Professional Documents
Culture Documents
Semestralni Rad DiAIE Konacna
Semestralni Rad DiAIE Konacna
MAŠINSKI FAKULTET
PROIZVODNO MAŠINSTVO
SEMESTRALNI RAD
Tema: MATEMATSKO MODELIRANJE STOPE GRAVIRANJA ZA RAZLIČITE
MATERIJALE
1
SADRŽAJ
Popis slika
2
Slika 18. Matrica kovarijanse (za drugi dio)........................................................................................... 20
Slika 19. Kontrasti (za drugi dio) ............................................................................................................ 21
Slika 20. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4 ...................................................... 21
Slika 21. Dobijene vrijednosti OER – modela ........................................................................................ 22
Slika 22. Reziduali i pojedinačne kvadratne greške (za drugi dio) ......................................................... 22
Slika 23. SSE, MSE i standardna devijacija (za drugi dio) ....................................................................... 23
Slika 24. Koeficijenti koleracije (za drugi dio) ........................................................................................ 23
Slika 25. T-test značajnosti (za drugi dio) .............................................................................................. 23
Slika 26. Fišerov test adekvatnosti (za drugi dio) .................................................................................. 24
Slika 27. Rezultati eksperimenta sa kodiranim vrijednostima (za drugi dio) ........................................ 26
Slika 28. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli ....................... 28
Slika 29. Izgled X matrice u Excel – u (za treći dio) ................................................................................ 28
Slika 30. Matrica kovarijanse (za treći dio) ............................................................................................ 29
Slika 31. Kontrasti (za treći dio) ............................................................................................................. 29
Slika 32. Matrica kolona procjenjenih koeficijenata b1, b2, b3, b4 ...................................................... 30
Slika 33. Dobijene vrijednosti OER – modela ........................................................................................ 30
Slika 34. Reziduali i pojedinačne kvadratne greške (za treći dio) .......................................................... 31
Slika 35. SSE, MSE i standardna devijacija (za trećii dio) ....................................................................... 31
Slika 36. Koeficijenti koleracije (za treći dio) ......................................................................................... 31
Slika 37. T-test značajnosti (za treći dio) ............................................................................................... 32
Slika 38. Fišerov test adekvatnosti (za treći dio) ................................................................................... 33
Slika 39. Rezultati eksperimenta sa kodiranim vrijednostima (za treći dio) ......................................... 34
Slika 40. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli ....................... 36
Popis tabela
Popis dijagrama
3
1. REAKTIVNO IONSKO NAGRIZANJE
1.1. UVOD
Reaktivno ionsko nagrizanje je tehnologija koja se koristi u mikrofabrikaciji. RIE je vrsta suhog
nagrizanja koja ima drugačije karakteristike od mokrog nagrizanja. RIE koristi hemijski reaktivnu
plazmu za uklanjanje materijala. Plazma nastaje pod niskim pritiskom elektromagnetskog polja.
Razlikujemo dva načina nagrizanja, i to:
Tipičan RIE sistem se sastoji od vakuumske komore, u kojoj je smješten sistem elektronike (u
donjem dijelu). Gas ulazi kroz male dovode na vrhu komore, a kroz dno izlazi u sistem vakuumskih
pumpi. Vrste i količina korištenog gasa variraju ovisno o procesu nagrizanja: na primjer, sumporni
heksafluorid obično se koristi za nagrizanje silikona. Pritisak gasa se obično održava u rasponu između
nekoliko militora i nekoliko stotina militora (Torr = 101 325 Pa) podešavanjem otvora za ispušne
gasove.
U svakom ciklusu polja, elektroni se u komori električno ubrzavaju gore – dole, ponekad
udarajući i u gornji zid komore. Kad se elektroni apsorbiraju u stijenke komore, oni se jednostavno
dovode i ne mijenjaju elektronsko stanje sistema. Međutim, elektroni koji se nalaze na pločici uzrokuju
da ploča nakuplja naboj zbog izolacije istosmjerne struje. Nagomilavanje naboja razvija veliki negativni
napon na ploči, obično oko nekoliko stotina volti. Sama plazma razvija blago pozitivan naboj zbog veće
koncentracije pozitivnih jona u odnosu na slobodne elektrone.
