order pourcentage_de_cacao année_de_recolte Block
1 1 1 65.00000 2006.000 1
2 2 2 85.00000 2006.000 1
3 3 3 65.00000 2016.000 1
4 4 4 85.00000 2016.000 1
5 5 5 75.00000 2011.000 1
6 6 6 75.00000 2011.000 1
7 7 7 75.00000 2011.000 1
8 8 8 75.00000 2011.000 1
9 1 1 60.85786 2011.000 2
10 2 2 89.14214 2011.000 2
11 3 3 75.00000 2003.929 2
12 4 4 75.00000 2018.071 2
13 5 5 75.00000 2011.000 2
14 6 6 75.00000 2011.000 2
15 7 7 75.00000 2011.000 2
16 8 8 75.00000 2011.000

4) Analyse des résultats obtenus après la réalisation des essais

 Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.437500 0.094511 36.3714 5.868e-12 *** <5%
x1 0.615165 0.094511 6.5089 6.818e-05 *** <5%
x2 -0.245711 0.094511 -2.5998 0.0265 * <5%
x1:x2 0.100000 0.133659 0.7482 0.4716
x1^2 -0.012500 0.094511 -0.1323 0.8974
x2^2 0.062500 0.094511 0.6613 0.5234
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Multiple R-squared: 0.8337, Adjusted R-squared: 0.7506

F-statistic: 10.03 on 5 and 10 DF, p-value: 0.001193

Analysis of Variance Table

Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 3.5104 1.75521 24.5626 0.0001384
TWI(x1, x2) 1 0.0400 0.04000 0.5598 0.4715843
PQ(x1, x2) 2 0.0325 0.01625 0.2274 0.8006072
Residuals 10 0.7146 0.07146
Lack of fit 3 0.1558 0.05195 0.6508 0.6071993
Pure error 7 0.5588 0.07982
Interprétation:

A travers ces réponses on peut voir que seuls les facteurs pourcentage de cacao l’intercept et
l’année de récolte sans interactions ou termes quadratiques sont significatifs avec des valeurs de p-
value associée à la statistique de student (surligné en jaune comme on peut le voir ci-dessus) sont
inférieurs à <5% ;

On peut alors négliger les interactions entre les facteurs ainsi que les termes quadratiques, nous
pourrons alors en conclure que notre modèle de base n’est plus digne de confiance. Nous devrons
alors revoir l’équation de notre modèle pour éliminer les termes et interactions non significatives.

5) Donnons les graphes des effets directs et des interactions

Figure 3:Graphe des effets directs

 Figure 4: Graphe de effets entre les facteurs

6) Donnons le couple de paramètres qui maximise Y

Stationary point in original units:
pourcentage_de_cacao année_de_recolte
152.308 1989.905
Le couple qui optimise est donné par 152.308% pour le pourcentage de cacao et de l’année
1989.905 pour l’année de récolte.

NB : Mais comme on peut le voir ce couple n’est pas dans le domaine des valeurs de l’exercice ce qui
pourrait être dû à une erreur dans les valeurs de Y. A première vue le couple obtenu est
inconcevable parce qu’il serait inutilisable pour l’industriel en question.

7) Vérifier s’il s’agit d’un point selle ?

Eigenanalysis:
eigen() decomposition
$values
[1] 0.0875 -0.0375

Il s’agit bien d’un point selle car on a une valeur positive et une valeur négative dans le Eigenanalysis.

8) Les valeurs obtenues dans la question précédente ne nous permettent pas d’aider l’industriel
dans sa vocation de maximiser son étude il faudra alors revoir les Y et voir comment refaire le
travail proprement.