Планирование эксперимента в химической технологии
..pdfто с учетом уравнения (125) и обозначений (129), (130) коэффициен ты регрессии можно определить по формулам:
Ь0 = 4-[2%Пп + 2 )(О у)-2 К С ± |
(ijy)J; |
(131) |
|
|
|
|
(132) |
Ьи = 4 (С2К« + 2)Я4 - п] (Ну) + С2( 1 - ^ ) 2 |
т - 2 КС(0у)}; |
||
|
|
|
(133) |
|
ьч = ~ ш : Ш . |
|
оз4) |
Для плана, когда п = |
3, приведенные формулы имеют вид: |
|
|
Ь0= |
0,1663 (0у) — 0,05679 (Ну); |
(135) |
|
|
Ь{ = 0,07322 (iy); |
|
(136) |
Ьи = 0,0625 (Ну) -f- 0,06889 (Ну) — 0,05679 (0у), |
(137) |
||
|
bij = 0,125 (ijy). |
|
(138) |
Дисперсии для коэффициентов регрессии рассчитываются по формулам:
2АХ% (п + |
2) Sg |
|
4 |
N |
(139) |
|
||
S»i = |
N |
(140) |
|
||
2 _ А[(п+ 1)Х4- ( л |
- 1)] C2s| |
|
Sbu |
л/ |
(141) |
С%
sbn — N X , (142)
где So, как и ранее, дисперсия опыта.
Статистический анализ результатов расчета планов второго по рядка в принципе не отличается от рассмотренного выше ЦКОП. Однако преобразования рототабельного планирования видоизме нили некоторые формулы статистического анализа. Не вдаваясь в подробности расчетов, приведем формулы, по которым определя ется адекватность уравнения регрессии, полученного методом ЦКОП.
Сумма квадратов, связанная с дисперсией, характеризующей ошибку опыта, определяется результатами опытов в центре плана и подсчитывается так:
5 0 = % (you - уи)\ /о = м0- 1, |
(143) |
Я=1 |
|
где fo — число степеней свободы этой суммы, k = 1, 2, Дисперсия опыта получается делением суммы (143) на /„
„2 |
S0 |
_ |
S0 |
S o ~ |
fo |
~ |
N 0 - 1 • |
N0.
(144)
Остаточную сумму квадратов |
отклонений |
(уи — уи) вычисляют |
||||||||
так: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(п4~ 2) (п-f- 1) |
(145) |
||
= |
2 |
{Уи — |
У и ? , /ост |
= |
N |
2 |
||||
|
||||||||||
|
U = 1 |
|
|
|
|
|
|
|
||
или: |
|
|
|
|
|
л |
|
п |
|
|
|
|
|
|
|
|
|
(Ив) |
|||
50ст = {УУ) — 60 (0у) — 2 |
^ (iy) + 2 by (ijy). |
|||||||||
|
|
|
|
|
i=i |
|
‘</ |
|
||
Сумма квадратов 5 ад, |
характеризующая |
адекватность |
модели, |
|||||||
определяется как |
разность |
|
|
|
|
|
|
|||
5 ад |
= |
*S0CT |
|
ПрИ |
/а д |
= /ост |
/о» ИЛИ |
|
||
|
|
УУ-----(п+ 2Нп + |
1) | _ (дги_ |
(Н7) |
||||||
/ад — |
|
|
|
|
|
|
||||
Тогда дисперсия, |
оценивающая |
адекватность модели |
|
|||||||
|
|
|
|
2 |
|
^ад |
|
|
||
|
|
|
|
•^ад = |
Т~~~ • |
|
|
|||
|
|
|
|
|
|
• ад |
|
|
||
Расчетное значение критерия Фишера формируют как отноше |
||||||||||
ние дисперсии адекватности |
к дисперсии опыта |
|
||||||||
|
|
р |
= |
_ ад/( ад |
|
_^ад_ |
|
(148) |
Р5 0//о
исравнивают с табличными f Tдля степеней свободы /ад и /0 по из вестным правилам.
Значимость коэффициентов определяют по критерию Стьюдента в соответствии с известной формулой (21). Если незначимым ока зался один из квадратичных эффектов, то после его исключения коэффициенты уравнения регрессии необходимо пересчитать заново.