Zbog velike razlike napona, pozitivni ioni imaju tendenciju da se kreću prema ploči, gdje se
sudaraju s uzorcima koji će se nagrizati. Joni hemijski reagiraju s materijalima na površini uzoraka, ali
također mogu rasprštiti neki materijal prenoseći dio svoje kinetičke energije. Zbog vertikalne isporuke
reaktivnih iona, reaktivno ionsko nagrizanje može stvoriti vrlo anizotropne profile nagrizanja, koji su u
suprotnosti s tipično izotropnim profilima mokrog hemijskog nagrizanja.
4
Slika 1. Reaktivno ionsko nagrizanje u usporedbi sa fotohemijskim nagrizanjem (u sredini)
5
RIE se sastoji od dvije elektrode (1 i 4) koje stvaraju električno polje (3) za ubrzanje iona (2) prema
površini uzoraka (5).
Uslovi u RIE sistemu zavise o mnogim procesnim parametrima, poput pritiska, protoka gasa i
snage radiofrekvencijskog elektromagnetnog polja, omjer gasova za proces (CF4 : CHF3).
ICP – RIE može se koristiti za brzo nagrizanje širokog spektra materijala, uključujući poluvodiče,
dielektrike, metale i polimere. Uslovi procesa mogu se prilagoditi i optimizirati podešavanjem postavki
mnogih parametara procesa, kao što su RF snaga, pritisak i protok plina. Upravo ti uslovi korištenja koji
zavise od pritiska, koji treba da bude niži u odnosu na pritisak primjenjen kod RIE.
6
1.3.1. Oprema za ICP – RIE
ICP – RIE alati koriste induktivno spojen izvor plazme, što znači da se plazma generiše magnetnim
poljem koje napaja RF. Dodavanjem induktivno spojenog izvora plazme standardni RI sistem može
postići vrlo veliku gustinu plazme.
ICP – RIE sistemi obično rade sa malim pritiskom i koriste dva nezavisna izvora RF. RF generator
od 2 MHz primjenjuje snagu na ICP zavojnicu koja kontroliše ionske tokove, dok se preostala snaga
usmjerava na donju elektrodu koristeći RF generator 13.56 MHz za izdvajanje i ubrzanje iona i radikala
iz plazme prema površini materijala. Ovakva konfiguracija rezultira nezavisnom kontrolom gustoće
iona i ionskom energijom za veće brzine nagrizanja, veću fleksibilnost procesa i smanjenje oštećenja
uzoraka.
ICP – RIE nagrizanje zasniva se na korištenju induktivno povezanog izvora plazme. ICP izvor stvara
plazmu visoke gustoće zbog induktivnog spajanja RF antene i plazme. Antena, smještena u području
stvaranja plazme, stvara izmjenično radiofrekvencijskog magnetno polje i inducira radiofrekvenciju
električnog polja, koja energiziraju elektrone koji sudjeluju u ionizaciji molekula gasa i atoma pod
niskim pritiskom. Zbog nepostojanja električnog polja u blizini zidova reaktora praktički nema ionskog
bombardiranja.
Ključna razlika između ICP – RIE i RIE je odvojeni ICP izvor napajanja povezan s katodom koji
generiše jednosmjernu pristranost i prvlači jone u rez. Dakle, pomoću ICP – RIE tehnologije moguće je
odvojiti ionsku struju i ionsku energiju.
7
2. REGRESIONA ANALIZA – MATRIČNI PRISTUP – MS EXCEL
U statistici pronalaženjem statističkih veza između pojava bavi se regresiona analiza odnosno
regresija. Regresija je jedan od načina da se sastavi model za predviđanje i ocjenjivanje jedne ili više
zavisnih promijenljivih na osnovu jedne ili više nezavisnih promijenljivih. U regresiji postoji izlaz, za
razliku od drugih statističkih tehnika koje se bave problemima u kojima ne postoji zavisna promijenljiva.
Problem opisivanja ovakvih veza svodi se na pronalaženje modela koji povezuje jednu ili više
zavisnih promijenljivh 𝑦1 , 𝑦2 , 𝑦3 , … 𝑦𝑛 sa jednom ili više nezavisnih promijenljivih 𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛
pomoću neke funkcionalne zavisnosti. Ukoliko se problem koji posmatramo može tretirati kao problem
jedne zavisne i više nezavisnih promenljivih, radi se o pogodnoj situaciji za analizu podataka metodom
višestruke regresije. Ako je veza između njih linearna, slučaj se svodi na višestruki linearni model.
