Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3-RSM Mezclas 2016 PDF
3-RSM Mezclas 2016 PDF
OPTIMIZACIÓN DE SISTEMAS
CON MÚLTIPLES RESPUESTAS
Construir un
MODELO
x x
y f (x1, x2 ) 1 2
niveles
Datos experimentales
OPTIMIZAR
DISEÑO DE
EXPERIMENTOS
Metodología de la superficie de
respuesta (MSR)
Representación Gráfica del Modelo
y f (x1, x2 )
Encontrar el
ÓPTIMO
Gráficos de la MSR
Respuesta en el
Producción de almendras
espacio
tridimensional
para la
producción de
almendras en
función de los
fertilizantes
utilizados
Gráficos de la MSR
Cada línea de
Producción de almendras
contorno está
formada por
todas las
combinaciones
de los factores
que producen
una misma
respuesta
Gráficos de la MSR
Gráfica de Contorno
Design-Expert® Software
Rendimiento
Rendimiento 48.00
Design Points
55.1
44.3
20.6
X1 = A: Temperatura 42.00
X2 = B: Tiempo 56.1
B: Tiempo
36.00
54.6
30.00
50.2
38.4 44.3
32.5
26.6
24.00
20.00 27.50 35.00 42.50 50.00
A: Temperatura
Gráficos de la MSR
Superficie de Respuesta
Óptimo de la Respuesta
Gráfica de contornos
Líneas de Isorespuesta
Niveles óptimos
de las variables
Buscando las mejores condiciones…
Experimentos exploratorios
Selección de factores
Rendimiento
28 24 32.0
32 24 36.3
36 24 39.2
40 24 42.0 Valor óptimo de
44 24 42.9 temperatura
48 24 43.8
52 24 42.5
56 24 41.2
Rendimiento
48 24 43.8
48 28 47.8
48 32 50.6
48 36 50.8
48 40 49.2
Valor óptimo de
48 44 45.6 tiempo
Condiciones óptimas
de tiempo a 48ºC
Tiempo (horas)
Tpo= 36 hs R= 50.8 g/L
Sección transversal de la
16 experimentos sucesivos: varios días de trabajo superficie de respuesta
(se pueden hacer en simultáneo en bloques)
Grafica de superficie
Variaciones simultáneas de de respuesta
tiempo y temperatura
T (°C) Tpo (Hs) R (g/L)
Rendimiento
20 24 20.6
20 36 44.9
20 48 51.0
35 24 39.9
35 36 54.9
35 48 52.1
50 24 43.0
50 36 49.1
Valor óptimo de
50 48 37.0 tiempo y temperatura
Predicción del óptimo por modelado: 9 experimentos
T= 34°, Tiempo= 40 hs Rendimiento = 56.2 g/L menor trabajo
oftware
Grafica de contorno
48.00
Rendimiento
Area NA
máximo
44.3
2.17
Tiempo (horas)
ura 42.00
56.1
B: Tiempo
36.00
54.6
30.00
50.2
1.18
38.4 44.3
32.5
26.6
24.00
mínimo
20.00 27.50 35.00 42.50 50.00
Temperatura (ºC)
A: Temperatura
MSR y optimización
Una misma RESPUESTA puede depender de más de dos factores
y f ( x1,....,xk )
X 1 constante X 2 constante X 3 constante
X3 X3 X2
X2 X1 X1
¿Cuál es el óptimo?
Técnicas de optimización
El comportamiento óptimo de un SISTEMA puede depender de más
de una RESPUESTA.
