A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Metodologia de Superfície de Resposta Marília Canabarro Zordan Sabrina Letícia Couto da Silva MAT 02014 - Planejamento de Experimentos II.

Apresentações semelhantes


Apresentação em tema: "Metodologia de Superfície de Resposta Marília Canabarro Zordan Sabrina Letícia Couto da Silva MAT 02014 - Planejamento de Experimentos II."— Transcrição da apresentação:

1 Metodologia de Superfície de Resposta Marília Canabarro Zordan Sabrina Letícia Couto da Silva MAT Planejamento de Experimentos II

2 MÉTODOS DE SUPERFÍCIE DE RESPOSTA -Conjunto de técnicas estatísticas usadas para analisar problemas com variáveis independentes contínuas em relação a variável aleatória. - O objetivo é buscar a combinação dos fatores que otimizam a resposta.

3 -É usado quando: Fixa-se um fator A e varia-se o outro B. Fixa-se B onde a resposta é máxima e varia-se A. Variando os dois fatores conjuntamente. - A modelagem é usada para estabelecer a relação entre a variável resposta e a(s) variável (is) independente(s), pois em geral esta não é conhecida e precisa de aproximação.

4 O procedimento seqüencial na MSR é encontrar os resultados da ANOVA e verificar se: * São distante do ótimo, com pouca curvatura Modelo de 1ª ordem Leva de forma rápida e eficiente até a vizinhança do valor ótimo. * A região ótima é encontrada Modelo de 2ª ordem e análise do ótimo

5 Função e Representação Gráfica y é a resposta (variável dependente, p.e, produção de um objeto) x 1 e x 2 são os fatores (p.e, temperatura e pressão) y = f(x 1,x 2 ) + erro E(y) = η η = f(x 1,x 2 ) = Superfície de Resposta y = η + erro

6 Uma possível representação gráfica para a SR seria: x 1 e x 2 aparecem no plano y aparece no eixo perpendicular

7 Um representação alternativa é o gráfico de contornos. Desenham-se linhas de igual resposta de um gráfico cujas coordenadas representam os níveis dos fatores:

8 Para três ou mais fatores é mais comum a representação gráfica da superfície através do gráfico de contornos no espaço bidimensional, fixando um ou mais fatores no nível ótimo. Exemplo: Y = produção de uma reação química A = Tempo de Reação (60,90,120,150,180 min) B = Temperatura (210,220,230,240,250°C) Procedimento Clássico Fixando B = 225°C 130 min e 75g Fixando A = 130min 225°C e 75g

9

10 E como os fatores se comportam conjuntamente? É preciso conduzir o experimento variando ambos os fatores simultaneamente e então para representação gráfica usar um gráfico de contornos. Continuando o exemplo... A = 65 minutos B = 225°C Y = 91g

11 Conclusão do Exemplo : O procedimento de investigar uma variável independente (fator) de cada vez falha, pois ele assume que o máximo valor produzido por um fator é independente do máximo produzido pelo outro fator, o que nem sempre acontece.

12 Aproximações Como nem sempre a relação entre fatores e resposta é conhecida, o primeiro passo em MSR é encontrar uma aproximação adequada para a relação entre eles, dentro de uma faixa limitada do espaço de fatores. Se a resposta é bem modelada por uma função linear das var. independentes: y = β 0 + β 1 x β k x k + ε A análise da SR é então feita em termos da SR ajustada.

13 Modelos de Primeira Ordem Método da Máxima Inclinação Ascendente 1 - Delineamentos Exploratórios de Tratamentos 2 – Fatoriais da série 2 k Onde, K = n° de fatores completos ou fracionados 2 = n° de níveis 3 – Verificar se há acréscimo (decréscimo) na resposta ou não, com a presença dos fatores

14 Condições iniciais estão afastadas daquelas que otimizam a resposta Modelo de 1ª Ordem O objetivo é mover o experimento rapidamente para a vizinhança geral do ótimo utilizando um procedimento experimental simples, rápido, econômico e eficiente. MMIA procura a MÁXIMA inclinação ascendente MMID procura a MÍNIMA inclinação descendente O gráfico de contornos da SR de 1ª ordem são uma série de linhas paralelas. A direção da MIA é a direção na qual y estimado cresce mais rapidamente.