Это связано с неортогональностью столбцов х\ матрицы планирова ния. Расчет и статистический анализ уравнения регрессии по пла ну ЦКРП проводится в соответствии с алгоритмом рис. 11. Рас шифровка алгоритма приведена в табл. 54.
На основании результатов расчета экспериментатор должен при нять решение по одному из признаков — нелинейная модель аде кватна или неадекватна. Рассмотрим пример построения и расчета центральных композиционных рототабельных планов.
Пример 2. [52, с. 125]. Исследовался процесс, характеризуе мый четырьмя факторами. Постановка планов первого порядка и
Таблица 54. Формулы расчета по композиционному рототабельному плану второго порядка
Блоки
1
2
Формулы расчета
У — fy) + 2 |
^iXi “t" 2 |
bijXiXj + |
||
|
/=1 |
|
£=1 |
|
|
|
|
т |
|
|
i=1 |
|
||
|
В = (Я"ГА')—1 |
АГТК; |
||
Ь0 |
А_ |
|
+ 2) ^ |
х оиУи |
—— 2^ |
|
|||
|
N |
п |
iV |
|
|
|
|
||
|
42А,4С ^ |
2 |
|
|
|
£*=1 |
и=1 |
|
|
|
bi —"уу” 2 |
» |
||
|
|
«=1 |
|
|
|
С2 |
Д |
|
|
b ij — ~тр\ |
2 |
х Шх}’иУи i |
||
|
NA,‘ |
и= 1 |
|
Обозначения
у — переменная состояния;
Х{ — фактор модели;
п — число факторов;
bibijbu —. коэффициенты регрессии.
5 — столбец коэффициентов уравнения регрессии;
X — корреляционная матрица (план эксперимента);
— транспонированная корреляционная матрица;
ь“ = т Iе2 [(n + 2)Х<- «iS *?«?«+
|
п |
N |
|
|
|
+ С2 (1 — Х „)2 |
у ; X2iuyu |
|
|
||
|
£=1 U= 1 |
|
у — столбец значений |
||
|
N |
л |
|
параметра оптимизации; |
|
|
|
|
|
||
|
— 2Ь4С 2 *сиУ|ф гДе |
|
|
||
|
и= 1 |
J |
|
|
|
С - |
N - . 4 - |
[(п + |
1 |
— л]’ |
|
* |
’ ~~ 2А,4 |
2) Х4 |
|
||
2 |
х1а |
|
|
N — общее число опытов (точек) |
|
|
|
|
|
в рототабельном плане. |
|
4 |
|
|
|
N0 — число параллельных опы |
|
и = 1 |
|
|
тов в центре плана; |
||
|
|
* |
SQ — дисперсия |
воспроизводи |
|
|
А£0- 1 |
мости (ошибка |
опыта); |
||
|
|
Блоки Формулы расчета Обозначения
|
, |
2АЩ (п + |
2) |
2 |
s2 |
<? |
,2 |
<! 2 |
||
|
4* = -----N------ |
s°: |
% |
’ |
% ' |
**// ' |
bU~ |
|||
|
дисперсии |
коэффициентов; |
||||||||
sb, = |
|
с -4 |
.2 _ |
|
С2 |
2 |
|
|
|
|
|
N |
V |
~TJT s° ’ |
|
|
|
|
|||
S2 |
Л[(я+1)А.4- (/1 - 1 )|- & |
X |
|
|
|
|
||||
bn = |
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x s 02;
5а
6
6 а
tbp |
1h 1 |
lbiP |
1bil . |
|
|
% |
|
% * |
|
/» = - ^ M ; |
tbilP |
I bit I . |
||
sbii ’ |
||||
i,p |
Sblj |
|
Условие значимости коэффициентов
tbi > tT (q, f);
/о = — i ;
N
о2 (Уи — Уи)2 t
*** = |
|
JfZTi |
5 |
/ост = yv — / ; |
|
||
/о = |
А^о — 1 ; |
|
|
|
S2 |
= |
|
|
ад |
|
|
N |
|
|
|
yti) |
/ост |
’2 |
(Уои — о) /о. |
Условие адекватности модели р ^ Fт (<7> /ад* /о) »
tbo> tbijQi tbup — расчетные значения критерия Стьюдента
/т — табличное значение критерия Стьюдента;
/ — число степеней свободы; q — уровень значимости
SQCT — остаточная дисперсия;
I — число оставшихся членов в уравнении;
/ост» /о — числа степеней свободы;
— дисперсия адекватности;
Fр — расчетное значение критерия Фишера.
