Các mẫu bề mặt đáp ứng (Response Surface Designs )

Các phương pháp bề mặt đáp ứng (Response surface methods) được dùng để khảo
sát mối quan hệ giữa một hay nhiều biến đáp ứng và một tập hợp các biến thực
nghiệm định lượng hay các yếu tố. Các phương pháp này thường được áp dụng sau
khi đã xác định một số yếu tố quan trọng có thể kiểm soát được và muốn tìm các
giá trị của các yếu tố để có đáp ứng tối ưu.

Các phương pháp bề mặt đáp ứng có thể được dùng để

 tìm các giá trị của yếu tố (các điều kiện tiến hành) cho đáp ứng tốt nhất

 tìm các giá trị của yếu tố thỏa mản các đặc điểm của quá trình

 xác định những điều kiện tiến hành mới giúp cải thiện chất lượng sản phẫm (đáp
ứng) so với những điều kiện hiện tại

 mô hình hóa mối quan hệ giữa các yếu tố định lượng với đáp ứng

Các bước trình bày dưới đây là tiêu biểu cho một thí nghiệm bề mặt đáp ứng. Tùy
theo thí nghiệm, có thể thực hiện một số bước với một thứ tự khác.

1 Chọn mẫu bề mặt đáp ứng cho thí nghiệm.

2 Chọn Create Response Surface Design để thực hiện mẫu tổng hợp trung tâm
(central composite design ) hay mẫu Box-Behnken ( Box-Behnken design).

Chọn Define Custom Response Surface Design để tạo một mẫu từ số liệu đã có ở
bảng tính ( worksheet).

3 Chọn Modify Design để đặt tên lại các yếu tố, thay đổi các mức độ của yếu tố,
lập lại mẫu, phân phối ngẩu nhiên mẫu.

4 Chọn Display Design để thay đổi thứ tự các runs

5 Thực hiện thí nghiệm và thu thập số liệu đáp ứng. Sau đó nhập số liệu vào bảng
tính của Minitab.

6 Chọn Analyze Response Surface Design để làm phù hợp mô hình với số liệu
thực nghiệm.
136
7 Chọn Contour/Surface Plots để vẽ các bề mặt đáp ứng. Có thể trình bày các
biểu đồ chu tuyến và bề mặt ( contour and surface plots).

8 Nếu muốn tối ưu hóa đáp ứng, chọn Response Optimizer hay Overlaid
Contour Plot để có các phân tích số và đồ thị.

Mẫu bề mặt đáp ứng (Response surface design)

Bề mặt đáp ứng Bề mặt đáp ứng có

không có độ cong độ cong

Sự khác biệt giữa phương trình bề mặt đáp ứng và phương trình của mẫu nhân tố
là sự thêm các thành phần bình phương (hay bậc hai) cho phép mô hình hóa độ
cong trong đáp ứng , giúp cho :

 hiểu biết và lập bản đồ vùng bề mặt của đáp ứng . Các phương trình bề mặt
đáp ứng mô hình hóa những thay đổi trong biến đầu vào ảnh hưởng ra sao đến đáp
ứng được quan tâm.

 tìm các mức độ của các biến đầu vào làm tối ưu đáp ứng .

 chọn lọc các điều kiện tiến hành để đáp ứng các đặc điểm của thí nghiệm

Có 2 loại mẫu bề mặt đáp ứng :

 Mẫu tổng hợp trung tâm (Central Composite designs ) có thể làm phù hợp
mô hình bậc hai đầy đủ , có thể kết hợp các runs từ thí nghiệm nhân tố.

 Mẫu Box – Behnken (Box-Behnken designs) có ít điểm mẫu ( design points)

do đó thực hiện ít tốn kém hơn mẫu tổng hợp trung tâm với cùng số yếu tố . Có thể
ước lượng các hệ số bậc một , bậc hai tuy nhiên, không thể kết hợp các runs từ thí
nghiệm nhân tố.

