Skip to content
Voltar aos resultados

Delineamento Box-Behnken — Metodologia de Superfície de Resposta de Três Níveis

Proposto por
George E. P. Box and Donald W. Behnken
Ano
1960
Tipo
Response surface design (incomplete three-level factorial)
Família
Engineering methods

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

O delineamento Box-Behnken (BBD) é um delineamento eficiente de metodologia de superfície de resposta que ajusta um modelo polinomial completo de segunda ordem utilizando três níveis de cada fator.

Introduzido por Box e Behnken em 1960, ele posiciona os pontos experimentais nos pontos médios das arestas de um hipercubo e no centro, evitando os pontos de canto onde todos os fatores estão simultaneamente em seus níveis extremos. Essa estrutura torna o BBD particularmente atraente quando combinações de níveis extremos são fisicamente impossíveis, caras ou inseguras de testar.

A intuição por trás do método

Suponha que você esteja otimizando uma reação química e tenha três fatores controláveis — temperatura, pressão e concentração de catalisador — cada um com uma configuração baixa, média e alta. Um fatorial completo em três níveis exigiria 27 ensaios. O delineamento Box-Behnken atinge o mesmo objetivo de ajuste de segunda ordem com apenas 15 ensaios (mais pontos centrais) selecionando inteligentemente quais combinações de fatores-níveis testar: ele sempre mantém pelo menos um fator em seu nível intermediário, de modo que nenhum experimento empurra simultaneamente todos os fatores para seus extremos. Pense nisso como uma amostragem estratégica do espaço experimental que usa muito menos ensaios, mas ainda captura a curvatura e as interações.

História

George Box e Donald Behnken introduziram o delineamento em seu artigo marco de 1960 na Technometrics, onde propuseram uma família de delineamentos de três níveis que poderiam estimar todos os coeficientes de um polinômio de segunda ordem, evitando os vértices extremos do cubo de delineamento. Sua motivação foi tanto econômica — ensaios de canto podem ser caros — quanto prática, pois muitos processos industriais e químicos não podem sustentar condições operacionais de todos os níveis extremos. O delineamento tornou-se um padrão em metodologia de superfície de resposta, amplamente disseminado através dos livros didáticos de Box e Draper (1987) e Myers, Montgomery e Anderson-Cook, e agora é rotineiramente implementado em softwares estatísticos como JMP, Minitab e o pacote rsm do R.

Quando usar

Use o delineamento Box-Behnken quando precisar ajustar um modelo completo de superfície de resposta de segunda ordem (quadrático) com 3 a 7 fatores contínuos e os pontos de canto do espaço experimental forem inseguros, inviáveis ou proibitivamente caros de testar — por exemplo, quando configurações extremas de múltiplas variáveis de processo simultaneamente poderiam danificar equipamentos ou representar riscos de segurança. O BBD é apropriado quando o número de ensaios experimentais deve ser mantido moderado e todos os fatores podem atingir individualmente seus níveis alto e baixo. NÃO use o BBD se precisar de um delineamento que suporte termos de ordem superior além do quadrático, se tiver fatores categóricos, se a extrapolação para pontos de vértice extremos for o objetivo, ou se apenas dois fatores forem estudados (um delineamento composto central é mais eficiente para k = 2). Evite também o BBD quando um ensaio de ponto de canto for realmente necessário para atender a um requisito de especificação downstream.

