- •13. Планирование экстремальных экспериментов. Планы первого порядка
- •13.1. Предварительное изучение объекта исследований. Постановка задачи в научной работе
- •13.2. Основные понятия и определения
- •13.2.1. Объект исследования
- •13.2.2. Математическая модель и уравнение регрессии
- •Принятие решения по результатам исследования
- •13.2.3. Параметр оптимизации
- •13.2.4. Факторы
- •13.2.5. Поверхность отклика
- •13.3. Полный факторный эксперимент
- •Кодирование факторов
- •13.4. Дробный факторный эксперимент
- •13.5. Свойства матриц полного и дробного факторного экспериментов
- •13.6. Рандомизация
- •13.7. Обработка результатов эксперимента
- •13.8. Анализ уравнения регрессии
- •15. Построение моделей второго порядка
- •15.1. Оптимальность планов
- •15.2. Ротатабельное планирование второго порядка
15.2. Ротатабельное планирование второго порядка
Планирование второго порядка используют в тех случаях, когда линейного приближения недостаточно для математического описания объекта исследований с нужной точностью, а поэтому возникает необходимость в построении моделей в виде полиномов второй степени. При описании поверхности отклика уравнением второго порядка нельзя ограничиться варьированием факторов только на двух уровнях. В связи с этим переходят к планированию, связанному с варьированием факторов на трёх или пяти уровнях.
При ротатабельном планировании второго порядка достраивают план ПФЭ «ядро» или его регулярную дробную реплику (полуреплику) ДФЭ до плана второго порядка добавлением к «ядру» определённого количества «звёздных» и нулевых точек. Матрицу ПФЭ рекомендуется использовать в качестве «ядра» ротатабельного плана второго порядка при к 5, а полуреплику при к 5. Нулевые точки – это точки в центре эксперимента. «Звёздные» точки строят на осях координат, определяя величину «звёздного» плеча L (расстояние от нулевой точки до «звёздной» по оси координат. Для «ядра» в виде плана ПФЭ L определяют по формуле:
. (15.1)
Если ядром является дробная реплика типа 2к-р, то:
. (15.2)
При выборе числа нулевых точек учитывают, что они необходимы для проверки адекватности модели и оценки ошибки эксперимента.
Общее число опытов N при ротатабельном планировании определяется из соотношения:
N = 2к + 2к + n0 = nя + nl + n0. (15.3)
Все данные, нужные для построения матриц ротатабельного планирования при к 7, приведены в табл. 15.2.
На рис 15.1 показано расположение точек относительно центра ротатабельного плана при к = 2 и к= 3. Матрицы ротатабельного планирования второго порядка для к = 2 и к = 3 соответственно показаны в табл. 15.3, 15.4.
При ротатабельном планировании второго порядка обычно велик объём вычислительных работ на стадии обработки экспериментальных данных. Чтобы облегчить расчёты, используют упрощённый вариант для случаев с определённым числом факторов. Уравнения можно записать в следующем виде:
, (15.4)
, (15.5)
, (15.6)
, (15.7)
где – коэффициенты, значения которых выбираются из табл. 15.5.
Рис. 15.1. Расположение экспериментальных точек относительно центра ротатабельного плана
Для оценки значимости коэффициентов регрессии также можно использовать упрощённые формулы (15.8 – 15.13) и соответствующие табличные данные (табл. 15.6).
; (15.8)
; (15.9)
; (15.10)
, (15.11)
где , , , - соответственно квадратичные ошибки в определении коэффициентов ; , , , – коэффициенты.
- ошибка среднего по параллельным наблюдениям, связанная с дисперсией воспроизводимости соотношением (15.12):
, (15.12)
где – число повторений опытов.
