Planejamento e Otimização de

Experimentos

Metodologia de Superfície de Resposta

Prof. Dr. Anselmo E de Oliveira

anselmo.quimica.ufg.br
anselmo.disciplinas@gmail.com
Visão geral

matemáticas modelar
técnicas resposta
estatísticas analisar

muitas variáveis
Objetivo
 otimizar a resposta

superfície de resposta

resposta esperada
Resposta esperada
Resposta esperada
Resposta esperada
Modelos
 Resposta modelada de modo adequado
por uma função linear das variáveis
independentes
modelo de 1ª ordem

 Se há uma curvatura no sistema:

polinômio de grau maior

modelo de 2ª ordem
Modelos

mínimos quadrados

parâmetros do polinômio

análise da superfície de resposta

Modelos
 os modelos dos parâmetros podem ser
estimados de modo mais efetivo se
planejamentos experimentais adequados
são utilizados

planejamentos de superfície de resposta

Planejamento de superfície de
resposta
 natureza sequencial

condições de operação

caminho

condição ótima
Natureza sequencial da RSM

 Procedimento sequencial

 O objetivo é conduzir, de
modo rápido e eficiente,
ao caminho em ascensão
em direção à vizinhança
do ótimo

 Modelo de 1a ordem

 Modelo de 2a ordem

 Subir o morro
Exemplo
Como encontrar as condições ótimas para
o tempo, t, e a temperatura, T, que
resultam em um maior rendimento para
um processo?
 Condições iniciais:
t = 75 min
T = 130 oC
s = 1,5
 Planejamento de 1ª ordem
t = 70 e 80 min
T = 127,5 e 132,5 oC
Planejamento fatorial 22 com
três pontos centrais

experimento t /min T /oC y /g variáveis codificadas, x1 e x2

1 70 127,5 54,3
2 80 127,5 60,3
3 70 132,5 64,6
4 80 132,5 68,0
5 75 130 60,3
6 75 130 64,3
7 75 130 62,3

ordem: 5,4,2,6,1,7,3
Planejamento fatorial 22 com
três pontos centrais
 Modelo

 Ajuste dos mínimos quadrados

 Inclusão do erro a partir de 

𝒃𝟏𝟐(𝝈)

como 𝑏12 < 𝜎 ⇒ 𝑏12 ≈ 0. Ou seja, o modelo planar supõe que os efeitos
das variáveis são aditivos
Planejamento fatorial 22 com
três pontos centrais
Os efeitos calculados nessa regressão
correspondem ao dobro dos valores dos
coeficientes
 t = 4,7
 T = 9,0
 t x T = -1,3
Verificação da curvatura
 Estimativa da curvatura da superfície, Ec
𝐸𝑐 = 𝑦𝑓 − 𝑦𝑝𝑐

média dos pontos média dos

do fatorial 22 pontos centrais
experimento t /min T /o C y /g
1 70 127,5 54,3
2 80 127,5 60,3
3 70 132,5 64,6
4 80 132,5 68,0
5 75 130 60,3
6 75 130 64,3 𝑦𝑝𝑐 = 62,30
7 75 130 62,3
Verificação da curvatura
 Com  = 1,5
𝜎 2 𝜎 2
𝑉 𝐸𝑐 = 𝑉 𝑦𝑓 − 𝑦𝑝𝑐 = 𝑉 𝑦𝑓 + 𝑉 𝑦𝑝𝑐 = +
𝑁𝑓 𝑁𝑝𝑐
2 2
1,5 1,5
= +
4 3
𝑉 𝐸𝑐 = 1,31 → 𝑠𝑐 = 1,15
 Logo,

não há motivo para questionar

a adequação do modelo planar
Estimativa do erro experimental
 considerando as replicatas no ponto central
 sc = 2,0 com uc = 2
  = 1,5 (série histórica)

 Equação ajustada do modelo

Estimado x Observador
Resíduos
Superfície de resposta
 Octave
 Gráficos 3D

> x1=-1:0.1:1;
> x2=x1;
> [X1,X2]=meshgrid(x1,x2);
> y=62.01+2.35.*X1+4.5.*X2;
plot3

> plot3(x1,x2,y)
mesh

> mesh(x1,x2,y)
meshc

> meshc(x1,x2,y)
meshz

> meshz(x1,x2,y)
surf

> surf(x1,x2,y)
surf

> shading interp

surfc

> surfc(x1,x2,y)
contour

> contour(x1,x2,y)
surface

> surface(x1,x2,y)
Representação Gráfica: 4D
Impressão
> help print

> title(“Modelo Linear”)

> xlabel(“x1”)
> ylabel(“x2”)
> zlabel(“y”)