® Softw are
2.00
Area PIR
Design-Expert® Softw are
1400.00
Design-Expert® Softw are Area SUL
2.00
Area CBZ Area SUL
160.09
229016 Points
Design 15.53
187103
513107 15.847
516246
205584
333539
1.55 153080 10.965
467223
1250.00 30.94
190356 1.55
estra 120.74
213831 X1 = B: Stirring rate
sal X2 = C: adición sal
X1 = A: pH muestra 9.732
418200
X2 = B: Stirring rate Actual Factor
= 1116.22 89.61 A: pH muestra = 7.00
1.09
198646 45.89
193610
Actual Factor 1100.00 1.09
59.75
183461
60.20
196863
0.63 950.00 0.63
5.396
320153
30.84
168276 80.61
200116
0.18 0.18
800.00
2.00 3.25 4.50 5.75 7.00
Respuesta 1 1.00
Respuesta 2
2.75 4.50 6.25 8.00 900.00
Respuesta 3
1000.00 1100.00 1200.00 1300.0
Ajuste de un Modelo
22 y 0 1x1 2 x2 12x12
INTERACCION 0.77
Regresión 1565 3 521.5 13.5 0.002 significativa
Error Residual 309.1 8 38.6
FAj 284.3 5 56.87 6.8 0.070 en el límite
CUADRATICO 0.95
Regresión 1826 5 365.2 46.0 <0.001 significativa
Error Residual 47.9 6 7.9
FAj 22.8 3 761 0.91 0.526 no significativa
Elegir Modelo: mayor F0 de regresión
Error Puro 24.8 3 8.2 menor F0 de Falta Ajuste
mayor R2aj
Evaluación del los Coeficientes
Modelo Cuadrático Completo
y = 56.9 + 3.8 x1
+ 14.8 x2
- 6.2 x 1 x2 ¿Todos los términos son significativos?
- 9.2 (x1)2 ¿Todos son importantes?
- 0.2 (x2)2 ¿Todos aportan información?
Manual
Eliminación Backward
Adición Forward
Modelo Reducido Modelo Depurado
Categoría de MODELOS
CATEGORÍA DE LOS los Modelos
Un Modelo es Jerárquico cuando contiene todos los términos más simples que
componen los términos de mayor orden que están en el modelo. Los modelos
jerárquicos tienen un comportamiento más estable que los no jerárquicos.
Modelos matemáticos para la MSR
MODELO LINEAL o de PRIMER ORDEN
Design-Expert® Software
T (A)
1.51
0.77
X1 = B: pH
X2 = C: Temp
1.220
Actual Factors
A: Apareante = 15.00
D: Acetato = 60.00
Para dos factores este 1.188
Respuesta
1.155
1.123
1.090
k
y 0 i x i 40.00
36.25 3.750
4.000
i 0 32.50
28.75 3.250
3.500
X1 X2
25.00 3.000
R (A)
13.232
0.985
X1 = A: Apareante
X2 = D: Acetato
25.00
MODELO LINEAL CON INTERACCIÓN
Actual Factors
B: pH = 3.500
C: Temp = 32.50
18.75
Respuesta
12.50
6.250
Para dos factores este
modelo tiene 4 términos 0.0000
150.0 30.00
117.5 25.50
85.00 21.00
52.50 16.50
X1 X2
20.00 12.00
2.09
X1 = A: % Manitol
X2 = B: %Camphor 5.7
4.775
3.85
Dureza
Para dos factores este 2.925
0.00
A: % Manitol
1.00
0.50 -0.50
0.00
-0.50
-1.00 -1.00
B: %Camphor
k k
y 0 i x i ii xi 2 ij xi x j
i 0 i 1 i j
1.33
67
X1 = A: A
X2 = B: B
48.25
Actual Factor
C: C = 0.00
Para dos factores este 29.5
R3
modelo tiene 10 términos 10.75
-8
1.00 1.00
0.50 0.50
0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00
8 Verificar experimentalmente
Confirmar el valor de la respuesta utilizando los niveles óptimos de los
factores
Región de operabilidad y entorno
experimental
Región de Operabilidad
Condiciones en donde el
proceso o equipo puede ser
operado
X1
Entorno Experimental
X3
Limitado por los niveles
X2 seleccionados para los factores
Modelo probable
Experimentar Experimentar
Técnica de
ESCALAMIENTO ASCENDENTE