Таблица 15.2
Данные для построения матриц ротатабельного планирования второго порядка
Число факторов к |
Число точек |
Величина плеча звёздных точек L |
Общее число опытов N |
Примечания (о ядре плана) |
||
«ядра» nя |
звёздных nl |
Нулевых n0 |
||||
2 |
4 |
4 |
5 |
1.414 |
13 |
ПФЭ |
3 |
8 |
6 |
6 |
1.682 |
20 |
ПФЭ |
4 |
16 |
8 |
7 |
2.000 |
31 |
ПФЭ |
5 |
32 |
10 |
10 |
2.378 |
52 |
ПФЭ |
5 |
16 |
10 |
6 |
2.000 |
32 |
Полуреплика |
6 |
64 |
12 |
15 |
2.828 |
91 |
ПФЭ |
6 |
32 |
12 |
9 |
2.378 |
53 |
Полуреплика |
7 |
128 |
14 |
21 |
3.333 |
163 |
ПФЭ |
7 |
64 |
14 |
14 |
2.828 |
92 |
Полуреплика |
Таблица 15.3
Матрица планирования ротатабельного плана второго порядка для к = 2
№ опыта |
Точки |
X1 |
X2 |
1 2 3 4 |
«ядра» |
+ - + - |
+ + - - |
5 6 7 8 |
«звёздные» |
-1.414 +1.414 0 0 |
0 0 -1.414 +1.414 |
9 10 11 12 13 |
нулевые |
0 0 0 0 0 |
0 0 0 0 0 |
Таблица 15.4
Матрица планирования ротатабельного плана второго порядка для к = 3
№ опыта |
Точки |
X1 |
X2 |
X3 |
1 2 3 4 5 6 7 8 |
«ядра» |
+ - + - + - + - |
+ + - - + + - - |
+ + + + - - - - |
9 10 11 12 13 14 |
«звёздные» |
-1.68 +1.68 0 0 0 0 |
0 0 -1.68 +1.68 0 0 |
0 0 0 0 -1.68 +1.68 |
15 16 17 18 19 20 |
«нулевые» |
0 0 0 0 0 0 |
0 0 0 0 0 0 |
0 0 0 0 0 0 |
Таблица 15.5
Значения коэффициентов, неиспользуемых для расчёта коэффициентов регрессии при ротатабельном планировании второго порядка
Число факторов (К) |
Число опытов (N) |
Коэффициенты |
||||||
а1 |
а2 |
а3 |
а4 |
а5 |
А6 |
а7 |
||
2 |
13 |
0.2000 |
0.1000 |
0.1250 |
0.2500 |
0.1250 |
0.0187 |
0.1000 |
3 |
20 |
0.1663 |
0.0568 |
0.0732 |
0.1250 |
0.0625 |
0.0069 |
0.0568 |
4 |
31 |
0.1428 |
0.0357 |
0.0417 |
0.0625 |
0.0312 |
0.0036 |
0.0357 |
5* |
32 |
0.1591 |
0.0341 |
0.0417 |
0.0625 |
0.0312 |
0.0028 |
0.0341 |
5 |
52 |
0.0988 |
0.0191 |
0.0231 |
0.0312 |
0.0156 |
0.0015 |
0.0191 |
6* |
53 |
0.1108 |
0.0187 |
0.0231 |
0.0312 |
0.0156 |
0.0012 |
0.0187 |
6 |
91 |
0.0625 |
0.0098 |
0.0125 |
0.0156 |
0.0078 |
0.0005 |
0.0098 |
7* |
92 |
0.0730 |
0.098 |
0.0125 |
0.0156 |
0.0078 |
0.0005 |
0.0098 |
7 |
163 |
0.0398 |
0.0052 |
0.0066 |
0.0078 |
0.0039 |
0.0002 |
0.0052 |
* - полуреплика.
Таблица 15.6
Значения коэффициентов, используемых для оценки значимости коэффициентов регрессии в ротатабельных планах
при к = 25
Число факторов (к) |
Число опытов плана(N) |
Коэффициенты |
|||
а8 |
а9 |
а10 |
а11 |
||
2 3 4 5 |
13 20 31 52 |
0.2000 0.1663 0.1428 0.1591 |
0.125 0.0732 0.0417 0.0417 |
0.1438 0.0694 0.0341 0.0341 |
0.2500 0.1250 0.0625 0.0625 |
Дисперсия воспроизводимости находится по уравнению:
. (15.13)
Дисперсию адекватности модели при равномерном дублировании всех опытов плана находят по формуле:
, (15.14)
где –общее число опытов плана, включая и параллельные опыты в нулевой точке; – число опытов плана, имеющих одинаковое число повторений; – значение параметра оптимизации, вычисленное по модели, для условий n-го опыта.
Если опыты дублируются только в нулевой точке, то уравнение (15.15) принимает иной вид:
, (15.15)
где – остаточная сумма квадратов; – сумма квадратов отклонений; – число степеней свободы; - число коэффициентов уравнения; – число повторений нулевого опыта.