15 X1 X2 Usualmente, toma-se como caminho da MIA a linha a partir do centro da região de interesse e os passos ao longo do caminho são determinados pela experiência do pesquisador.

16 Utiliza-se um conjunto de tratamentos em torno do ponto inicial e estima-se por Mínimos Quadrados as inclinações β i. A partir das magnitudes e sinais destas inclinações, calcula-se a direção da MIA. Experimentos são conduzidos ao longo do caminho da MIA até que nenhum incremento na resposta seja observado. E repetir a seqüência novamente. Eventualmente chega-se a vizinhança do valor ótimo e isto será indicado pela falta de ajuste do modelo de 1ª ordem. A aproximação por um plano se torna insatisfatória pelo fato dos efeitos de ordens mais elevadas, particularmente os de 2ª ordem (quadrático e de interação linear), se tornarem relativamente mais importantes. Nesse caso usa-se Modelo Quadráticos.

17 EXEMPLO (produção do reagente): O processo normal é operado com um tempo de 35min e uma temperatura de 155°F, que resulta numa produção de 40%. Como a região ótima é desconhecida ajusta- se um modelo de 1ª ordem por MMIA. A região experimental será (30,40) min para o tempo de reação e (150,160)°F para temperatura. As variáveis independentes podem ser recodificadas para (-1,1) para simplificar os cálculos.

18 Se ξ 1 e ξ 2 representam as variáveis naturais para tempo e temperatura respectivamente, os valores são codificados: Tamanho do Passo Média do Intervalo

19 O delineamento a ser utilizado nesse experimento consiste de um Fatorial 2 2 aumentado por CINCO PONTOS (Tratamentos) CENTRAIS. Com a utilização dos pontos centrais é possível estimar o erro experimental e testar a adequabilidade (lack of fit) do modelo de 1ª ordem. Além disso, nesse caso, o tratamento central representa as condições de operação normalmente empregadas. Deve-se ajustar aos dados um modelo de primeira ordem, ou seja, a equação de regressão

20 Dados Variáveis NaturaisVariáveis CodificadasResposta ξ1ξ1 ξ2ξ2 x1x1 x2x2 y , , , , , , , , ,6

21 A equação de regressão encontrada é: A SQTotal é encontrada da mesma forma de qualquer outra análise, mas é particionada em SQRegressão e SQResíduos. A SQErro com 4GL também é obtida de forma tradicional, porém só com os valores dos pontos centrais. Assim, o modelo de primeira ordem assume que os fatores possuem um efeito aditivo sobre a resposta.

22 A interação entre os fatores pode ser obtida adicionando o termo x 1 x 2 e é medida pelo coeficiente β 12. A estimativa é obtida (considerando as variáveis codificadas) por:

23 Para o exemplo... A estatística da falta de ajuste é: F (1,4) =7,71 a 5% Logo, NS. 1 GL

24 Outra verificação da adequabilidade do modelo é obtida pela comparação da resposta média dos quatro pontos do fatorial (40,425), com a resposta média do centro do delineamento (40,46). Se β 11 e β 22 são os coeficientes dos termos quadráticos, então a diferença das médias é uma estimativa de β 11 + β 22.

25 Efeito quadrático NS a 5% de significância.

26 Causas da Variação SQGLQMF Regressão2,825021,412547,83* Resíduo0,177260,0295 Interação0, ,058 Quadr. Puro0,002710,0270,063 Erro0,172040,0430 Total3,00228 * Significante a 1%

27 Assim, não existe nenhuma razão para questionar o modelo de primeira ordem. Os próximos passos da MIA devem seguir. Os fatores devem variar nas proporções das estimativas dos Betas, ou seja, para cada 0,775 unidades acrescidas em x 1, x 2 deve aumentar 0,325 unidades. Destransformando-a, direção da MIA é definida por: 5x0,775 = 3,875 minutos 5x0,325=1,625° O caminho principal a partir da origem (0,0) nesta direção pode ser obtido por um incremento conveniente a um dos fatores (p.e, 5 minutos para tempo). As mudanças proporcionais do outro fator: 0,325/0,775=0,42.