(o descendente)
factor 2
Diseño SIMPLEX
factor 1 factor 1
factor 2
factor 2
factor 1
factor 1
Diseño SIMPLEX en escalamiento
ascendente
Diseño SIMPLEX
Paso 1
Simplex Inicial: experimentos 1, 2 y 3
La peor respuesta es la del experimento 3 Buscar un opuesto
DISEÑO SIMPLEX en ESCALAMIENTO ASCENDENTE
Método de Escalamiento Ascendente sin ajustar
Modelo
Paso 2
Segundo Simplex : experimentos 1, 2 y 4
La peor respuesta es la del experimento 2 Buscar un opuesto
Paso 3
Tercer Simplex : experimentos 1, 4 y 5
La peor respuesta es la del experimento 1 Buscar un opuesto
Paso 4
Cuarto Simplex : experimentos 4, 5 y 6
Las peores respuestas son las 4 y 5 Buscar opuestos
Paso 5
Quinto Simplex : experimentos 5, 6 y 7
La mejor respuesta es la 6
Sexto Simplex : experimentos 4, 6 y 8
Seleccionar un Entorno Experimental para un
Diseño de Segundo Orden que permita
localizar el Óptimo
Método de la máxima pendiente
Se recorre
secuencialmente una
trayectoria en sentido
ascenso de su máxima
pendiente, es decir,
del mayor incremento
o decremento de la
descenso respuesta
54.04
Paso 2 Elaborar un Diseño
0.5000 55.58
2k (-1, +1)
o Punto Central
Factor 2
0.0000
j (xi = xj =…..xk = 0)
coincidente con el
Punto de Origen
-0. 5000
o Réplicas en el Punto Central
-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
i
Paso 3 Ajustar un modelo lineal, obtener la Superficie de Respuesta
Factor 1
y evaluar curvatura
55.58
x j 1
x j 1 Paso 5 Calcular el
incremento para las
otras variables
j ˆi
ˆi xi
xi ˆ j x j
i ˆ j
i 1,2,....k; i j
ˆ ˆ ˆ ˆ
yˆ 0 i xi j x j ... ...k xk
-0.5000 0.0000 0.5000 1.000
ˆi
xi
MáximaFactor
Pendiente
1 en el plano i x j ˆ j
Paso 6 Convertir cada incremento a valores naturales para obtener un
punto experimental en el sentido de la máxima pendiente.
Respuesta
1.000
54.04
ˆi
Pendiente
ˆ j
0.5000 55.58
Factor 2
0.0000
Paso 7 Continuar
experimentando en esta
dirección hasta no
-0. 5000
observar más incrementos
-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
Paso 8 Crear un nuevo Diseño 2k con replicas en el punto central que
debe coincidir con el último punto experimental de mejor respuesta.
Respuesta
1.000
Paso 9 Construir un
54.04
nuevo modelo de primer
55.58
0.5000
orden y evaluar curvatura
Factor 2
-1. 000
Repetir Paso 8 y Paso 9 hasta
-1. 000 -0. 5000 0.0000 0.5000 1.000 encontrar curvatura
significativa, o la respuesta
Región del ÓPTIMO
Factor 1 localizada óptima
DISEÑO FACTORIAL en MÉTODO DE MÁXIMA PENDIENTE
ˆi
Trayectoria de Máximo Ascenso Pendiente
o Pasa por el punto 40.44 ˆ j
o Tiene una Pendiente =0.325/0.775
Selección de un incremento base para una de las variables
x1 1 5min
Selección del incremento de la otra variable en función de la máxima
pendiente en ascenso
x2 (0.325/ 0.775)x1 0.42 2º C
Experimentos con pendiente en ascenso
Incrementos Variables Naturales Variables codificadas Respuesta
min ºC x1 X2 Rendimiento (%)
Origen 35 155 0 0 40.5
O+Δ 40 157 1.00 0.42 49.5
O+2Δ 45 159 2.00 0.84 59.8
O+3Δ 50 161 3.00 1.26 70.4
O+4Δ 55 163 4.00 1.68 80.9
O+5Δ 60 165 5.00 2.10 75.1
Se crea un nuevo diseño alrededor del punto (55, 163)
