Metodologa de Superficie de Respuesta

Una de las tcnicas ms eficientes para la optimizacin de procesos es la Metodologa de Superficie de Respuesta (MSR), la cual tiene como objetivo principal determinar la condicin de operacin ptima para un sistema, o determinar la regin del espacio de los factores en la que se satisfacen las condiciones de operacin. La MSR clsica fue formulada originalmente por Box y Wilson en 1951. Actualmente, Box establece que la clave de su mtodo es que ste procede en pasos. Esta metodologa es una coleccin de tcnicas estadsticas y matemticas tiles para la optimizacin de funciones estocsticas (Myers y Montgomery, 1995).

El primer trabajo consistente en la aproximacin de un modelo, en la optimizacin de un proceso, fue hecho por Box y Draper (1969). Ellos desarrollaron un acercamiento heurstico llamado evolucin operativa (EVOP), el cual iterativamente construye una superficie de respuesta alrededor del ptimo proveniente de una iteracin previa. Despus, la MSR tambin se aplic a modelos de simulacin aleatorios. La MSR puede ser

resumida como una coleccin de herramientas estadsticas y tcnicas para construir y explorar una relacin funcional aproximada entre una variable de respuesta y un conjunto de variables de diseo. Esta estimacin de la relacin funcional es generalmente construida en la forma de un polinomio de orden bajo, referida como una aproximacin de la superficie de respuesta.

Las aproximaciones a la superficie de respuesta dan una fcil integracin entre los experimentos y el algoritmo de optimizacin, permitiendo la evaluacin de experimentos en bloques y proporciona al diseador una perspectiva global del comportamiento del sistema dentro del espacio de diseo. La MSR incluye mtodos para seleccionar puntos de datos donde los experimentos deben ser evaluados (un proceso conocido como Diseo de Experimentos Estadstico), los mtodos para resolver los coeficientes desconocidos de una superficie de respuesta aproximada y los mtodos para evaluar la exactitud de la aproximacin a la superficie de respuesta resultante.

El Diseo de Experimentos Estadstico es una parte integral de la Metodologa de Superficie de Respuesta y hace posible que el diseador construya aproximaciones de superficie de respuesta ms eficientemente buscando un conjunto pequeo de puntos ptimos en los cuales se evala la funcin de respuesta. Este conjunto de datos es elegido para maximizar la exactitud, minimizando la varianza o el sesgo del error asociado con la superficie de respuesta aproximada resultante.

Una de las caractersticas ms atractivas de usar superficies de respuesta aproximadas en optimizacin es que debido al procedimiento de mnimos cuadrados y el uso de funciones polinomiales como aproximaciones de la superficie de respuesta, la funcin de respuesta estimada resultante es una funcin plana. Tener una funcin de respuesta plana es importante debido a que la mayora de los algoritmos de optimizacin tienen problemas tratando con funciones de respuesta no planas, porque el algoritmo de optimizacin fcilmente converge en un mnimo local. En el caso de experimentos numricos, el comportamiento funcional no plano es un resultado del ruido, el cual crea un mnimo local falso que fcilmente entrampa al algoritmo de optimizacin y hace difcil encontrar los mejores diseos (Giunta et al. 1994).

Los estudios de superficie de respuesta juegan un rol importante en los problemas de optimizacin aplicados en la investigacin biolgica y farmacutica. Una bsqueda en el MEDLINE, un servicio de U.S National Library of Medicine y el National Institutes of Health, referencia bancos de datos que proporcionan centenares de artculos que

involucran optimizacin de superficie de respuesta en diversas reas tales como ciencia agrcola, anestesiologa, biotecnologa, cardiologa, ciencia de la lechera, ciencia ambiental, ecologa, alimentos, biologa marina, microbiologa, neurociencias, nutricin, farmacutica, sicologa, toxicologa, ciencia del agua, entre otras (Venter, 1998).

