Plan de Box-Behnken — Méthodologie de surface de réponse à trois niveaux
- Introduite par
- George E. P. Box and Donald W. Behnken
- Année
- 1960
- Type
- Response surface design (incomplete three-level factorial)
- Famille
- Engineering methods
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
Le plan de Box-Behnken (BBD) est un plan de méthodologie de surface de réponse efficace qui ajuste un modèle polynomial du second ordre complet en utilisant trois niveaux pour chaque facteur.
Introduit par Box et Behnken en 1960, il place les points expérimentaux aux points médians des arêtes d'un hypercube et au centre, évitant ainsi les points d'angle où tous les facteurs sont simultanément à leurs niveaux extrêmes. Cette structure rend le BBD particulièrement attrayant lorsque les combinaisons de niveaux extrêmes sont physiquement impossibles, coûteuses ou dangereuses à tester.
L’intuition derrière la méthode
Supposons que vous optimisiez une réaction chimique et que vous ayez trois facteurs contrôlables — température, pression et concentration de catalyseur — chacun avec un réglage bas, moyen et élevé. Un plan factoriel complet à trois niveaux nécessiterait 27 essais. Le plan de Box-Behnken atteint le même objectif d'ajustement du second ordre avec seulement 15 essais (plus les points centraux) en sélectionnant judicieusement les combinaisons facteur-niveau à tester : il maintient toujours au moins un facteur à son niveau médian, de sorte qu'aucune expérience ne pousse simultanément tous les facteurs à leurs extrêmes. Pensez-y comme un échantillonnage stratégique de l'espace expérimental qui utilise beaucoup moins d'essais tout en capturant la courbure et les interactions.
Histoire
George Box et Donald Behnken ont introduit le plan dans leur article fondateur de 1960 dans Technometrics, où ils ont proposé une famille de plans à trois niveaux capables d'estimer tous les coefficients d'un polynôme du second ordre tout en évitant les sommets extrêmes du cube de conception. Leur motivation était à la fois économique — les essais aux coins peuvent être coûteux — et pratique, car de nombreux processus industriels et chimiques ne peuvent pas supporter des conditions de fonctionnement à niveaux extrêmes. Le plan est devenu une norme en méthodologie de surface de réponse, largement diffusé par les manuels de Box et Draper (1987) et Myers, Montgomery et Anderson-Cook, et est maintenant couramment implémenté dans des logiciels statistiques tels que JMP, Minitab et le package rsm de R.
Quand l’utiliser
Utilisez le plan de Box-Behnken lorsque vous devez ajuster un modèle de surface de réponse complet du second ordre (quadratique) avec 3 à 7 facteurs continus et que les points d'angle de l'espace expérimental sont dangereux, irréalisables ou prohibitivement coûteux à tester — par exemple, lorsque des réglages extrêmes de plusieurs variables de processus simultanément pourraient endommager l'équipement ou présenter des risques pour la sécurité. Le BBD est approprié lorsque le nombre d'essais expérimentaux doit rester modéré et que tous les facteurs peuvent individuellement atteindre leurs réglages haut et bas. N'utilisez PAS le BBD si vous avez besoin d'un plan qui prend en charge des termes d'ordre supérieur au-delà du quadratique, si vous avez des facteurs catégoriels, si l'extrapolation aux points de sommets extrêmes est l'objectif, ou si seulement deux facteurs sont étudiés (un plan composite centré est plus efficace pour k = 2). Évitez également le BBD lorsqu'un essai de point d'angle est réellement nécessaire pour répondre à une exigence de spécification en aval.
Limites et points d’attention
- Ne convient pas à l'expérimentation séquentielle : contrairement aux plans composites centrés, le BBD ne peut pas être construit à partir d'une expérience de criblage factorielle à deux niveaux antérieure.
- N'estime pas les interactions aux combinaisons de facteurs extrêmes, car les points d'angle sont absents ; si le comportement aux coins est critique, un plan composite centré ou factoriel complet est nécessaire.
- La couverture de la région expérimentale n'est pas uniforme — les coins de l'hypercube ne sont pas du tout échantillonnés, ce qui peut introduire un biais de prédiction si l'optimum réel se situe près d'un coin.
- Pour cinq facteurs ou plus, le nombre d'essais peut augmenter considérablement, réduisant son avantage d'efficacité par rapport aux plans composites centrés.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Nécessite moins d'essais expérimentaux qu'un plan factoriel complet à trois niveaux, ce qui le rend rentable et rapide pour ajuster des modèles du second ordre.