FT — табличное значение критерия Фишера
Наименование |
Факторы |
|
|
|
|
|
|
|
|
|
|||
*1 |
*2 |
|
|
|
Значимые коэффициенты |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
||
Нулевой уровень |
9,20 |
4,89 |
|
|
1Ь0 = |
85,14 |
|
ь13 = |
3,00 |
|
|||
Верхний |
уровень |
10,00 |
6,89 |
|
|
|
|
||||||
Нижний |
уровень |
8,40 |
2,89 |
|
|
1ЬЛ= |
3,43 |
Ьи = |
2,60 |
|
|||
Уровень |
«+1,41» |
10,33 |
7,71 |
|
|
1 |
- |
1,32 |
|
боя = |
— 1, 19 |
||
Уровень |
«—1,41» |
8,07 |
2,07 |
|
|
!>з = |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
План |
|
|
|
Переменная |
|
|||
|
|
|
|
|
|
|
|
|
|
состояния |
Расчет |
||
Опыты |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
2 |
|
|
|
|
{Уи~Уи)% |
|||
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
X1 |
XЛ |
*1*8 |
Уи |
|
Уи |
|
||
1 |
|
+ i |
— 1 |
—1 |
+ 1 |
+ 1 |
+ 1 |
87,1 |
87,44 |
0,1156 |
|||
2 |
|
+ i |
—1 |
+ 1 |
+ |
1 |
+ 1 |
—1 |
79,0 |
78,80 |
0,0400 |
||
3 |
|
+ i |
+ 1 |
—1 |
+ |
1 |
+ |
1 |
—1 |
88,9 |
88,30 |
0,3600 |
|
4 |
|
+ i |
+ 1 |
+ 1 |
+ |
1 |
+ |
1 |
+ 1 |
92,8 |
91,66 |
1,2986 |
|
5 |
|
+ 1 |
—1,41 |
0 |
2,0 |
|
0 |
0 |
85,6 |
85,50 |
0,0100 |
||
6 |
|
+ 1 |
+ 1,41 |
0 |
2,0 |
|
0 |
0 |
94,0 |
95,18 |
1,3924 |
||
7 |
|
+ i |
0 |
—1,41 |
0 |
|
2,0 |
0 |
84,5 |
84,62 |
0,0144 |
||
8 |
|
+ i |
0 |
+ 1,41 |
0 |
|
2,0 |
0 |
80,0 |
80,90 |
0,8100 |
||
9 |
|
+ i |
0 |
0 |
0 |
|
0 |
|
0 |
83,7 |
85,14 |
2,0736 |
|
10 |
|
+ 1 |
0 |
0 |
0 |
|
0 |
|
0 |
86,0 |
85,14 |
0,7386 |
|
11 |
* |
+ i |
0 |
0 |
0 |
|
0 |
|
0 |
85,8 |
85,14 |
0,4356 |
|
12 |
+ 1 |
0 |
0 |
0 |
|
0 |
|
0 |
83,9 |
85,14 |
1,5376 |
||
13 |
|
+ i |
0 |
0 |
0 |
|
0 |
|
0 |
86,3 |
85,14 |
1,3456 |
крутое восхождение привело к некоторой точке факторного про странства, где значимы только два фактора, а линейная модель неадекватна. Предполагается в этой области реализовать план вто рого порядка типа ЦКРП — табл. 55.