137
 Central composite designs

Có thể tạo các mẫu tổng hợp trung tâm có khối hay không có khối. Các mẫu tổng
hợp trung tâm bao gồm :

 2K or 2K-1 các điểm nhân tố( factorial points) (còn gọi là điểm lập thể cube
points), trong đó K là số nhân tố

 các điểm trục ( axial points) (còn gọi là các điểm ngôi sao star points)

 các điểm trung tâm ( center points )

Mẫu tổng hợp trung tâm với 2 yếu tố được trình bày dưới đây. Các điểm trên biểu
đồ tượng trưng các runs thực nghiệm được thực hiện :

Các điểm trong Các điểm trong phần Ở đây , phần nhân tố
phần nhân tố của trục (ngôi sao) của mẫu và trục dọc theo điểm
mẫu được mã hóa là ở : ( , 0), (, trung tâm được trình
là -1 và +1 0), (0,), (0,) bày. Trung tâm mẫu ở
(0,0).

Các mẫu tổng hợp trung tâm thường được đề nghị cho các thí nghiêm liên tiếp vì
có thể kết hợp thông tin từ thí nghiệm nhân tố . Mẫu tổng hợp trung tâm cho phép
ước lượng các thành phần bậc hai trong các mô hình bậc hai.

Mẫu Box – Behnken ( Box-Behnken designs)

Có thể tạo mẫu box – Behnken có khối hay không khối. Hình dưới đây minh họa
mẫu box – Behnken 3 yếu tố Các điểm trên hình tượng trưng các runs thực nghiệm
được thực hiện :
138
Mẫu Box – Behnken được dùng cho các thí nghiệm không liên tiếp , tức là được
thực hiện một lần. Những mẫu này cho phép ước lượng các hệ số bậc một và bậc
hai .

Example of fitting a quadratic model

Thí nghiệm có 3 yếu tố - nitrogen, phosphoric acid và potash là các thành phần
phân bón. Ảnh hưởng của phân bón trên sự tăng trưởng của đậu được nghiên cứu
trong mẫu tổng hợp trung tâm.

Các đơn vị thực cho mức độ 1 và +1 levels là 2.03 and 5.21 đối với nitrogen,
1.07 và 2.49 đối với phosphoric acid, 1.35 và 3.49 đối với potash. Mẫu được
phân tích với các đơn vị được mã hóa.

Std Run PtType Blocks Nitrogen PhosAcid Potash BeanYield

Order Order

7 1 1 1 2.03000 2.49000 3.49000 11.85

12 2 -1 1 3.62000 2.97407 2.42000 11.06

11 3 -1 1 3.62000 0.58593 2.42000 12.08

20 4 0 1 3.62000 1.78000 2.42000 11.02

15 5 0 1 3.62000 1.78000 2.42000 10.14

8 6 1 1 5.21000 2.49000 3.49000 11.03

139
9 7 -1 1 0.94595 1.78000 2.42000 8.26

18 8 0 1 3.62000 1.78000 2.42000 9.50

14 9 -1 1 3.62000 1.78000 4.21952 10.43

6 10 1 1 5.21000 1.07000 3.49000 10.90

16 11 0 1 3.62000 1.78000 2.42000 10.22

19 12 0 1 3.62000 1.78000 2.42000 11.53

17 13 0 1 3.62000 1.78000 2.42000 10.53

4 14 1 1 5.21000 2.49000 1.35000 7.71

10 15 -1 1 6.29405 1.78000 2.42000 7.87

3 16 1 1 2.03000 2.49000 1.35000 13.19

5 17 1 1 2.03000 1.07000 3.49000 8.94

2 18 1 1 5.21000 1.07000 1.35000 8.44

13 19 -1 1 3.62000 1.78000 0.62048 7.98

1 20 1 1 2.03000 1.07000 1.35000 11.28

1 Open the worksheet CCD_EX1.MTW. (The design and response data have
been saved for you.)

2 Choose Stat > DOE > Response Surface > Analyze Response Surface
Design.

3 In Responses, enter BeanYield.

4 Click Terms.

5 From Include the following terms, choose Full quadratic. Click OK.

6 Click Graphs.

140
7 Under Residual Plots, choose Four in one. Click OK in each dialog box.

Session window output

Response Surface Regression: BeanYield versus Nitrogen, PhosAcid, Potash

The analysis was done using coded units.