Neka su:
y - zavisna promenljiva varijabla,
𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 – nezavisne promenljive varijable,
𝑏𝑜 , 𝑏1 , 𝑏2 , 𝑏3 , 𝑏4 - nepoznati (regresioni) koeficijenti,
𝜀 – greška.
𝒚 = 𝒃𝒐 + 𝒃𝟏 ∙ 𝒙𝟏 + 𝒃𝟐 ∙ 𝒙𝟐 + 𝒃𝟑 ∙ 𝒙𝟑 + ⋯ + 𝒃𝒏 𝒏 + 𝛆
Mogući izvori greške su slučajna greška ili greška mjerenja i greška usljed nemogučnosti fitovanja
izabranim regresionim modelom. Osnovni cilj regresione analize je minimizirati grešku fitovanja.
Promijenljivu y zovemo i promijenljiva odgovora, tj. output promenljiva, dok su x -promijenljive
zvane input, tj. objašnjavajuće promijenljive.
Ukoliko imamo n eksperimenata model možemo zapisati matrično (matrični pristup) na sledeći
način:
𝒚 = 𝑿𝒃 + 𝜺
Gdje je:
𝑋𝑏 – sistemska komponenta modela,
𝜀 – slučajna komponenta modela.
8
2.1. POSTAVKA PROBLEMA
na zavisnu promjenljivu (izlaznu varijablu) koja je u ovom slučaju stopa graviranja (dubina gravure po
jedinici vremena) u zavisnosti od materijala koji se primjenjuje u Ionsko reaktivnom nagrizanju
(graviranju). Materijali odnosno slojevi koji su se primjenivali u ovom eksperimentu su:
Oxide [A/min],
Polysilicon [A/min],
PhotoResist [A/min].
Mjerna jedinica za stopu graviranja odnosno ostvarenu dubinu graviranja u ovom slučaju je
Angstrem po minuti (jedinici vremena). Angstrem (A) je jedinica dužine i iznosi 1 ∙ 10−10 𝑚 (𝑚𝑒𝑡𝑎𝑟𝑎)
odnosno 0,1 nm (nanometar).
9
2.2. REZULTATI EKSPERIMENTA (prvi dio)
Plan matrica X
Matrica kovarijanse
𝑪𝟎𝟎 … 𝑪𝒐𝒎
𝑻 −𝟏
C=(𝑿 𝑿) =[ ⋮ ⋱ ⋮ ]
𝑪𝒎𝟎 … 𝑪𝒎𝒎
10
(𝑿𝑻 𝑿)−𝟏
Kontrasti
Matrica kolona proizvoda transponovane dizajn matrice X i kolone rezultata naziva daje
vrijednosti tzv. Kontrasta. Za određivanje koristi se Excel funkcija:
„=mmult(transpose(“selektuj matricu X“); (“selektuj Y“))“ onda istovremeno pritisnemo tipke Ctrl,
Shift + Enter.
Za rezultat treba selektovati kolonu sa brojem redova koji odgovara broju koeficijenata
(uključujući bo), u ovom slučaju 4 reda.
Kontrasti = XT y
11
Matrica kolona procijenjenih koeficijenata dobija se iz proizvoda prethodno određenih matrica,
pomoću komande „= mmult((𝑋 𝑇 𝑋)−1 matrica; 𝑋 𝑇 𝑦 matrica)“ i onda istovremeno pritisnemo tipke
Ctrl, Shift i Enter.
𝒃 = (𝑿𝑻 𝑿)−𝟏 𝑿𝑻 𝒚
Matematski model
Gdje su:
12
Procjena varijanse greške 𝝈𝟐 (MSE)
𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑛−𝑝
𝑛
Gdje je : n- broj eksperimenata, a p - broj članova regresionog modela uključujući i slobodan član.
Kvadratne
greške
Sume
kvadratne
Srednja
greške
kvadratna
greška
Standardna
devijacija (greška)
13
Koeficijent koleracije
Model sa puno koeficijenata nije neophodno najbolji, dok se sa druge strane, model sa malo
koeficijenata može značajno poboljšati dodavajući koeficijente. Mi ne znamo koji koeficijent igra
značajnu ulogu u modelu, te je neophodno izvesti provjeru značajnosti koeficijenata modela.