Расчет коэффициентов уравнения регрессии начнем с вычисле ния сумм (Оу), (iy), (ijy), (iiy):
(ОУ) = |
2 |
Уи = |
1117>б0> |
(1 У) = |
2 х\иуи = |
27,444; |
|
Ы=1 |
|
|
и= 1 |
|
|
N |
хаиУи = |
|
W |
|
|
|
(3*/) = 2 |
12,000; |
(13г/) = 2 |
хыгзвЛ, = |
— 10,545; |
||
и= \ |
|
|
и=1 |
|
|
|
(11у) = |
N |
|
|
(ЗЗу) = |
Н |
|
S |
*?иг/ц = 707,00; |
2 |
= 676,00; |
|||
|
W=1 |
|
|
|
Ы=1 |
|
|
|
N |
|
|
|
|
|
|
У, (Ну) = 707,00 + 676,00 = |
1383,80. |
|
и= 1
По формулам |
(131) — (134) рассчитываем |
коэффициенты |
|||||||||
Ь0= |
0,2(0#)'— 0,12 (ну) = |
85,14; |
|
|
|
|
|||||
Ьг = |
0,125(1#) = |
3,43; |
|
|
|
|
|
|
|
||
Ь3 = |
0,125(3#) = |
— 1,32; |
|
|
|
|
|
|
|||
Ь1Я= |
0,25 (13#) = |
3,0; |
|
|
|
|
|
|
|
||
Ьи = |
0,125 (11#) + |
0,01872 (иу) — 01 (0#) = |
2,60; |
||||||||
Ьгг = |
0,125 (38#) + |
0,01872 (г7#) — 0,1 (0#) = |
- |
1,19. |
|||||||
Коэффициенты можно рассчитывать и в матричной форме по |
|||||||||||
уравнению |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
В = (ХТХ)~1Х 1У. |
|
|
|
|
||||
Найдем Х ТХ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
” |
13 |
0 |
0 |
8 |
0 |
8 |
|
|
|
|
|
|
0 |
7,98 |
0 |
0 |
0 |
0 |
|
|
|
Х ТХ = |
|
0 |
0 |
7,98 |
0 |
0 |
0 |
|
|
|
|
|
8 |
0 |
0 |
12 |
0 |
4 |
|
|
||
|
|
|
|
|
|
||||||
|
|
|
|
0 |
0 |
0 |
0 |
4 |
0 |
|
|
|
|
|
|
8 |
0 |
0 |
4 |
0 |
12 |
|
|
Обратим матрицу: |
|
|
|
|
|
|
|
|
|
|
|
|
" |
0,19(9) |
0 |
|
0 |
0,09 (9) |
0 |
- |
0,1 " |
||
|
|
0 |
|
0,125 |
0 |
0 |
|
0 |
|
0 |
|
(Л-ТХГ' |
0 |
|
0 |
|
0,125 |
0 |
|
0 |
|
0 |
|
0,09 (9) |
0 |
|
0 |
0,144 |
0 |
|
0,018 |
||||
|
|
|
|
||||||||
|
|
0 |
|
0 |
|
0 |
0 |
|
0,25 |
|
0 |
|
_ |
~ 0,1 |
|
0 |
|
0 |
0,018 |
0 |
|
0,144 _ |
Окончательно столбец В:
85,14000225 "
3,43073611
—1,32205820
2,56125032
2,99999976
—1,191375179_
Таким образом, уравнение регрессии приобретает вид:
у = 85,14 + 3,43*! — 1,32*3 + 3 ,00*^ + 2,60*? — 1,19x1.
Рассчитаем оценки дисперсии коэффициентов по диагональ ным элементам обратной матрицы, если ошибка опыта равна:
|
|
|
|
|
5 |
|
|
|
|
|
|
|
So2 = |
дГТГТ 2 (yok— Уof = |
|
* |
= |
1,5325. |
|||||||
|
|
'v0 |
* *=1 |
|
|
|
|
|
|
|||
Тогда: |
|
|
|
|
|
|
|
|
|
|
|
|
4 |
= |
0,199 |
• 1,5325» 0,31; |
|
sbo = |
0,56; |
||||||
4 |
= |
0,125 |
• 1,5325 » |
0,193; |
sbl = 0,44; |
|||||||
sb[. = |
0,25 • |
1,5325 » |
|
0,385; |
|
s„tf = |
0,62; |
|||||
sbu = |
0,144 |
• |
1,5325 » |
0,222; |
|
sbll = |
0,47. |
|||||
Рассчитаем |
величины |
^-критерия для |
групп |
коэффициентов: |
||||||||
i |
_ |
85,14 |
|
= |
1 ко. |
^ |
2,6 |
= |
к к. |
|||
г0Р - |
-7Л 5Г |
|
|
*Пр = -КТТ |
|
|
||||||
|
|
0,56 |
|
|
|
|
11р |
0,47 |
|
|
|
|
у |
_ |
3,43 |
_*7 п# |
/ |
_ |
М9 |
|
2’5’ |
||||
*1р “ |
~оЖ ~ 7’8’ |
t22p-~ оЖ |
|
|||||||||
/ |
_ |
_ о л. |
/ |
|
3,0 |
|
А О |
|||||
|
|
|
|
|
|
*13Р |
П АО |
|
|
|
||
|
|
|
|
|
|
|
|
0,62 |
|
|
|
|
Учитывая, что |
tT = |
2,78 (q = |
0,05, f0 = |
4), |
все коэффициенты, |
за исключением Ь22, значимы. Однако Ь22 находится на границе значимости и для поиска координаты оптимума области может быть оставлен.