Modelo Cuadrático
Pruebas de Adecuación del Modelo Cuadrático
Modelo Significativo Proximidad del óptimo
Falta de Ajuste No Significativa
Interacción No Significativa Seleccionar entorno experimental
Curvatura Significativa para diseño de segundo orden
Diseños de
segundo orden
Diseños experimentales de
segundo orden
1 Proporcionar una distribución razonable de puntos de
datos en el Entorno Experimental
N min= 1 + 2k + k (k-1)/2
k=3
X1
X2
X3
X1x2 x1x3 x2x3
X1x2x3
X12 X22 X32
N = N min + Co
Ortogonalidad
A B AxB
1 1 1 A con B:
-1 1 -1
[1x1]+[(-1)x1]+[1x(-1)]+(-1)x(-1) = 0
1 -1 -1
-1 -1 1
0.437
0.437
8 Permitir la creación secuencial a partir de diseños de
primer orden
2k 3k
3k D-Optimal
Diseños
simétricos
Diseño Factorial Completo a 3 niveles
• Se investigan todas las posibles combinaciones de los niveles de los
factores
• Número de experimentos (N= 3k )
• El número de experimentos crece rápidamente con el número de
factores
Punto central
•Compuesto por:
Diseño cúbico, que responde al diseño factorial completo 2k
Punto central
Diseño estrella, a una distancia del centro.
• Número de experimentos
(N = 2k +2k + C0)
curvatura
α = 1.0 Se transforma en un
diseño de tres niveles
El entorno experimental es
más acotado
k Valor de alfa
2 1.414 1.414 1.189
3 1.732 1.682 1.316
4 2.000 2.000 1.414
5 2.236 2.378 1.495
Diseño Box-Behnken
Tres factores
-1.0
BB CC FC BB CC FC
2 6 - 9 9 - 0.67 0.67
3 10 13 15 27 0.77 0.67 0.37
4 15 25 25 81 0.60 0.60 0.18
5 21 41 43 243 0.51 0.49 0.08
6 28 49 77 729 0.57 0.36 0.04
7 36 57 143 2187 0.63 0.25 0.02
más eficiente
Diseños
‘optimal’
Diseños óptimos
Son Diseños NO Simétricos, logrados mediante
algoritmos computacionales cuyo fin es
satisfacer condiciones establecidas por el
operador, tales como:
Cantidad de puntos experimentales
Tipo de modelo a ajustar
Rangos de las variables
Regiones no posibles de ensayo
Diseños óptimos
1 Región Experimental Irregular.
2 Falta de Ajuste de Modelo Cuadrático.
3 Necesidad de reducir la cantidad de puntos
experimentales.
Se pierde Rotabilidad
Diseño D-optimal con restricciones
40.0
Se seleccionan puntos
Región experimentales con una
favorable Distribución óptima desde el
punto de vista estadístico.
Selección de puntos experimentales en
dominio asimétrico
Puntos Seleccionados
Determinante de
XTX máximo
Buena estimación de
coeficientes y error de
predicción más o menos
estable.
Error estándar en un diseño central
compuesto
Error estándar en un diseño central
compuesto al que se quitaron dos puntos
por no poder operarse en esa región
Error estándar en un diseño central
D-optimal con restricciones para evitar
esos dos puntos
ANEXO: Creando un D-Optimal con restricciones
Localización del
óptimo
Diseños Experimentales de Segundo Orden
para PREDECIR
Punto Silla
Paso 1 Ajustar un Modelo de Segundo Orden con niveles
codificados
k k
y 0 i x i ii xi ij xi x j
2
i 0 i 1 i j
ŷ
b 2Bx 0
x
de donde puede calcularse el punto estacionario:
1 -1
x0 - B b ¿Qué tipo de punto estacionario es?
2
La respuesta predicha para el punto estacionario estará dada por:
ˆ 1
ŷ0 o xob ¿Es el óptimo que buscamos?