- Pas d'essais aux points d'angle — particulièrement précieux lorsque des réglages simultanément extrêmes de tous les facteurs sont physiquement dangereux, prohibitivement coûteux ou irréalisables en cours de processus.
- Toutes les combinaisons facteur-niveau dans la matrice de plan sont proches du centre ou sur les positions médianes des arêtes, qui sont souvent les conditions de fonctionnement les plus sûres et les plus représentatives.
- Quasi-rotatabilité : la variance de prédiction est approximativement constante à égale distance du centre du plan, offrant une précision d'estimation uniforme dans toute la région expérimentale.
- Simple à augmenter avec des réplicats de points centraux qui fournissent une estimation pure de l'erreur expérimentale et supportent un test de manque d'ajustement.
Applications
- Optimisation de formulations pharmaceutiques, où des concentrations d'excipients simultanément extrêmes peuvent rendre un comprimé incompressible ou instable.
- Optimisation des paramètres de processus en génie chimique — température du réacteur, pression et débit d'alimentation — où des extrêmes combinés pourraient dépasser les marges de sécurité.
- Expériences en sciences alimentaires optimisant la texture, la couleur ou les attributs sensoriels en fonction des proportions d'ingrédients et des conditions de traitement.
- Études en science des matériaux ajustant la relation entre la température de frittage, la pression et le temps sur les propriétés des pièces céramiques ou métalliques en poudre.
- Expériences de terrain agricoles optimisant les taux d'engrais, les niveaux d'irrigation et la densité de plantation lorsque les contraintes logistiques empêchent de tester toutes les combinaisons extrêmes.
- Études de remédiation environnementale optimisant le pH, la dose d'oxydant et le temps de contact pour la dégradation des contaminants, où des combinaisons extrêmes pourraient être corrosives ou dangereuses.
Comment ça marche
Comment ça marche
L'expérimentateur identifie k facteurs quantitatifs continus (typiquement 3 à 7) et définit trois niveaux codés pour chacun : bas (−1), centre (0) et haut (+1). La variable de réponse doit être mesurable et continue. Une condition préalable clé est que les niveaux extrêmes de chaque facteur soient individuellement réalisables — le plan évite les sommets d'angle mais teste chaque facteur à ses extrêmes tandis que les autres facteurs sont maintenus à leur centre.
La matrice du BBD est construite en combinant les facteurs par blocs incomplets deux par deux. Pour chaque paire de facteurs, un plan factoriel à deux niveaux (quatre essais) est créé tandis que les facteurs restants sont maintenus à leur niveau central. Des réplicats de points centraux (typiquement 3 à 5) sont ajoutés au plan complet. Pour trois facteurs, cela donne 15 essais ; pour quatre facteurs, 27 essais. Le plan résultant est rotatif ou quasi-rotatif et ne comporte pas de points d'angle où tous les facteurs sont simultanément à leurs réglages extrêmes.
Les expériences sont réalisées dans un ordre aléatoire pour se protéger contre les variables cachées et les tendances temporelles. Chaque ligne du plan spécifie les réglages des facteurs pour un essai expérimental. Une mesure minutieuse de la réponse à chaque essai, associée à une randomisation et un blocage appropriés si nécessaire, est essentielle pour une estimation valide du modèle.
Un modèle de régression polynomial du second ordre est ajusté aux données : la réponse est modélisée comme une fonction des effets linéaires de tous les facteurs, de leurs termes carrés (quadratiques) et de tous les termes d'interaction à deux facteurs. L'estimation par les moindres carrés ordinaires (ou moindres carrés pondérés) fournit les coefficients de régression. L'analyse de variance et les tests de manque d'ajustement évaluent l'adéquation du modèle.
Formule
\hat{y} = \beta_0 + \sum_{i=1}^{k}\beta_i x_i + \sum_{i=1}^{k}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_i x_jUne fois qu'un modèle satisfaisant est confirmé, la surface de réponse ajustée est explorée pour localiser l'optimum — la combinaison des réglages de facteurs qui maximise, minimise ou atteint une valeur cible de la réponse. Les méthodes incluent l'analyse canonique, la méthode de la pente la plus forte/faible et l'optimisation numérique par fonction de désirabilité lorsque plusieurs réponses sont impliquées.