Test značajnosti individualnih koeficijenata tzv. T-Test poredi izračunatu vrijednost t0:
𝒃𝒋
𝒕𝒐 =
√𝑴𝑺𝑬 ∙ 𝑪𝒋𝒋
sa kritičnom vrijednošću za dati nivo pouzdanosti α i stepen slobode greške n-1-i. Ukoliko je vrijednost
t0 manja ili bliska kritičnoj, koeficijent se može odbaciti kao neznačajan za dati za dati nivo pouzdanosti.
U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i broj stepeni slobode računa tabličnu
vrijednost t-raspodjele i to : „=TINV(0,05;n-1-i)“ . Za konkretno podatke u ovoj postavci t-kritično
iznosi tkritično= 2,4469118.
14
Izuzimajući neznačajan (nesignifikantan) parametar regresije dobiva se jednačina matematskog
modela, koja predviđa izlaznu vrijednost, u slijedećem obliku:
Gdje su:
𝑆𝑆𝑅
𝑖 𝑀𝑆𝑅
𝐹0 = =
𝑆𝑆𝐸 𝑀𝑆𝐸
𝑛−1−𝑖
𝑛
gdje je: SSR – regresiona suma kvadrata koja daje varijabilitet odziva y objašnjenog modelskom
jednačinom i definiše se sumom kvadrata razlika između vrijednosti yest dobijenih modelom i srednje
vrijednosti svih odziva dobijenih eksperimentalno.
U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i odgovarajuće brojeve stepeni
slobode regresije i reziduala, računa kritičnu vrijednost F-raspodjele i to : „=FINV(0,05;n-1-i)“ . Za
konkretno podatke u ovoj postavci F-kritično iznosi Fkrit= 4,757063.
15
Kvadrati razlike
modelske
vrijednosti i srednje
vrijednosti
dobijene
ekspremintalno
𝑆𝑆𝑅
𝑖
Koeficijent determinacije
Koeficijent determinacije 𝑅 2 je definisan odnosnom regresione SSE i ukupne sume kvadrata SYY.
𝑺𝑺𝑬
𝑹𝟐 = 𝟏 −
𝑺𝒀𝒀
Za primjer koji se analizirao u ovom prvom dijelu semestralnog rada, vrijednost koeficijenta
determinacije iznosi R2 = 0,9567 odnosno 95,67 %
Analiza reziduala
16
Linearna regresija je bazirana na pretpostavci da su greške ili rezidualni normalno raspoređeni
(slučajna greška). Ovo može biti provjereno plotanjem reziduala u tzv. Normlan Probability Plot.
Rasturanje reziduala
200
150
100
50
0
0 2 4 6 8 10 12
-50
-100
-150
-200
-250
-300
Da bi izradili plan matrice eksperimenta potrebno je izvršiti kodiranje osnovnih faktora, tj.
prevesti ih u prostor kodiranih koordinata. Nezavisno promjenjive varijable (x1, x2) kod modeliranja
obično se prevode u kodirani oblik (X1, X2), pri čemu vrijedi:
−1 ≤ 𝑋𝑖 ≤ 1 𝑧𝑎 𝑖 = 1, 2, 3, … 𝑛
Gdje je:
17
Rezultati eksperimenta sa kodiranim vrijednostima (za prvi dio)
S obizorm da je u ovom slučaju, za primjenjen materijal (OER) pri parametrima (Snaga, Pritisak,
Omjer gasa), koeficijent determinacije iznosi 95,67[%], to znači da je matematski model adekvatan,
odnosno da se preko 95 [%] varijabiliteta pripisuje djelovanju ulaznih varijabli.
18
Linearna regresija (za prvi dio)
8000
7000
6000
5000
R² = 0,9567
4000
3000
2000
1000
0
0 1 2 3 4 5 6 7 8 9 10
Također, na osnovu izvršenog kodiranja možemo uvidjeti koji su faktori značajni a koji neznačajni
i u kojoj mjeri je uticaj tih faktora. Nakon izvršenog eksperimenta možemo rangirati nezavisno
promjenljive prema uticaju na stopu odnosno dubinu graviranja na sljedeći način:
1. Pritisak [mT];
2. Sanga [W].
Sve ovo dokazuju i dijagrami, sa kojih možemo vidjeti da su najuticajniji faktori oni koji imaju
najstrmiji izgled, sto se poklapa sa eksperimentalno dobijenim rezultatima, a sve to opravdava i
koeficijent višestruke regresije koji je za ovaj slučaj iznosi preko 95%.