28 Assim, estas quantidades devem ser acrescidas aos níveis base dando origem ao caminho da MIA. O engenheiro realizou os ensaios de acordo com esse caminho e observou a produção nesses pontos até que um decréscimo na resposta foi notado. Os resultados estão na tabela a seguir:

29 Variáveis CodificadasVariáveis NaturaisResposta X1X1 X2X2 ξ1ξ1 ξ2ξ2 y Nível Base Unidade55 Unidade* 3,8751,625 Variação do Nível1,000,4252 Ensaio 110, ,0 Ensaio 220, ,9 Ensaio 331, ,1 Ensaio 441, ,7 Ensaio 552, ,8 Ensaio 662, ,9 Ensaio 772, ,0 Ensaio 883, ,4 Ensaio 993, ,6 Ensaio 10104, ,3 Ensaio 11114, ,2 Ensaio 12125, ,1

30 Incrementos na resposta são observados até o 10° passo; depois há um decréscimo na produção. Portanto, outro modelo de primeira ordem pode ser ajustado em torno do ponto (85,175). A região de exploração para tempo seria (80,90) e de temperatura (170,180). Codificam-se os níveis das variáveis tempo e temperatura novamente como (-1,1) e um delineamento fatorial 2 2 acrescido de 5 pts centrais será utilizado. Assim repete-se todo o processo e os resultados são analisados a seguir:

31 Variáveis Naturais Variáveis Codificadas Resposta 1 2 X1X1 X2X2 y Dados para ajuste do segundo modelo de 1ª Ordem:

32 O modelo de 1ª Ordem ajustado aos dados codificados é dado por: Ŷ = X X 2 Causas da VariaçãoSQGLQMF Regressão5,000022,500047,17* Resíduo11,12006 Interação0, ,72 Quadr. Puro10, ,09 * Erro Puro0,212040,0530 Total16,12008 * Significativo a 1%

33 - Pela tabela de ANOVA, o componente do termo quadrático puro foi significativo, isso implica que o modelo de 1ª Ordem não é uma aproximação adequada; - Essa curvatura na real superfície pode indicar que se está próximo do ótimo. Assim, análises adicionais devem ser feitas para localizar o ótimo com mais precisão.

34 Algoritmo geral para determinar as coordenadas de um ponto no caminho da máxima inclinação ascendente: - assumir que o ponto x 1 =0, x 2 =0,...,x k =0 é a base ou origem. 1. Escolha um tamanho para uma das variáveis independentes, por exemplo, x j. Geralmente, selecionamos a variável que temos maior conhecimento, ou aquela que tem maior coeficiente de regressão em módulo. 2. O passo nas demais variáveis é: 3. Converter x i das variáveis codificadas para as variáveis naturais.

35 -Quando o pesquisador está próximo da região de ótimo, um modelo que incorpora o efeito de curvatura é indicado. O modelo de 2ª Ordem é dado por: Análise de Modelos de Segunda Ordem Como encontrar o ponto ótimo (estacionário)? Qual a natureza da superfície de reposta?

36 Localização do ponto estacionário Desejamos encontrar os níveis de x 1, x 2,...,x k, que maximizam a resposta estimada (predita). Este ponto, se existir, será um conjunto de x 1, x 2,...,x k para o qual as derivadas parciais são iguais a zero: PONTO ESTACIONÁRIO Esse ponto, x 1.S, x 2.S,...,x k.S é o dito PONTO ESTACIONÁRIO. Este ponto pode representar um MÁXIMO, MÍNIMO ou PONTO DE SELA.

37 Ponto de máximo (x S ) x1x1 x2x x1x1 x2x Ponto de mínimo (x S )

38 Determinação do ponto estacionário: Solução matemática geral. O modelo de 2ª Ordem escrito na forma matricial fica: Onde: b é um vetor (k x 1) dos coeficientes de regressão de 1ª ordem e B é uma matriz simétrica (k x k) onde na diagonal têm-se os coeficientes de regressão de 2ª ordem e fora da diagonal os coeficientes de interação. As derivadas parciais dos valores preditos da resposta ( y chapéu) com relação aos elementos de x e colocadas iguais a zero são dadas por:

39 O ponto estacionário é a solução da equação anterior, ou seja, O valor predito da variável resposta no ponto estacionário é: Demonstração:

40 Natureza da superfície de resposta Desejamos saber se o ponto estacionário é um ponto de máximo, mínimo ou ponto de cela. -Forma mais direta: gráfico de contorno do modelo de regressão ajustado aos dados. -Mesmo com poucas variáveis independentes, uma análise mais formal, denominada de Análise Canônica, pode ser útil. Análise Canônica ( Facilita a interpretação dos resultados!!! ) Considere uma translação (novo sistema de coordenadas) da superfície de resposta da origem (x 1, x 2,...,x k )=(0, 0,...,0) para o ponto estacionário x S e então rotacione os eixos desse sistema até que eles fiquem paralelos aos eixos principais da superfície de resposta ajustada. Na figura no próximo slide isso pode ser visualizado...