Pièges courants
- Confusion entre BBD et plan composite centré (CCD) : le CCD inclut un bloc factoriel à deux niveaux (coins) plus des points axiaux (étoiles) qui s'étendent au-delà de la plage des facteurs ; le BBD n'a ni l'un ni l'autre. Choisir le mauvais plan par rapport aux contraintes expérimentales entraîne des essais gaspillés ou des expériences irréalisables.
- Application du BBD à moins de trois facteurs : pour k = 2, le BBD se réduit à un plan beaucoup moins efficace qu'un CCD ; préférez toujours un CCD ou un plan simplement rotatif pour les études à deux facteurs.
- Réplicats de points centraux insuffisants : utiliser seulement 1 ou 2 points centraux laisse l'estimation de l'erreur pure mal définie, sapant le test de manque d'ajustement et l'ANOVA globale. Au moins 3 points centraux sont fortement recommandés.
- Ignorer le besoin de randomisation : exécuter le BBD dans un ordre non aléatoire (par exemple, regrouper tous les essais à basse température) confond les effets des facteurs avec des variables parasites liées au temps, invalidant le modèle.
Questions fréquentes
Comment le plan de Box-Behnken diffère-t-il du plan composite centré ?
Les deux plans ajustent un modèle polynomial du second ordre pour l'analyse de surface de réponse, mais ils diffèrent par leur structure. Le plan composite centré (CCD) comprend un bloc factoriel à deux niveaux (coins) plus des points axiaux (étoiles) qui s'étendent au-delà de la plage des facteurs, et peut être construit séquentiellement à partir d'une expérience de criblage antérieure. Le BBD n'a pas de points d'angle et pas de points en dehors de la plage des facteurs — il utilise seulement trois niveaux par facteur. Choisissez le BBD lorsque les essais aux coins sont irréalisables ; choisissez le CCD lorsque la construction séquentielle ou les propriétés aux coins extrêmes sont importantes.
Combien d'essais un plan de Box-Behnken nécessite-t-il ?
Le nombre d'essais dépend du nombre de facteurs k. Pour k = 3 : 15 essais (12 points médians d'arêtes + 3 points centraux) ; pour k = 4 : 27 essais ; pour k = 5 : 46 essais. Ces décomptes incluent un nombre standard de réplicats de points centraux. Comparez cela à un plan factoriel complet à trois niveaux, qui nécessiterait 27, 81 et 243 essais pour k = 3, 4 et 5 respectivement — le BBD offre des économies spectaculaires.
Puis-je utiliser le plan de Box-Behnken avec plus de sept facteurs ?
Le BBD est généralement utilisé pour 3 à 7 facteurs. Pour plus de sept facteurs, le nombre d'essais augmente considérablement et des approches alternatives telles que les plans de criblage définitifs ou les plans optimaux générés par ordinateur sont généralement plus efficaces. L'article original de Box et Behnken (1960) décrivait des plans jusqu'à sept facteurs.
Quel logiciel peut exécuter une analyse de Box-Behnken ?
Le BBD est pris en charge dans la plupart des principaux progiciels statistiques : JMP (module Design of Experiments), Minitab (section Response Surface de DOE), SAS (PROC OPTEX ou PROC RSREG), et R (le package rsm avec la fonction bbd()). Les utilisateurs de Python peuvent utiliser la bibliothèque pyDOE2. Tous ces outils génèrent la matrice de plan, ajustent le modèle du second ordre et fournissent l'ANOVA, les graphiques de surface de réponse et les résultats d'optimisation.
Le plan de Box-Behnken est-il rotatif ?
Le BBD est approximativement rotatif, ce qui signifie que la variance de prédiction est presque constante à égale distance du centre du plan, mais la rotatabilité stricte dépend du nombre de facteurs. Pour k = 3, le BBD standard est exactement rotatif avec le nombre de points centraux couramment utilisé. Pour d'autres valeurs de k, la rotatabilité est approximative. En pratique, cette quasi-rotatabilité est suffisante pour la plupart des applications d'ingénierie et scientifiques.
Méthodes associées
Sources
Box, G. E. P., & Behnken, D. W. (1960). Some new three level designs for the study of quantitative variables. Technometrics, 2(4), 455–475.
Ouvrir la référence DOICopié.Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2016). Response Surface Methodology: Process and Product Optimization Using Designed Experiments (4th ed.). Wiley.
ISBN : 978-1118916025Copié.