Slika 16. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli
19
2.4. REZULTATI EKSPERIMENTA (drugi dio)
Plan matrica X
Matrica kovarijanse
𝑪𝟎𝟎 … 𝑪𝒐𝒎
𝑻 −𝟏
C=(𝑿 𝑿) =[ ⋮ ⋱ ⋮ ]
𝑪𝒎𝟎 … 𝑪𝒎𝒎
(𝑿𝑻 𝑿)−𝟏
20
Kontrasti
Kontrasti = XT y
Matrica kolona
𝒃 = (𝑿𝑻 𝑿)−𝟏 𝑿𝑻 𝒚
21
Matematski model
Gdje su:
𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑛−𝑝
𝑛
Kvadratne
greške
22
Kvadratni korijen od MSE koristi se za procjenu „standardne devijacije“ i zove se „standardna
greška“ regresionog modela.
Sume
kvadratne
Srednja
greške
kvadratna
greška
Standardna
devijacija (greška)
Koeficijent koleracije
𝒃𝒋
𝒕𝒐 =
√𝑴𝑺𝑬 ∙ 𝑪𝒋𝒋
U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i broj stepeni slobode računa tabličnu
vrijednost t-raspodjele i to : „=TINV(0,05;n-1-i)“ . Za konkretno podatke u ovoj postavci t-kritično
iznosi tkritično= 2,4469118.
23
Testiranje adekvatnosti regresionog modela (Fišerov test)
𝑆𝑆𝑅
𝑖 𝑀𝑆𝑅
𝐹0 = =
𝑆𝑆𝐸 𝑀𝑆𝐸
𝑛−1−𝑖
𝑛
U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i odgovarajuće brojeve stepeni
slobode regresije i reziduala, računa kritičnu vrijednost F-raspodjele i to : „=FINV(0,05;n-1-i)“ . Za
konkretno podatke u ovoj postavci F-kritično iznosi Fkrit= 4,757063.
Kvadrati razlike
modelske
vrijednosti i srednje
vrijednosti
dobijene
ekspremintalno
𝑆𝑆𝑅
𝑖
Koeficijent determinacije
Koeficijent determinacije 𝑅 2 je definisan odnosnom regresione SSE i ukupne sume kvadrata SYY.
𝑺𝑺𝑬
𝑹𝟐 = 𝟏 −
𝑺𝒀𝒀
Za primjer koji se analizirao u ovom drugom dijelu semestralnog rada, vrijednost koeficijenta
determinacije iznosi R2 = 0,8574 odnosno 85,74 %
24
Analiza reziduala
Rasturanje reziduala
10
0
0 1 2 3 4 5 6 7 8 9 10
-5
-10
-15
Da bi izradili plan matrice eksperimenta potrebno je izvršiti kodiranje osnovnih faktora, tj.
prevesti ih u prostor kodiranih koordinata. Nezavisno promjenjive varijable (x1, x2, x3) kod modeliranja
obično se prevode u kodirani oblik (X1, X2, X3), pri čemu vrijedi:
−1 ≤ 𝑋𝑖 ≤ 1 𝑧𝑎 𝑖 = 1, 2, 3, … 𝑛
Gdje je:
25
Tabela 3. Fizikalne i kodirane vrijednosti
26
S obizorm da je u ovom slučaju, za primjenjen materijal (PER) pri parametrima (Snaga, Pritisak,
Omjer gasa), koeficijent determinacije iznosi 85,74[%], to znači da je matematski model adekvatan,
odnosno da se preko 85 [%] varijabiliteta pripisuje djelovanju ulaznih varijabli.
Također, na osnovu izvršenog kodiranja možemo uvidjeti koji su faktori značajni a koji neznačajni
i u kojoj mjeri je uticaj tih faktora. Nakon izvršenog eksperimenta možemo rangirati nezavisno
promjenljive prema uticaju na stopu odnosno dubinu graviranja na sljedeći način:
1. Snaga [W];
2. Pritisak [mT];
3. Odnos gasova.
Sve ovo dokazuju i dijagrami, sa kojih možemo vidjeti da su najuticajniji faktori oni koji imaju
najstrmiji izgled, sto se poklapa sa eksperimentalno dobijenim rezultatima, a sve to opravdava i
koeficijent višestruke regresije koji je za ovaj slučaj iznosi preko 85%.