Далее определяется расчётное значение критерия Фишера (13.25).
Особенности ротатабельного планирования второго порядка рассмотрим на конкретном примере при изучении зависимости критерия оптимизации ( ) от двух факторов (к = 2). в этом случае применяем матрицу планирования, показанную в табл. 15.3.
Из табл. 15.2 следует, что число опытов в матрице равно 13 (N=13), в том числе четыре повторных опыта в нулевой точке (nя=4).
При кодировании факторов учитывали их интервалы и уровни варьирования, приведённые в табл. 15.7.
Таблица 15.7
Уровни и интервалы варьирования факторов
Факторы |
Уровни варьирования |
Интервалы варьирования(Е) |
||||
-1.414 |
-1 |
0 |
+1 |
+1.414 |
||
С – концентрация реагента, %(X1) |
1.2 |
1.4 |
1.9 |
2.4 |
2.6 |
0.5 |
t – температура, 0С(X2) |
28 |
40 |
70 |
100 |
112 |
30 |
Значения факторов в «звёздных» точках были найдены с помощью соотношения, характеризующего связь натуральных и кодированных величин:
, (15.16)
где – кодированное значение фактора; и – натуральные значения фактора (соответственно его текущее значение и значение на нулевом уровне); – натуральное значение интервала варьирования.
В нашем случае:
В результате была построена рабочая матрица, реализация которой позволила установить экспериментальные значения параметра оптимизации (табл. 15.8).
Таблица 15.8
Матрица планирования, рабочая матрица и результаты эксперимента
№ опыта |
Матрица планирования |
Рабочая матрица |
Данные к примеру |
||||
X1 |
X2 |
C1,% |
t,0C |
yu |
Yu |
(yu-yu)2 |
|
1 |
+ |
+ |
2.4 |
100 |
50 |
49.9 |
0.01 |
2 |
- |
+ |
1.4 |
100 |
67 |
65.2 |
3.24 |
3 |
+ |
- |
2.4 |
40 |
60 |
62.4 |
5.76 |
4 |
- |
- |
1.4 |
40 |
70 |
70.6 |
0.36 |
5 |
-1.414 |
0 |
1.2 |
70 |
70 |
68.1 |
3.61 |
6 |
+1.414 |
0 |
2.6 |
70 |
50 |
51.5 |
2.25 |
7 |
0 |
-1.414 |
1.9 |
28 |
72 |
70.6 |
1.96 |
8 |
0 |
+1.414 |
1.9 |
112 |
56 |
57.6 |
2.25 |
9 |
0 |
0 |
1.9 |
70 |
62 |
64.0 |
4.00 |
10 |
0 |
0 |
1.9 |
70 |
64 |
64.0 |
0.00 |
11 |
0 |
0 |
1.9 |
70 |
68 |
64.0 |
16.00 |
12 |
0 |
0 |
1.9 |
70 |
64 |
64.0 |
0.00 |
13 |
0 |
0 |
1.9 |
70 |
62 |
64.0 |
4.00 |
По результатам эксперимента находим значения коэффициентов регрессии следующего уравнения:
. (15.17)
Для определения этих коэффициентов используем уравнения (15.4 – 15.7) и данные табл.15.5.
b1 = -5.875, b2 = -4.500, b12=-1.750, b11 = -2.112, b22 = 0.112.
Таким образом, уравнение (15.17) принимает вид:
. (15.18)
Проверим гипотезу об адекватности уравнения:
,
,
.
Зная число степеней свободы, определяем табличное значение критерия Фишера для 95%-ной доверительной вероятности
Fтабл.=6.85.
Сравнение табличного и расчётного значений критерия Фишера (FтаблFрасч) показывает, что полученное уравнение регрессии можно считать адекватным с доверительной вероятностью 0.95.
Значимость коэффициентов регрессии проверяем с учётом уравнений (15.8 – 15.12) и данных табл. 15.6:
; ;
; ;
; ;
; ;
; .
Сравнение абсолютных коэффициентов регрессии и соответствующих погрешностей в их оценке показывает, что с доверительной вероятностью 0.95 в уравнении (15.18) можно считать значимыми все коэффициенты, кроме b12 и b22. В результате этого уравнение принимает вид:
.