Estimated Regression Coefficients for BeanYield

Term Coef SE Coef T P

Constant 10.4623 0.4062 25.756 0.000

Nitrogen -0.5738 0.2695 -2.129 0.059

PhosAcid 0.1834 0.2695 0.680 0.512

Potash 0.4555 0.2695 1.690 0.122

Nitrogen*Nitrogen -0.6764 0.2624 -2.578 0.027

PhosAcid*PhosAcid 0.5628 0.2624 2.145 0.058

Potash*Potash -0.2734 0.2624 -1.042 0.322

Nitrogen*PhosAcid -0.6775 0.3521 -1.924 0.083

Nitrogen*Potash 1.1825 0.3521 3.358 0.007

PhosAcid*Potash 0.2325 0.3521 0.660 0.524

S = 0.995984 PRESS = 59.6070

R-Sq = 78.61% R-Sq(pred) = 0.00% R-Sq(adj) = 59.37%

Analysis of Variance for BeanYield

Source DF Seq SS Adj SS Adj MS F P

141
Regression 9 36.465 36.465 4.0517 4.08 0.019

Linear 3 7.789 7.789 2.5962 2.62 0.109

Square 3 13.386 13.386 4.4619 4.50 0.030

Interaction 3 15.291 15.291 5.0970 5.14 0.021

Residual Error 10 9.920 9.920 0.9920

Lack-of-Fit 5 7.380 7.380 1.4760 2.91 0.133

Pure Error 5 2.540 2.540 0.5079

Total 19 46.385

Unusual Observations for BeanYield

Obs StdOrder BeanYield Fit SE Fit Residual St Resid

2 12 11.060 12.362 0.776 -1.302 -2.09 R

7 9 8.260 9.514 0.776 -1.254 -2.01 R

16 3 13.190 12.004 0.815 1.186 2.07 R

R denotes an observation with a large standardized residual.

Estimated Regression Coefficients for BeanYield using data in uncoded units

Term Coef

Constant 12.4512

Nitrogen 0.962568

PhosAcid -2.28406

Potash -1.47942

142
Nitrogen*Nitrogen -0.267571

PhosAcid*PhosAcid 1.11636

Potash*Potash -0.238794

Nitrogen*PhosAcid -0.600142

Nitrogen*Potash 0.695057

PhosAcid*Potash 0.306042

Graph window output

Giải thích kết quả

Đối với mô hình bậc hai đầu đủ , giá trị p đối với sự không phù hợp (lack of fit ) là
0.133 cho thấy mô hình phù hợp với số liệu

Bảng đầu tiên cho các hệ số đối với các thành phần trong mô hình. Vì dùng mẫu
trực giao, mỗi ảnh hưởng được ước lượng một cách độc lập. Do đó, các hệ số đối
với các thành phần tuyến tính là giống như các hệ số khi làm phù hợp với mô hình
tuyến tính . Thành phần sai số, s = 0.996 , là nhỏ hơn vì làm giảm sự biến thiên
do sai số.

143
Bảng ANOVA tóm tắt các thành phần tuyến tính, bậc hai và tương tác. Giá trị p
nhỏ đối tương tác (p = 0.021) và thành phần bậc hai (p = 0.030) cho thấy có độ
cong trongbe62 mặt đáp ứng Trong bảng hệ số hồi qui được ước lượng ( table of
Estimated Regression Coefficients), giá trị p nhỏ đối với tương tác giữa Nitrogen
và Potash (p = 0.007), Nitrogen bậc hai (p = 0.027), và Phosphoric acid bậc hai (p
= 0.058) cho thấy các ảnh hưởng này là quan trọng

Biểu đồ sai số không cho thấy có vấn đề gì đối với mô hình.

Example of a contour plot and a surface plot (response surface

design)

1 Open the worksheet CCD_EX1.MTW. (The design, response data, and model
information have been saved for you.)

2 Choose Stat > DOE > Response Surface > Contour/Surface Plots.

3 Choose Contour plot and click Setup. Click OK.

4 Choose Surface plot and click Setup. Click OK in each dialog box.

Graph window output

144
Giải thích kết quả

Biểu đồ chu tuyến cho thấy năng suất cao nhất khi mức nitrogen thấp và mức
phosphoric acid cao . Vùng này xuất hiện ở góc trái phía trên của biểu đồ.

Biểu đồ bề mặt cũng cho thấy năng suất cao nhất khi mức nitrogen thấp và mức
phosphoric acid cao. Ngoài ra, có thể thấy da5ngcua3 bề mặt đáp ứng và có một ý
tưởng tổng quát về năng suất ở các giá trị khác nhau của nitrogen và phosphoric
acid.