Limitações e considerações

  • Não adequado para experimentação sequencial: ao contrário dos delineamentos compostos centrais, o BBD não pode ser construído a partir de um experimento de triagem fatorial de dois níveis anterior.
  • Não estima interações nas combinações de fatores extremas, pois os pontos de canto estão ausentes; se o comportamento nos cantos for crítico, um delineamento composto central ou fatorial completo é necessário.
  • A cobertura da região experimental não é uniforme — os cantos do hipercubo não são amostrados, o que pode introduzir viés de predição se o ótimo verdadeiro estiver perto de um canto.
  • Para cinco ou mais fatores, o número de ensaios pode crescer substancialmente, reduzindo sua vantagem de eficiência sobre os delineamentos compostos centrais.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Requer menos ensaios experimentais do que um fatorial completo de três níveis, tornando-o eficiente em custo e tempo para ajustar modelos de segunda ordem.
  • Sem ensaios de ponto de canto — particularmente valioso quando configurações simultaneamente extremas de todos os fatores são fisicamente perigosas, proibitivamente caras ou inviáveis para o processo.
  • Todas as combinações de fatores-níveis na matriz de delineamento estão próximas do centro ou em posições de meio de aresta, que são frequentemente as condições operacionais mais seguras e representativas.
  • Quase-rotatabilidade: a variância de predição é aproximadamente constante a distâncias iguais do centro do delineamento, proporcionando precisão de estimação uniforme em toda a região experimental.
  • Simples de aumentar com réplicas de ponto central que fornecem uma estimativa pura do erro experimental e suportam um teste de falta de ajuste.

Aplicações

  • Otimização de formulações farmacêuticas, onde concentrações extremas simultâneas de excipientes podem tornar um comprimido incompressível ou instável.
  • Otimização de parâmetros de processo em engenharia química — temperatura do reator, pressão e taxa de alimentação — onde extremos combinados poderiam exceder as margens de segurança.
  • Experimentos de ciência de alimentos otimizando textura, cor ou atributos sensoriais em função de proporções de ingredientes e condições de processamento.
  • Estudos de ciência de materiais ajustando a relação entre temperatura de sinterização, pressão e tempo nas propriedades de peças cerâmicas ou de pó metálico.
  • Experimentos de campo agrícola otimizando taxas de fertilizantes, níveis de irrigação e densidade de plantio quando restrições logísticas impedem o teste de todas as combinações extremas.
  • Estudos de remediação ambiental otimizando pH, dose de oxidante e tempo de contato para degradação de contaminantes, onde combinações extremas poderiam ser corrosivas ou perigosas.

Como funciona

Como funciona

1

O experimentador identifica k fatores quantitativos contínuos (tipicamente de 3 a 7) e define três níveis codificados para cada um: baixo (−1), centro (0) e alto (+1). A variável de resposta deve ser mensurável e contínua. Um pré-requisito fundamental é que os níveis extremos de cada fator sejam individualmente viáveis — o delineamento evita os vértices de canto, mas testa cada fator em seus extremos enquanto outros fatores são mantidos em seu centro.

2

A matriz BBD é construída combinando fatores em blocos incompletos de dois em dois. Para cada par de fatores, um fatorial de dois níveis (quatro ensaios) é criado enquanto os fatores restantes são mantidos em seu nível central. Réplicas do ponto central (tipicamente 3–5) são adicionadas ao delineamento completo. Para três fatores, isso resulta em 15 ensaios; para quatro fatores, 27 ensaios. O delineamento resultante é rotacional ou quase rotacional e não possui pontos de canto onde todos os fatores estão simultaneamente em suas configurações extremas.

3

Os experimentos são realizados em ordem aleatória para proteger contra variáveis ocultas e tendências temporais. Cada linha do delineamento especifica as configurações dos fatores para um ensaio experimental. A medição cuidadosa da resposta em cada ensaio, juntamente com a aleatorização adequada e o bloqueio, se necessário, é essencial para a estimação válida do modelo.

4

Um modelo de regressão polinomial de segunda ordem é ajustado aos dados: a resposta é modelada como uma função dos efeitos lineares de todos os fatores, seus termos quadráticos (quadráticos) e todos os termos de interação de dois fatores. A estimação por mínimos quadrados ordinários (ou mínimos quadrados ponderados) fornece os coeficientes de regressão. A análise de variância e os testes de falta de ajuste avaliam a adequação do modelo.

Fórmula
\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_j
5

Uma vez confirmado um modelo satisfatório, a superfície de resposta ajustada é explorada para localizar o ótimo — a combinação de configurações de fatores que maximiza, minimiza ou atinge um valor alvo da resposta. Os métodos incluem análise canônica, inclinação mais acentuada/descida e otimização numérica da função de desejabilidade quando múltiplas respostas estão envolvidas.