> print –color –djpg linear_mesh.jpg > print –deps linear_mesh.eps

 Caminho em ascensão

perpendicular
às linhas
de contorno
Caminho em ascensão

caminho em ascensão

x2

região da superfície
de 1ª ordem ajustada

x1
 Caminho em ascensão
 Nas unidades do planejamento

Ou seja, 1,91 unidades de x2 para cada 1,0 unidade de x1

x1 x2 t T experimento yobs
centro 0 0 75 130 5,6,7 62,3
1 1,91 80 134,8 8 73,3
caminho 2 3,83 85 139,6
em ascensão 3 5,74 90 144,4 10 86,8
4 7,66 95 149,1
5 9,57 100 153,9 9 58,2
Caminhar na superfície

Antes de caminhar na superfície de

um modelo de 1ª ordem deve-se
 obter uma estimativa do erro
 verificar as interações
 verificar a curvatura
2º planejamento
 Melhor condição: experimento 10
Logo, planejamento fatorial 22 próximo ao
experimento 10, com dois pontos centrais
t = 90 min
T = 145 oC

 Variáveis codificadas
2º planejamento

x1 x2 t T experimento yobs
-1 -1 80 140 11 78,8 22
1 -1 100 140 12 84,5
-1 1 80 150 13 91,2
1 1 100 150 14 77,4
0 0 90 145 15 89,7 pontos
0 0 90 145 16 86,8 centrais
Modelo de 1ª ordem

o intervalo de confiança
não inclui o zero  b12  0

t x T = -9,76 >>  = 1,5 modelo aditivo não se aplica

Análise da curvatura

Ec  0

Logo, o modelo de 1ª ordem é inadequado para representar

a função resposta local
Estimativa do erro
 Pontos centrais: sc = 2,05 com u2 = 1
 Estimativa conjunta dos dois planejamentos

estimativa inicial com base

na série histórica era de 1,5
Modelo de 2ª ordem

06 Parâmetros: b0, b1, b2, b11, b22 e b12

05 Níveis: --, -+, +-, ++, 00

Como o número de parâmetros é maior que o número de

níveis, é necessário ampliar o planejamento

Planejamento Estrela
Planejamento estrela

l
Planejamento estrela
 O modelo inicial é melhorado com um
planejamento estrela
20
 04 pontos axiais
13 14
 02 pontos centrais

15,16
17 18
21,22

11 12

19
Planejamento estrela

x1 x2 t T experimento yobs
-2 0 76 145 17 83,3
2 0 104 145 18 81,2
0 -2 90 138 19 81,2
0 2 90 152 20 79,5
0 0 90 145 21 87,0
0 0 90 145 22 86,0

Construindo a matriz de planejamento com os experimentos 11 a 22,

a equação resultante para o modelo ajustado é
Estimativa do erro
 erro dos coeficientes

 b0 = 0,75
 b1, b2, b11, b22 e b12 = 0,53

 Pontos centrais: sc = 0,5 com uc = 1

 Estimativa conjunta
s = 1,78 com u =4
Modelo
 Como b2 = 0,36  0,53 , significa que b2 pode
ser aproximado ao ruído. Desse modo, a
equação resultante é
mesh
surf
surf
surfc
contour

79,5

91,2
77,4 1º planejamento:
T e  t  y

81,2
2º planejamento:
x2 83,3 T e  t  y
87,4

78,8
84,5

81,2

x1
Análise de superfície de resposta
de 2ª ordem
 Quando o experimento está próximo do
ótimo e é descrito por uma função de 2ª
ordem

Como localizar os pontos estacionários?

Localização dos pontos
estacionários
 Ponto estacionário
Seja ∅ 𝑋 uma função diferenciável e contínua
para 𝑋 ∈ 𝐷, uma região em Rn

 Definição
Um ponto 𝑋0 ∈ 𝐷 é um ponto estacionário para
∅ 𝑋 se 𝛻∅ 𝑋0 = 0.
Isso é, se
𝜕∅ 𝜕∅
𝑋0 = 𝑥0,1 , 𝑥0,2 , … , 𝑥0,𝑛 = 0, 𝑘 = 1,2, … , 𝑛
𝜕𝑥𝑘 𝜕𝑥𝑘
Localização dos pontos
estacionários

coordenadas do ponto estacionário

 Ponto estacionário
 resposta máxima
superfície de resposta
 resposta mínima
 ponto de cela
Ponto estacionário para o
exemplo de 2ª ordem
Modelo

Máximo fora
da região do
planejamento
Superfície de resposta

x2
x1
Superfície de resposta

89,307

ponto
estacionário

x2

x1
Localização dos pontos
estacionários
 Modelo
y = 87,375 − 1,38𝑥1 − 5,14𝑥12 − 2𝑥22 − 2𝑥1 𝑥2
 Gradientes
𝜕𝑦
= −1,38 − 10,28𝑥1 − 2𝑥2 = 0
𝜕𝑥1
𝜕𝑦
= −4𝑥2 − 2𝑥1 = 0
𝜕𝑥2
 raízes
𝑥1 = 0,074
𝑥2 = −0,149
𝑦 = 87,478
Localização dos pontos
estacionários