27
Slika 28. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli
Plan matrica X
Matrica kovarijanse
𝑪𝟎𝟎 … 𝑪𝒐𝒎
𝑻 −𝟏
C=(𝑿 𝑿) =[ ⋮ ⋱ ⋮ ]
𝑪𝒎𝟎 … 𝑪𝒎𝒎
28
(𝑿𝑻 𝑿)−𝟏
Kontrasti
Kontrasti = XT y
29
Matrica kolona
𝒃 = (𝑿𝑻 𝑿)−𝟏 𝑿𝑻 𝒚
Matematski model
Gdje su:
30
Procjena varijanse greške 𝝈𝟐 (MSE)
𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑛−𝑝
𝑛
Kvadratne
greške
Sume
kvadratne
Srednja
greške
kvadratna
greška Standardna
devijacija (greška)
Koeficijent koleracije
31
Test značajnosti individualnih regresionih koeficijenata (t-test)
𝒃𝒋
𝒕𝒐 =
√𝑴𝑺𝑬 ∙ 𝑪𝒋𝒋
U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i broj stepeni slobode računa tabličnu
vrijednost t-raspodjele i to : „=TINV(0,05;n-1-i)“ . Za konkretno podatke u ovoj postavci t-kritično
iznosi tkritično= 2,4469118.
𝑆𝑆𝑅
𝑖 𝑀𝑆𝑅
𝐹0 = =
𝑆𝑆𝐸 𝑀𝑆𝐸
𝑛−1−𝑖
𝑛
U MS Excel-u postoji funkcija koja za dati nivo pouzdanostu i odgovarajuće brojeve stepeni
slobode regresije i reziduala, računa kritičnu vrijednost F-raspodjele i to : „=FINV(0,05;n-1-i)“ . Za
konkretno podatke u ovoj postavci F-kritično iznosi Fkrit= 4,757063.
Kvadrati razlike
modelske
vrijednosti i srednje
vrijednosti
dobijene
ekspremintalno
𝑆𝑆𝑅
𝑖
32
Slika 38. Fišerov test adekvatnosti (za treći dio)
Koeficijent determinacije
Koeficijent determinacije 𝑅 2 je definisan odnosnom regresione SSE i ukupne sume kvadrata SYY.
𝑺𝑺𝑬
𝑹𝟐 = 𝟏 −
𝑺𝒀𝒀
Za primjer koji se analizirao u ovom trećem dijelu semestralnog rada, vrijednost koeficijenta
determinacije iznosi R2 = 0,9318 odnosno 93,18 %
Analiza reziduala
Rasturanje reziduala
60
40
20
0
0 1 2 3 4 5 6 7 8 9 10
-20
-40
-60
-80
33
Kodiranje ulaznih varijabli
Da bi izradili plan matrice eksperimenta potrebno je izvršiti kodiranje osnovnih faktora, tj.
prevesti ih u prostor kodiranih koordinata. Nezavisno promjenjive varijable (x1, x2, x3) kod modeliranja
obično se prevode u kodirani oblik (X1, X2, X3), pri čemu vrijedi:
−1 ≤ 𝑋𝑖 ≤ 1 𝑧𝑎 𝑖 = 1, 2, 3, … 𝑛
Gdje je:
34
2.7. ANALIZA I ZAKLJUČAK ZA TREĆI DIO
S obizorm da je u ovom slučaju, za primjenjen materijal (PRER) pri parametrima (Snaga, Pritisak,
Omjer gasa), koeficijent determinacije iznosi 93,18[%], to znači da je matematski model adekvatan,
odnosno da se preko 93 [%] varijabiliteta pripisuje djelovanju ulaznih varijabli.
Također, na osnovu izvršenog kodiranja možemo uvidjeti koji su faktori značajni a koji neznačajni
i u kojoj mjeri je uticaj tih faktora. Nakon izvršenog eksperimenta možemo rangirati nezavisno
promjenljive prema uticaju na stopu odnosno dubinu graviranja na sljedeći način:
1. Snaga [W];
2. Pritisak [mT];
3. Odnos gasova.
35
Sve ovo dokazuju i dijagrami, sa kojih možemo vidjeti da su najuticajniji faktori oni koji imaju
najstrmiji izgled, sto se poklapa sa eksperimentalno dobijenim rezultatima, a sve to opravdava i
koeficijent višestruke regresije koji je za ovaj slučaj iznosi preko 93%.
Slika 40. Dijagrami zavisnosti između ulaznih pojedinačnih varijabli i izlaznih varijabli
36
3. LITERATURA
37