Проверим адекватность уравнения регрессии. Рассчитаем Стол ла
бец у (см. табл. 55) и разность квадратов отклонений. Сумма квад ратов отклонения
50СТ= 9,361; /ост = 13 — 6 = 7.
Сумма квадратов отклонений нулевых опытов
S0 = 6,13; /0 = 5 — 1 = 4 .
Тогда: |
|
|
|
|
5 ад = 9,361 — 6,13 = 3,231; |
/ад = |
/о с т - /0 « 7 - 4 = 3. |
||
Отношение ^-критерия: |
|
|
|
|
р |
*^яп//яп |
_ |
3,231/3 |
= 0,70277. |
Р = |
~SJTo |
|
6,13/4 |
|
FT= |
6,6 (/ад = |
3; |
/о = |
4; q = 0,05). |
Поскольку Fp < FT, то уравнение регрессии адекватно описывает экспериментальные данные. Можно переходить к поиску координа ты оптимума объекта исследования.
§ 4. Принятие решений по планам второго порядка
После получения математической модели, описыва ющей область оптимума, решения принимают по одному из признаков— адекватна или неадекватна нелинейная модель объ
екта.
Значимость коэффициентов уравнения регрессии второго по рядка в исследовании играет меньшую роль, чем на этапе получе ния линейной модели. Это связано с различием целей получения линейной и нелинейной моделей.
Линейную модель используют для поиска области оптимума и значимость факторов модели способствует успешному продвижению по методу крутого восхождения. Поэтому в линейной модели ста раются сохранить как можно больше факторов, даже если при этом эксперимент приходится повторять с расширенными интервалами варьирования.
В нелинейной модели членов, как правило, достаточно много; цель моделирования — описание области оптимума, и поэтому исключение незначимых факторов проходит не так заметно, как на этапе линейного моделирования. Таким образом, для нелиней ной модели наиболее важна оценка ее адекватности математи ческой модели.
Рассмотрим упомянутые выше две ситуации.
Нелинейная модель объекта исследования неадекватна. Как и при анализе неадекватной линейной модели, можно предложить переход к модели более высокого порядка, т. е. к модели, представ ленной полиномами третьего порядка. Однако описанные в лите ратуре [52] случаи применения планирования третьего порядка свидетельствуют о экспериментальных и вычислительных труднос тях, не говоря уже о трудностях при анализе и интерпретации ма тематической модели. Поэтому такое решение не считается эффек тивным.
Более приемлемым способом устранения неадекватности нели нейной модели является введение в план новых факторов из числа отброшенных ранее (на этапе предварительного эксперимента или при анализе линейной модели). Очевидно, при этом необходимо по вторять эксперименты с большим числом опытов.
Труднее учесть нестационарность объекта исследования или дрейф параметров объекта во времени. Действительно, при боль шом числе опытов, а значит, и времени их проведения появляются ошибки за счет нестационарности объекта исследования, а величина их растет. Методам учета временного дрейфа посвящены работы [43, 15].
Нелинейная модель объекта исследования адекватна. Если об работка экспериментальных данных планов второго порядка дает адекватную модель, то задача исследования на этом этапе выпол нена: в распоряжении экспериментатора имеется математическая
модель, описывающая область оптимума. Дальнейшее исследова ние зависит от поставленной задачи.
Есл^и целью было получение интерполяционной модели, описы вающей область оптимума, то на этом исследование объекта закан чивают.
В экстремальном эксперименте ставится задача поиска коор динаты оптимума по имеющейся математической модели. Здесь используются различные методы оптимизации, в основном, методы
нелинейного программирования. |
|
|
Чаще всего применяют следующие |
методы: Гаусса — Зей- |
|
деля, |
оптимальный, случайного поиска, |
наискорейшего спуска |
и т. |
д. |
|
Найденная координата области оптимума считается отправной точкой при переходе от лабораторной установки к полупромышлен ной или промышленной. Если установки отличаются масштабом от тех, на которых проводились исследования, весь цикл эксперимен тирования повторяется. Конечно, с помощью методов планирова ния эксперимента решить задачу масштабирования в полном объ еме невозможно [30, с. 16], однако считают, что в ограниченной по становке методами планирования эксперимента, особенно для так называемых диффузных систем [23, с. 46—47], эта задача может быть решена.