Nhớ rằng những biểu đồ này dựa trên phương trình của mô hình. Cần phải bảo đảm
rằng mô hình là thích hợp trước khi giải thích các biểu đồ.

Thí dụ : Một thí nghiệm với mục tiêu xác định tổ hợp tối ưu giữa 3 mức Năng
lượng (2800, 3000, 3200 Kcal) và 3 mức Đạm (16, 18, 20%) trong khẩu phần
nuôi heo có kết quả tăng trọng (g/ngày) như sau:

Khối 2800 3000 3200

16 18 20 16 18 20 16 18 20
1 460 560 480 550 700 650 420 540 460
2 420 540 500 560 720 660 400 550 480
3 480 570 520 540 690 600 440 560 500
4 500 550 490 580 680 620 460 530 500
5 450 520 470 560 670 610 430 520 470

145
146
147
148
149
150
Response Surface Regression: TTRONG versus Block, NL, DAM

The analysis was done using uncoded units.

Estimated Regression Coefficients for TTRONG

Term Coef SE Coef T P

Constant -35611.1 1711.12 -20.812 0.000

Block 1 -1.3 6.28 -0.212 0.833

Block 2 -0.2 6.28 -0.035 0.972

Block 3 7.6 6.28 1.203 0.237

Block 4 8.7 6.28 1.380 0.176

NL 19.8 1.02 19.344 0.000

DAM 733.4 69.61 10.536 0.000

NL*NL -0.0 0.00 -20.068 0.000

DAM*DAM -21.2 1.67 -12.711 0.000

NL*DAM 0.0 0.01 1.168 0.251

S = 21.0634 PRESS = 25648.6

R-Sq = 94.66% R-Sq(pred) = 91.18% R-Sq(adj) = 93.29%

Analysis of Variance for TTRONG

Source DF Seq SS Adj SS Adj MS

F P

Blocks 4 3142 3142 786 1.77

0.157

Regression 5 272294 272294 54459 122.75

0.000

151
 Linear 2 21337 198431 99215 223.63
0.000

NL 1 2083 166019 166019

374.20 0.000

DAM 1 19253 49254 49254 111.02

0.000

Square 2 250352 250352 125176 282.14

0.000

NL*NL 1 178668 178668 178668 402.71

0.000

DAM*DAM 1 71684 71684 71684 161.57 0.000

Interaction 1 605 605 605 1.36

0.251

NL*DAM 1 605 605 605 1.36

0.251

Residual Error 35 15528 15528 444

Total 44 290964

Unusual Observations for TTRONG

Obs StdOrder TTRONG Fit SE Fit Residual St

Resid

4 4 500.000 461.278 10.532 38.722 2.12 R

18 18 540.000 580.000 9.420 -40.000 -2.12 R

22 22 720.000 682.222 9.420 37.778 2.01 R

R denotes an observation with a large standardized residual.

Residual Plots for TTRONG

152
Contour Plot of TTRONG vs DAM, NL

Surface Plot of TTRONG vs DAM, NL

Response Optimization

Parameters

Goal Lower Target Upper Weight Import

TTRONG Target 650 700 750 1 1

Global Solution

NL = 2993.94

DAM = 18.3030

Predicted Responses

TTRONG = 684.444 , desirability = 0.688874

Composite Desirability = 0.688874

Optimization Plot

153
 Residual Plots for TTRONG
Normal Probability Plot Versus Fits
99 50

90 25

Residual
Percent

50 0

10 -25

1 -50
-50 -25 0 25 50 400 500 600 700
Residual Fitted Value

Histogram Versus Order

10.0 50

7.5 25
Frequency

Residual
5.0 0

2.5 -25

0.0 -50
-40 -20 0 20 40 1 5 10 15 20 25 30 35 40 45
Residual Observation Order

Surface Plot of TTRONG vs DAM, NL

700

600
TTRONG

500
20

400 18
DA M
2800
3000 16
NL 3200

154
 Contour Plot of TTRONG vs DAM, NL
20
600
550

19
DAM

18

17 650

500

500
550 550
16
2800 2900 3000 3100
NL

Optimal NL DAM
D High 3200.0 20.0
Cur [2993.9394] [18.3030]
0.68887 Low 2800.0 16.0

Composite
Desirability
0.68887

TTRONG
Targ: 700.0
y = 684.4437
d = 0.68887

155