2
Análisis canónico
i Autovalores de la matriz B
w2
x2 w1
Cordillera de la
Superficie
Punto estacionario
x1
Entorno Experimental
Formas clásicas
Punto Estacionario DENTRO del Entorno Experimental
i
Positivo para todas las i: Punto MÍNIMO VALLE
Otras formas
Punto Estacionario FUERA del Entorno Experimental
i
Positivo para todas las i: CRESTA DESCENDENTE
20.6
56
X1 = A: A
X2 = B: B
-0.38
42
28
48.6
R1
B: B
-0.75
14
0
42
-1.13
0.00 2.00
28.8 35.4
-0.38 1.38 28.8
22.2
-0.75 0.75
-1.50
-1.13 0.13
B: B A: A -0.50 0.13 0.75 1.38 2.00
-1.50 -0.50
B: B
R1
0.00
2.5
0 8.48
-0.75
6.97
Objetivo: MAXIMIZAR
la Respuesta
Punto Estacionario
Objetivo: MAXIMIZAR
la Respuesta
Punto Óptimo
en el Entorno
Experimental
Vyˆ L x Vexp
De una manera similar a cuando se obtiene la varianza en la
predicción en una curva de calibrado univariado
IC yˆ t(0.05) x S yˆ
Error de predicción
Leverage: función del diseño y del modelo ajustado
ert® Software Leverage vs. Run Design-Expert® Software Leverage vs. Run
R1
1.00
1.00
by value of
Color points by value of
R1:
795.8
0.75 1 0.75
puntos axiales
Leverage
Leverage
0.50 0.50
0.25 0.25
puntos centrales
0.00
Design-Expert® Software
StdErr of Design
DCC 0.00
1 3 5 7 9 11 13 15 17
1 3 5 7 9 11 13 15 17
1.5
Modelo Lineal
Run Number
0.5
X1 = A: A
1.000 Modelo Cuadrático
R un N um ber
X2 = B: B
0.750
StdErr of Design
Actual Factor
C: C = 0.00
0.500
0.250
0.000
1.00
1.00
0.50 0.50
0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00
Diseños
De mezclas
En los casos estudiados hasta
ahora (deseños experimentales
para variables independientes),
cada variable podía tomar
cualquier valor dentro de su
rango, independientemente del
valor tomado or las otras
variables.
Euna mezcla tenemos la restricción
de que la suma de todos los
componentes sea 1 (o 100%). Es
decir no pueden ser variados
independientemente, ya que al
hacerlo se puede pasar el porcentaje
de 100. 1
S=1 S=2
S=1
0 S=0 S=1
0 1
Como consecuancia, no es
posible aplicar a los
problemas de mezclas los
diseños vistos.
¿Cuando es necesario realizar diseños de mezclas?
0 x1
1
0.5
0.33
0
• Cuatro componentes (4)
• Espacio experimental:
pirámide (cada vértice
corresponde a un
componente)
•Dimensionalidad: 3
Modelo clásico para un sistema lineal de 2
componentes:
y = b0 + b1 x1 + b2 x2
=
y = X b + e = ypred + e
(XTX)-1XT y = (XTX)-1XTX b
b = (XTX)-1XT y b = [b0 ; b1 ; b2 ]
ypred = X (XTX)-1XT y ypred = H y
(H es conocida como matriz “hat” por sombrero)
Xb = X(XTX)-1XT y
ypred = b1* x1 + b2 * x2
Si x1 = 1, x2 = 0, entonces y = b1*
Si x2 = 1, x1 = 0, entonces y = b2*
Modelo de Scheffé:
q q
y i xi ij xi x j ijk xi x j xk
i 1 i j k
Simplex Lattice
Simplex Centroid
D-Optimal
Ejemplo 1
Formulación del un comprimido
en que se busca la mejor mezcla de los tres
ligandos (90.8% del total):
alfa-lactosa monohidratada
(X1), beta-lactosa anhidra (X2) y almidón de arroz
modificado (X3).