Erros comuns

  • Confundir BBD com um delineamento composto central (CCD): o CCD inclui um bloco fatorial (canto) de dois níveis mais pontos axiais (estrela) que se estendem além do intervalo do fator; o BBD não tem nenhum dos dois. Escolher o delineamento errado em relação às restrições experimentais leva a ensaios desperdiçados ou experimentos inviáveis.
  • Aplicar BBD a menos de três fatores: para k = 2, o BBD se reduz a um delineamento muito menos eficiente do que um CCD; prefira sempre CCD ou um delineamento rotacional simples para estudos de dois fatores.
  • Réplicas insuficientes de ponto central: usar apenas 1–2 pontos centrais deixa a estimativa de erro puro mal definida, minando o teste de falta de ajuste e a ANOVA geral. Pelo menos 3 pontos centrais são fortemente recomendados.
  • Ignorar a necessidade de aleatorização: executar o BBD em ordem não aleatória (por exemplo, agrupar todos os ensaios de baixa temperatura) confunde os efeitos dos fatores com variáveis de incômodo relacionadas ao tempo, invalidando o modelo.

Perguntas frequentes

Como o delineamento Box-Behnken difere do delineamento composto central?

Ambos os delineamentos ajustam um modelo polinomial de segunda ordem para análise de superfície de resposta, mas diferem na estrutura. O delineamento composto central (CCD) inclui um bloco fatorial de dois níveis (canto) mais pontos axiais (estrela) que se estendem além do intervalo do fator, e pode ser construído sequencialmente a partir de um experimento de triagem anterior. O BBD não tem pontos de canto nem pontos fora do intervalo do fator — ele usa apenas três níveis por fator. Escolha BBD quando ensaios de canto forem inviáveis; escolha CCD quando a construção sequencial ou as propriedades nos cantos extremos forem importantes.

Quantos ensaios um delineamento Box-Behnken requer?

O número de ensaios depende do número de fatores k. Para k = 3: 15 ensaios (12 pontos médios de aresta + 3 pontos centrais); para k = 4: 27 ensaios; para k = 5: 46 ensaios. Essas contagens incluem um número padrão de réplicas de ponto central. Compare isso a um fatorial completo de três níveis, que exigiria 27, 81 e 243 ensaios para k = 3, 4 e 5 respectivamente — o BBD oferece economias drásticas.

Posso usar o delineamento Box-Behnken com mais de sete fatores?

O BBD é geralmente usado para 3 a 7 fatores. Para mais de sete fatores, a contagem de ensaios cresce substancialmente e abordagens alternativas, como delineamentos de triagem definitivos ou delineamentos ótimos gerados por computador, são geralmente mais eficientes. O artigo original de Box e Behnken (1960) descreveu delineamentos de até sete fatores.

Qual software pode executar uma análise Box-Behnken?

O BBD é suportado na maioria dos principais pacotes estatísticos: JMP (módulo Design of Experiments), Minitab (seção Response Surface de DOE), SAS (PROC OPTEX ou PROC RSREG) e R (o pacote rsm com a função bbd()). Usuários de Python podem usar a biblioteca pyDOE2. Todos eles geram a matriz de delineamento, ajustam o modelo de segunda ordem e fornecem ANOVA, gráficos de superfície de resposta e saída de otimização.

O delineamento Box-Behnken é rotacional?

O BBD é aproximadamente rotacional, o que significa que a variância de predição é quase constante a distâncias iguais do centro do delineamento, mas a rotatabilidade estrita depende do número de fatores. Para k = 3, o BBD padrão é exatamente rotacional com a contagem comumente usada de pontos centrais. Para outros valores de k, a rotatabilidade é aproximada. Na prática, essa quase-rotatabilidade é suficiente para a maioria das aplicações de engenharia e científicas.

Métodos relacionados

Fontes

  1. Box, G. E. P., & Behnken, D. W. (1960). Some new three level designs for the study of quantitative variables. Technometrics, 2(4), 455–475.

    Abrir referência DOI
    Copiado.
  2. 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: 978-1118916025
    Copiado.