𝒙𝟏
𝒙𝟐
Localização dos pontos
estacionários
> x1=-1:.05:1;
> x2=x1;
> [X1,X2]=meshgrid(x1,x2);
> y=87.375-1.38.*X1-5.14.*X1.*X1-2.*X2.*X2-2.*X1.*X2;
> surf(X1,X2,y)

> contour(X1,X2,y)
> hold on
> X1=-1.38/18.56*2
> X2=1.38/18.56
> plot(X1,X2)
Localização dos pontos
estacionários
𝐲

87,023
𝒙𝟐

𝒙𝟏
Diferentes superfícies
máximo
Diferentes superfícies

ponto de cela
Diferentes superfícies

mínimo
Diferentes superfícies

máximos
Diferentes superfícies
Multiple Response Optimization
 Desirability Objective Function
 It is one of the most widely used methods in
industry for the optimization of multiple
response processes
 For each response 𝑦𝑖 𝑥 , a desirability function
𝑑𝑖 𝑦𝑖 assigns numbers between 0 and 1 to the
possible values of 𝑦𝑖
 𝑑𝑖 𝑦𝑖 = 0 represents a completely undesirable value of
𝑦𝑖
 𝑑𝑖 𝑦𝑖 = 1 represents a completely desirable or ideal
response value
Multiple Response Optimization
 The individual desirabilities are then combined
using the geometric mean, which gives the
overall desirability
1
𝑛 𝑛
𝐷= 𝑑𝑖 𝑦𝑖
𝑖=1
with n denoting the number of responses
 It determines the best combination of responses
Multiple Response Optimization
 The desirability approach consists of the
following steps
 Conduct experiments and fit response models for all n
responses
 Define individual desirability functions for each
response
 Maximize the overall desirability D with respect to the
controllable factors
Planejamentos experimentais para
ajustar superfícies de respostas
 Modelos de 1ª ordem ortogonais
 Simplex (simplex design) p/ k variáveis
𝒌

𝒚 = 𝒃𝟎 + 𝒃𝒊 𝒙𝒊 + 𝒆
𝒊=𝟏

k=2 k=3
Modelos de 2ª ordem
 planejamentos com pontos centrais
(PPC), ou central composite design
 Fatorial 2k (ou fracionário de resolução V)
 nf experimentos
 2k experimentos axiais ou estrela
 nc pontos centrais

k=2 k=3
Modelos de 2ª ordem
 rotabilidade: modelo deve girar
 𝑽 𝒚 𝐗 é a mesma em todos os pontos, X, que
estão à uma mesma distância do centro do
planejamento

 𝜶 = 𝟒 𝒏𝒇 , onde nf é o número de pontos

usados na porção fatorial do planejamento
Modelos de 2ª ordem

circunscrito nf = 4  𝛼 = 2 ≅ 1,4

face centrada

inscrito
Modelos de 2ª ordem
Modelos de 2ª ordem

 Planejamento Box-Behnken
 esfera de raio 2
 não contém pontos nos vértices
 pode ser vantajoso em termos de custo e em
regiões proibitivas
Modelos de 2ª ordem
 Planejamento Box-
Behnken é o mais
usado para
planejamentos
fatoriais em três
níveis, sendo possível
para mais do que três
variáveis
independentes.
• 12 pontos nos centros das arestas
• 3 pontos centrais
Modelos de 2ª ordem
X1 X2 X3
 Ensaios -1 -1 0
1 -1 0
-1 1 0
1 1 0
-1 0 -1
1 0 -1
-1 0 1
1 0 1
0 -1 -1
0 -1 1
0 1 -1
0 1 1
0 0 0
0 0 0
0 0 0
Modelos de 2ª ordem
 Cuboidal
 Planejamento com pontos centrais de face
centrada
Modelos de 2ª ordem
 Equiradiais x2
hexágono

x1
Modelos de 2ª ordem
x2
pentágono

x1
Planejamento Simplex
 Simplex simples
 3 vértices x2

x1
Planejamento Simplex
 Simplex simples
 3 vértices pior

próximo melhor

reflexão
Planejamento Simplex
Planejamento Simplex
Planejamento Simplex
 4 vértices
x2

x1

x3
Simplex Modificado
começo

reflexão

reflexão e expansão

contração
contração múltipla
Simplex Modificado

contração múltipla
começo contração

reflexão

expansão
Simplex Modificado
Simplex na superfície