As mismo, la Metodologa de Superficie ha sido aplicada en industrias como la electrnica y semiconductores, qumica, aeroespacial, automotrices y, en general, cualquiera que involucre un proceso industrial. El mejoramiento de la productividad y la calidad son ms efectivos si en la etapa del desarrollo de nuevos productos y en la

optimizacin del proceso de manufactura se introduce la metodologa del diseo de experimentos. La MSR es til para desarrollar, mejorar y optimizar procesos. Tiene un campo de aplicacin natural en el diseo, desarrollo y formulacin de nuevos productos, as como en la mejora de procesos, productos y procedimientos ya existentes. Permite encontrar condiciones ptimas para cumplir las especificaciones del proceso y producto. Muestra su capacidad para formular y disear productos, con especial nfasis en las mezclas. As mismo, es necesaria para obtener procesos y productos robustos, esto es, poco sensibles a cambios en el entorno.

La MSR consta de experimentos fsicos, los cuales son llevados a cabo con el fin de estudiar la relacin entre un conjunto de variables y la respuesta o salida del sistema, para lo cual, generalmente, se obtienen pocos valores. Esas relaciones son entonces explicadas usando un modelo matemtico llamado superficie de respuesta. Si los experimentos no son costosos, se pueden utilizar directamente mtodos desarrollados para el anlisis convencional de optimizacin; pero si son caros, el nmero de experimentos requeridos por el diseo, deben ser minimizados para reducir el costo total de la optimizacin.

Cuando se optimiza un proceso mediante un modelo, se trata de que describa el comportamiento lo ms apegado a la realidad, empleando las variables de entrada involucradas en el rendimiento del proceso, para establecer una aproximacin de la funcin objetivo, por medio de un polinomio de orden bajo en una pequea subregin del dominio. En este procedimiento de optimizacin, el modelo es con frecuencia un modelo de caja negra, donde la salida puede ser considerada como una funcin estocstica de los parmetros del modelo. Usualmente, se realiza un diseo de experimentos, con repeticiones en las condiciones actuales de operacin y por lo general los niveles de los factores se codifican en (1, +1). Para la estimacin de los parmetros del modelo podemos usar el Mtodo de Mnimos Cuadrados.

Esta metodologa tiene la particularidad de determinar la influencia e importancia de los parmetros estudiados y las interacciones entre estos, con un mnimo de ensayos. Esto ltimo contrasta con la metodologa clsica, que consiste en hacer variar cada factor

manteniendo los dems constantes, lo cual conduce, por una parte a un nmero considerable de corridas y por otra, a ignorar la interaccin que pueda existir entre los factores en estudio.

En la mayora de los casos la forma de la relacin entre la respuesta y las variables independientes se desconoce. Por ello, el primer paso en la MSR consiste en determinar una aproximacin apropiada a la relacin funcional real entre la respuesta y el conjunto de variables independientes, guiando al experimentador rpida y eficientemente a la cercana del punto ptimo, hasta finalmente localizarlo (Montgomery, 1991). Para identificar y ajustar una superficie de respuesta adecuada, a partir de datos experimentales, se requiere algn conocimiento del diseo estadstico de experimentos, de las tcnicas de regresin y de los mtodos elementales de optimizacin. Myers y Montgomery (1995), mencionan tres fases en la construccin de un modelo de superficie de respuesta:

En la fase cero, se generan algunas ideas en relacin a los factores o variables que probablemente son importantes en el estudio de superficie de respuesta. Esto generalmente permite disear un experimento con la finalidad de eliminar los factores que no son importantes. Este tipo de experimento es usualmente llamado un experimento de cernido (screening experiment);

En la primera fase, el experimentador trata de determinar si los niveles actuales de las variables independientes producen un valor en la respuesta, cercano al ptimo. En esta fase, la metodologa hace uso de un modelo de primer orden y de la tcnica de optimizacin llamada el Mtodo de Mxima Pendiente Ascendente.

La segunda fase del estudio inicia cuando el proceso est cerca del ptimo. En este punto, se desea un modelo que con precisin se aproxime a la funcin de respuesta verdadera dentro de una regin relativamente pequea alrededor del ptimo. Debido a que la superficie de respuesta real,

usualmente exhibe curvatura cercano al ptimo, se usa comnmente un modelo de segundo orden o mayor. En esta fase el modelo de superficie de respuesta debe ser capaz de generar respuestas e informacin del gradiente de respuesta, para reducir las corridas necesarias durante la optimizacin.