Y1 = 39 (X2 = 0)
Y1 = 42 (X3 = 0)
Y1 = 38
Y1 = 113 (X3 = 100%)
(X2 = 100%) Y1 = 70 (X1 = 0)
Mayor
respuesta para
la combinación
de ambos
factores
Ejemplo 2
Formulación de un comprimido
en el cual hay 20% de droga y el resto
corresponde a una mezcla de 3
excipientes:
1- Lactosa
2- Avicel PH 101 (una celulosa microcristalina)
3- Hidroximetilpropilcelulosa (HMPC)
Ejemplo: es necesario
que los tres
componentes estén
siempre
A veces es necesario que nunca estén
en forma pura
¨Pseudocomponentes”
Pseudocomponentes
Ejemplo: Formulación de un
detergente midiendo dos
respuestas: viscosidad y turbidez
Restricciones:
• 3% ≤ A (agua) ≤ 8%
•2% ≤ B (alcohol) ≤ 4%
•2% ≤ C (urea) ≤ 4%
A+B+C=9%
Tutorial DExpert
Pseudocomponentes: diseño generado
Pseudocomponentes
Propiedades del diseño
Pseudocomponentes
Los vértices ya no son puros
Ejemplo usando efluentes industriales
para un medio de cultivo
Efluente de la
industria lechera
Efluente de la
Efluente de la
industria
industria
azucarera
cervecera
Optimization of the Bacillus thuringiensis var. kurstaki HD-1 d-endotoxins production by using experimental mixture design
and artificial neural networks. GA Moreira, GA Micheloud, AJ Beccaria, HC Goicoechea, Biochem. Eng. J., 2007, 35, 48-55.
Modelos mixtos: mezcla-proceso
Mezcla-Mezcla (mezclas cruzadas)
Modelo mixto
Lineal x Lineal
Cuadrático x Cuadrático
Modelo lineal mixto de mezclas cruzadas
para tres componentes
y = f (x) x g (z)
y = f1 x1 g1 z1 + f2 x2 g1 z1 + f3 x3 g1 z1 + f1 x1 g2 z2 + f2 x2 g2 z2 + f3
x3 g3 z3 + f1 x1 g3 z3 + f2 x2 g3 z3 + f3 x3 g3 z3
y b x z b x z b x z b x z b x z b x z
1
1 1 1
1
2 2 1
1
3 3 1
2
1 1 2
2
2 2 2
2
3 3 2
b x z b x z b x z
3
1 1 3
3
2 2 3
3
3 3 3
Ejemplo de uso en CE: optimización en la
separación de picos combinando dos variables de
proceso (pH y voltaje) y tres de mezclas (3
diferentes sales para los buffers)
Determinación de fluoroquinolonas por CE-DAD en
aguas
Enoxacina: ENO
Ciprofloxacina: CPF
Ofloxacina: OFN
Enrofloxacina: ENF
4
2
Se tiene como objetivo reducir tiempo de
análisis, pero asegurándose que no se toquen los
picos 2 y 4
Modelo mixto
Modelo mixto
Valor óptimo
(target): 2
Modelo mixto
Modelo mixto
Modelo mixto
Modelo mixto
Modelo mixto
Optimización de un medio de cultivo para la
producción de una proteína recombinante
C. Didier, M. Etcheverrigaray, R. Kratjie, H.C. Goicoechea, Chemom. Intell. Laborat. Syst. 86 (2007) 1
Modelo mixto
N sources C sources
Constrains
Modelo mixto
Optimización por
sectores
Modelo mixto
Response Modelo F p Adj. R2 p-LOF
IVC QxQ 6.46 < 0.0001 0.722 0.307
qprot QxQ 8.39 < 0.0001 0.781 0.013
BA QxQ 11.04 < 0.0001 0.832 0.052
qlact QxQ 5.46 < 0.0001 0.679 0.233
qamo QxQ 2.85 0.0055 0.500 0.005
Commercial product
of high price
Developed product of
low price
Conclusiones
La MSR es una técnica sumamente
versátil que permite la utilización de
diferentes diseños experimentales y
herramientas estadísticas para resolver
problemas de optimización de sistemas.