view in publisher's site

Response Surface Methodology

On many occasions, a system (an industrial process, a method of analysis, a synthesis, etc.) is in operation and the researcher wonders about the possibility of improving the results by only changing the values of the parameters that control the operation of the system. This demands exploration of an admissible region of the space where the parameters vary. This involves two stages: (i) to experiment in some points of this region and to obtain the results, and (ii) to make a prediction of the results that would be obtained in the rest of the points by evaluating the reliability of this prediction. After that, the researcher will know if the results from his/her system can be improved, and to what extent and the values of the parameters that will have to be used for it.The response surface methodology (RSM) is, above all, a collection of criteria to decide in what points of the feasible region the experimentation should be made, in such a way that the prediction is most precise (whenever possible). Once the researcher has defined the problem, the domain of experimentation and the response, the RSM provides, on the one hand, alternative experimental strategies and, on the other hand, the criteria to evaluate them. The great advantage is that this task of adapting the experimentation to the problem under study is accomplished before carrying out the experiments.Following this point of view, the focus of this chapter is on the criteria and the methodology rather than the detailed list of designs already described in the literature, which in most of the cases are specially adapted to a specific problem. This chapter is thus an introduction to exploration and optimization of response surfaces by fitting an empirical model to some experimental data. In Section 1.12.2, the elements of the RSM are defined. In Section 1.12.3, the most important optimality criteria based on the variance are exposed. The statistical validation of the empirical model is discussed in Section 1.12.4, and in Section 1.12.5 the most often used designs for the fitting of the first- and second-order models are described. The methods for the analysis of the fitted response surface model are discussed in Section 1.12.6. The chapter concludes with some consideration about the practical use of the RSM and bibliographic references are given for more advanced questions, impossible to be tackled in a single chapter.Nowadays, there are several efficient programs that allow the researcher to adapt the experimental design to his/her needs, by using the optimality criteria that she/she considers relevant for the problem under study. Although these programs are an essential tool, their use has to be guided by a clear understanding of the methodology, the criteria and their meaning in practice.

روش سطح پاسخ

در بسیاری از موارد، یک سیستم (یک فرآیند صنعتی، یک روش تجزیه و تحلیل، یک سنتز و غیره)در حال اجرا است و محقق در مورد امکان بهبود نتایج تنها با تغییر مقادیر پارامترهایی که عملکرد سیستم را کنترل می‌کنند، شگفت‌زده می‌شود. این امر مستلزم اکتشاف یک ناحیه قابل‌قبول از فضا است که در آن پارامترها تغییر می‌کنند. این شامل دو مرحله است: (۱)آزمایش در برخی نقاط این منطقه و به دست آوردن نتایج، و (۲)پیش‌بینی نتایجی که در بقیه نقاط با ارزیابی قابلیت اطمینان این پیش‌بینی به دست می‌آید. پس از آن، محقق خواهد دانست که آیا نتایج حاصل از سیستم او می‌تواند بهبود یابد، و تا چه حد و تا چه حد و مقادیر پارامترهایی که باید برای آن مورد استفاده قرار گیرند. روش سطح پاسخ (RSM)، بالاتر از همه، مجموعه‌ای از معیارها برای تصمیم‌گیری در مورد این است که در چه نقطه‌ای از منطقه امکان پذیر آزمایش باید انجام شود، به گونه‌ای که پیش‌بینی دقیق‌تر باشد (در صورت امکان). هنگامی که محقق مشکل را تعریف کرد، دامنه آزمایش و پاسخ، RSM از یک سو، استراتژی‌های آزمایشی جایگزین و از سوی دیگر، معیارهای ارزیابی آن‌ها را فراهم می‌کند. مزیت بزرگ این است که این وظیفه تطبیق آزمایش با مساله مورد مطالعه قبل از انجام آزمایش‌ها انجام می‌شود. با دنبال کردن این نقطه‌نظر، تمرکز این فصل بر روی معیارها و روش به جای لیست دقیق طرح‌های موجود در ادبیات موضوع است که در اکثر موارد به طور خاص با یک مساله خاص تطبیق داده می‌شوند. بنابراین این فصل مقدمه‌ای بر اکتشاف و بهینه‌سازی سطوح پاسخ با برازش یک مدل تجربی با برخی داده‌های تجربی است. در بخش ۱.۱۲.۲، عناصر RSM تعریف می‌شوند. در بخش ۱.۱۲.۳، مهم‌ترین معیار بهینگی براساس واریانس در معرض خطر قرار می‌گیرد. اعتبارسنجی آماری مدل تجربی در بخش ۱.۱۲.۴ مورد بحث قرار گرفته‌است و در بخش ۱.۱۲.۵ اغلب طراحی‌های مورد استفاده برای برازش مدل‌های مرتبه اول و دوم توصیف شده‌اند. روش‌های تجزیه و تحلیل مدل سطح پاسخ مناسب در بخش ۱.۶ مورد بحث قرار گرفته‌است. این فصل با برخی ملاحظات در مورد استفاده عملی RSM و مراجع کتابشناختی برای سوالات پیشرفته‌تر ارائه شده‌است که در یک فصل به آن‌ها پرداخته نشده است. امروزه، چندین برنامه کارآمد وجود دارد که به محقق اجازه می‌دهد تا طراحی آزمایشی را با نیازهای خود، با استفاده از معیارهای بهینگی که برای مساله تحت مطالعه در نظر می‌گیرد، تطبیق دهد. اگرچه این برنامه‌ها یک ابزار ضروری هستند، اما استفاده از آن‌ها باید با درک روشنی از روش، معیارها و معنای آن‌ها در عمل هدایت شود.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.