41 x1x1 x2x2 x 1,S w2w2 w1w1 A função de resposta em termos das novas variáveis w 1, w 2,...,w k (forma canônica) é dada por: Onde os w i são as variáveis indep. transformadas e os i são constantes. O ŷ s é a resposta estimada no ponto estacionário x S. Os i são os autovalores ou raízes características da matriz B. FORMA CANÔNICA DO MODELO

42 Estudo da natureza da Superfície de Resposta - Este estudo pode ser feito considerando o ponto estacionário e os sinais e magnitudes dos ( i ). - Suponha que o ponto estacionário esteja dentro da região na qual foi ajustado o modelo de 2ª ordem. - Se todos os valores de ( i ) são positivos, então, x s é um ponto de resposta mínima; se os ( i ) são todos negativos, então, x s é um ponto de resposta máxima; se os valores de ( i ) tem sinais positivos e negativos, então, x s é um ponto de sela. - Além disso, a superfície tem inclinação na direção de w i para o qual o valor de | i | é maior. - Por exemplo, na figura anterior, x s é um ponto de máximo (todos os ( i ) são negativos) e | 1 | > | 2 |.

43 Exemplo 2: Exemplo 2: vamos continuar com a análise do processo químico do ex 1 (2ª fase do estudo). Para ajustar um modelo de 2ª ordem, o pesquisador decide aumentar o delineamento com pontos adicionais (o engenheiro usou 4 OBS adicionais mais ou menos no mesmo tempo em que executou os 9 tratamentos anteriores). Os 4 tratamentos adicionais foram: (x 1 =0; x 2 =± 1,414) (x 1 =± 1,414; x 2 =0) Este delineamento denomina-se de DELINEAMENTO CENTRAL COMPOSTO.

44 VARIÁVEL RESPOSTA

45 (0,0) (-1,1) (-1,-1) (1,1) (1,-1) x1x1 x2x2 (1,414,0) (0,-1,414) (0,1,414) (-1,414,0) Delineamento Central Composto para o exemplo 1 (processo químico)

46 Response Surface for Variable PRODUCAO Response Mean Root MSE R-Square Coef. of Variation Degrees of Type I Sum Regression Freedom of Squares R-Square F-Ratio Prob > F Linear Quadratic ** Crossproduct NS Total Regress Degrees of Sum of Residual Freedom Squares Mean Square F-Ratio Prob > F Lack of Fit NS Pure Error Total Error

47 Análise no DOE do SAS 8.0: Efeito Quadrático significativo a 1%. O modelo de 2ª Ordem será ajustado!

48 Gráfico de Contorno Pelo gráfico de contornos, observa-se que o processo é mais sensível (levemente) à mudanças no tempo de reação do que para mudanças na temperatura.

49 Superfície de Resposta Observa-se que o ótimo está próximo de 175 o F e 85 min e que a resposta neste ponto é um ponto de máximo. Ponto Ótimo (85 min; 175º F)

50 Determinação da localização do ponto estacionário (máximo). Temos que: O ponto estacionário é dado por: X 1,s X 2,s Em termos das variáveis naturais, o ponto estacionário é dado por:

51 O valor da resposta estimada no ponto estacionário é: ANÁLISE CANÔNICA - Objetivo: caracterizar a superfície de resposta Vamos expressar o modelo ajustado na forma canônica. 1º precisamos encontrar os autovalores, 1 e 2. Os autovalores são as raízes do determinante da equação: A equação fica: As raízes desta equação de segundo grau são: 1 =-0,9635 e 2 =-1,4143. A forma canônica do modelo ajustado fica: Ponto de máximo Ambos negativos


Carregar ppt "Metodologia de Superfície de Resposta Marília Canabarro Zordan Sabrina Letícia Couto da Silva MAT 02014 - Planejamento de Experimentos II."

Apresentações semelhantes


Anúncios Google