Comparación de métodos de optimización para un experimento con múltiples variables de respuesta

Autores/as

DOI:

https://doi.org/10.20983/culcyt.2021.2.2.1

Palabras clave:

Múltiples variables de respuesta, programación no lineal, optimización, experimento

Resumen

Dentro del proceso de experimentación estadística existen ciertas variables que en conjunto determinan las condiciones ideales de múltiples variables de respuesta. Un reto importante dentro de la optimización de modelos creados a partir de experimentos recae precisamente en las situaciones en que la calidad de un producto es función de múltiples variables de respuesta y dadas estas condiciones resulta necesario establecer estrategias precisas que permitan optimizar todas las respuestas a la vez. En este trabajo se experimentó con tres métodos de optimización con el propósito de encontrar el mejor de ellos y la estrategia capaz de optimizar las funciones que consisten en más de una característica crítica. El objetivo del artículo es encontrar la estrategia capaz de arrojar las condiciones óptimas de dos variables de respuesta, condicionadas por restricciones iniciales. Los resultados de optimización obtenidos a través de los métodos considerados fueron similares en cuanto al logro de los objetivos de optimización planteados.

Biografía del autor/a

Luis Alberto Rodríguez-Picón, Universidad Autónoma de Ciudad Juárez

Profesor-Investigador

Departamento de Ingenieria Industrial y Manufactura

 

Luis Carlos Méndez-González, Universidad Autónoma de Ciudad Juárez

Departamento de Ingenieria Industrial y Manufactura

 

Citas

G. Ramón, Diseños experimentales. Apuntes de clase del curso Seminario Investigativo VI, Antioquía: Universidad de Antioquía, 2015, pp. 1-38.

H. Gutiérrez-Pulido y R. Vara-Salazar, Análisis y diseño de experimentos, 2.ª ed. México: McGraw-Hill/Interamericana Editores, 2008.

M. J. Cervantes y T. F. Engstro, “Factorial Design Applied to CFD”, J. Fluids Eng., vol. 126, no. 5, sept. 2004, doi: 10.1115/1.1792277.

L. V. Bacio, “Optimización Multi-Objetivo en el Problema de Metodología de Superficie Multi-Respuesta”, tesis de maestría, Centro de Investigación en Matemáticas, A. C., Guanajuato, Gto., México, 2007. [En línea]. Disponible: https://cimat.repositorioinstitucional.mx/jspui/bitstream/1008/69/2/TE%20221.pdf

J. J. Pignatiello Jr., “Strategies for Robust Multiresponse Quality Engineering”, IIE Trans, vol. 25, no. 3, pp. 5-15, 1993, doi: 10.1080/07408179308964286.

T. K. Trinh y L. S. Kang, “Response surface methodological approach to optimize the coagulation–flocculation process in drinking water treatment”, Chem Eng Res Des, vol. 89, no. 7, pp. 1126-1135, 2011, doi: 10.1016/j.cherd.2010.12.004.

Z. He, J. Wang, J. Oh y S. H. Park, “Robust optimization for multiple responses using response surface methodology”, Appl. Stoch. Models Bus. Ind., vol. 26, no. 2, pp. 157-171, mar. 2010, doi: 10.1002/asmb.788.

S. Shamsudeen y J. E. R. Dhas, “Optimization of Multiple Performance Characteristics of Friction Stir Welded Joint with Grey Relational Analysis”, Mater. Res., vol. 21, no. 6, Nov. 2018, doi: 10.1590/1980-5373-mr-2017-1050.

S. Jambhale, S. Kumar y S. Kumar, “Multi-response optimization of friction stir spot welded joint with grey relational analysis”, Mater. Today: Proc., vol. 27, pp. 1900-1908, 2020, doi: 10.1016/j.matpr.2020.03.830.

D. Kilic, M. Ebegil, H. Bayrak, B. Ozkaya y B. Apaydin, “Optimization Of Multi Responses Using Data Envelopment Analysis: The Application in Food Industry”, Gazi Univ. J. Sci., vol. 32, no. 3, pp. 1083–1090, sept. 2019, doi: 10.35378/gujs.394984.

O. I. Awad et al., “Response surface methodology (RSM) based multi-objective optimization of fusel oil -gasoline blends at different water content in SI engine”, Energy Convers. Manag., vol. 150, pp. 222–241, oct. 2017, doi: 10.1016/j.enconman.2017.07.047.

M. Mia, “Multi-response optimization of end milling parameters under through-tool cryogenic cooling condition”, Measurement, vol. 111, pp. 134-145, dic. 2017, doi: 10.1016/j.measurement.2017.07.033.

P. Achuthamenon Sylajakumari, R. Ramakrishnasamy, G. Palaniappan y R. Murugan, “Multi-response Optimization of End Milling Parameters for Al-Zn-Mg/SiC Co-continuous Composite Using Response Surface Methodology”, Materials Science, vol. 25, no. 4, pp. 471-477, jun. 2019, doi: 10.5755/j01.ms.25.4.21000.

R. De la Vara-Salazar y J. Domínguez-Domínguez, “Métodos de superficie multirespuesta: un estudio comparativo”, Rev. Mat., vol. 9, no. 1, pp. 47-65, 2002, doi: 10.15517/rmta.v9i1.209.

M. R. Hasniyati, H. Zuhailawati y S. Ramakrishnan, “A statistical prediction of multiple responses using overlaid contour plot on hydroxyapatite coated magnesium via cold spray deposition”, Procedia Manuf., vol. 19, pp. 181-188, 2016, doi: 10.1016/j.proche.2016.03.091.

S. I. Rudnykh y V. I. López-Ríos, “Elección de la función de deseabilidad para diseños óptimos bajo restricciones”, Revista EIA, vol. 15, no. 30, pp. 13-24, 2018, doi: 10.24050/reia.v15i30.903.

X. Chen y J. Chen, “Optimization of the Impeller Geometry for an Automotive Torque Converter Using Response Surface Methodology and Desirability Function”, Open J. Appl. Sci., vol. 10, no. 07, 2020, doi: 10.4236/ojapps.2020.107032.

E. Hazir, E. S. Erdinler y K. H. Koc, “Optimization of CNC cutting parameters using design of experiment (DOE) and desirability function”, J. For. Res., vol. 29, pp. 1423-1434, 2018, doi: 10.1007/s11676-017-0555-8.

R. Świercz, D. Oniszczuk-Świercz y T. Chmielewski, “Multi-response optimization of electrical discharge machining using the desirability function”, Micromachines, vol. 10, no. 1, 2019, doi: 10.3390/mi10010072.

R. Cantú-Cuéllar, “Programación no lineal”, tesis de maestría, Universidad Autónoma de Nuevo León, San Nicolás de los Garza, N. L., México, 1996. [En línea]. Disponible: http://cdigital.dgb.uanl.mx/te/1080072405.pdf

E. Del Castillo, Process Optimization: a Statistical Approach. Boston, MA: Springer Science+Business Media, LLC, 2007.

S. Kawakita et al., “Evaluation of non-linear wheat development models and optimization methods for their parameter determination”, J. Agric. Meteorol., vol. 75, no. 2, 2019, doi: 10.2480/agrmet.D-18-00034.

Descargas

Publicado

2021-07-19

Cómo citar

Mendoza-Gallardo, J., Rodríguez-Picón, L. A., & Méndez-González, L. C. (2021). Comparación de métodos de optimización para un experimento con múltiples variables de respuesta. Cultura Científica Y Tecnológica, 18(2), 1–10. https://doi.org/10.20983/culcyt.2021.2.2.1

Número

Sección

Artículos