Весьма полезной оказывается полученная математическая мо дель области оптимума, а также координата оптимума при ре шении задач управления объекта исследования или аналогичных объектов, отличающихся масштабом.
Иногда технологи ставят задачу детального изучения области оптимума по ее математической модели. В этом случае используют ся специальные преобразования системы координат факторного пространства и строятся стандартизированные поверхности откли ка. Графическое их изображение позволяет исследователю лучше ориентироваться при поиске координаты оптимума.
Метод анализа поверхности отклика носит название канониче
ского и кратко описан в гл. V.
Таким образом, при получении адекватной модели второго по рядка исследователь может принять решение поиска координаты оптимума, детального изучения области оптимума, а затем исполь зовать полученные данные при исследовании и управлении анало гичных объектов другого масштаба.
ЗАДАЧИ
1. [61, с. 347]. Исследовалась эффективность к затора в процессе очистки отходящих газов производства фенола.
Была поставлена задача получения математической модели процес са окисления изопропилбензола на оксиде меди в околооптимальной области. План типа ЦКОП приведен в табл. 56.
|
|
|
|
Факторы |
|
|
|
Наименование |
|
*i(eQ |
(объемная |
(концентра |
|
||
|
|
|
|
||||
|
|
|
|
|
|
ция пропил- |
|
|
|
|
|
скорость, ч"- 1 ) бензола, мг/л) |
|
||
Нулевой |
уровень |
|
415 |
|
25 000 |
1,5 |
|
Интервал |
варьирования |
|
15 |
|
15 000 |
0,5 |
|
|
|
|
|
|
План |
|
Переменная |
Опыты |
|
|
|
|
|
|
|
|
|
|
|
|
|
состояния |
|
|
|
|
|
|
|
|
У |
1 |
+ i |
- 1 |
+ |
1 |
+ i |
74,6 |
|
2 |
+ i |
— 1 |
— 1 |
+ i |
84,0 |
||
3 |
+ i |
+ 1 |
— 1 |
+ 1 |
100,0 |
||
4 |
+ i |
+ 1 |
+ |
1 |
+ 1 |
95,7 |
|
5 |
+ i |
— 1 |
+ |
1 |
- 1 |
72,7 |
|
6 |
+ i |
— 1 |
- 1 |
—1 |
97,6 |
||
7 |
+ i |
+ |
1 |
— 1 |
- 1 |
100,0 |
|
8 |
+ i |
+ |
1 |
+ |
1 |
- 1 |
91,1 |
9 |
+ i |
+ |
1,215 |
|
0 |
0 |
100,0 |
10 |
+ i |
— 1,215 |
+ |
0 |
0 |
82,2 |
|
И |
+ i |
|
0 |
1,215 |
0 |
88,9 |
|
12 |
+ 1 |
|
0 |
—1,215 |
0 |
100,0 |
|
13 |
+ i |
|
0 |
|
0 |
+ 1,215 |
85,9 |
14 |
+ i |
|
0 |
|
0 |
-1,215 |
89,6 |
15 |
+ i |
|
0 |
|
0 |
0 |
91,0 |
Найти математическую модель процесса и оценить ее адекват ность.
2. [36, с. 16]. Изучался процесс экстракции низкомолеку лярных ароматических углеводородов. В качестве независимых переменных были выбраны: Х г — соотношение «растворитель — сырье», Х г в %; Х 2 — возврат сырья, в %; Х3— содержание пента
на в |
возврате, |
в |
%. Переменной состояния являлось содержание |
ароматических |
углеводородов в экстракте— уг. Использовался |
||
план |
ЦКРП (табл. |
57). |
Найти математическую модель процесса и оценить ее адекват ность.
3. [38, с. 76]. С целью выявления оптимальных условий, обес печивающих полноту окисления фосфитов гипохлоритом натрия, проведено ортогональное планирование второго порядка (табл. 58).
Найти математическую модель объекта и проверить ее адекват ность по значениям yUx и yUt.
4. [46, с. 217]. Определялись оптимальные условия протекания процесса получения сульфаниламидного соединения. На первом