Skip to content
Voltar aos resultados

Delineamento Composto Central — Delineamento Experimental de Superfície de Resposta

Proposto por
George E. P. Box and K. B. Wilson
Ano
1951
Tipo
Response surface experimental design
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 Composto Central (DCC) é um delineamento de superfície de resposta de segunda ordem que permite aos pesquisadores ajustar eficientemente um modelo quadrático completo, relacionando múltiplos fatores de entrada contínuos a uma ou mais variáveis de resposta.

Introduzido por Box e Wilson em 1951, ele combina um núcleo fatorial (ou fatorial fracionado), pontos axiais (estrela) e réplicas de ponto central em um único delineamento unificado, tornando-o o mais amplamente utilizado para otimização de processos em engenharia, química e manufatura.

A intuição por trás do método

Suponha que você esteja otimizando o rendimento de uma reação química variando temperatura e pressão. Um delineamento fatorial simples informa sobre os efeitos principais e interações em apenas dois níveis por fator, mas perde a superfície curva que frequentemente existe perto de um ótimo. O DCC adiciona dois pontos extras além dos cantos fatoriais ao longo de cada eixo fatorial — os pontos axiais ou estrela — de modo que o experimento se estende o suficiente em cada direção para estimar a curvatura. Algumas execuções de ponto central são adicionadas para medir o erro experimental puro e verificar se a relação é realmente curva em vez de linear. Juntos, esses três conjuntos de pontos permitem mapear toda a superfície de resposta com muito menos execuções do que um fatorial completo de três níveis exigiria.

História

O Delineamento Composto Central foi introduzido por George E. P. Box e K. B. Wilson em seu artigo seminal de 1951 no Journal of the Royal Statistical Society, que simultaneamente introduziu o conceito de metodologia de superfície de resposta. Box e Wilson mostraram que a combinação de um delineamento fatorial com pontos axiais permitia que a curvatura da superfície de resposta fosse estimada e um ótimo fosse localizado com muito menos experimentos do que os métodos existentes exigiam. O delineamento tornou-se central para a otimização de processos industriais ao longo das décadas de 1950 e 1960 e foi popularizado pelo livro didático de Box e Draper, Empirical Model-Building and Response Surfaces (1987). Hoje, o DCC permanece o delineamento experimental de segunda ordem mais citado e aplicado em engenharia, química e ciências da vida.

Quando usar

Use o DCC quando precisar ajustar um modelo de segunda ordem (quadrático) para mapear e otimizar uma resposta contínua em uma região de k fatores quantitativos (tipicamente k = 2–6). É a escolha padrão em estudos de otimização de processos em engenharia química, desenvolvimento farmacêutico, ciência de alimentos e manufatura, quando se espera curvatura na relação fator-resposta ou quando um modelo de primeira ordem já mostrou falta de ajuste significativa. O DCC é preferido em relação ao delineamento de Box-Behnken quando você pode (ou precisa) usar configurações de fatores nos pontos axiais extremos além do intervalo fatorial, e em relação a um fatorial completo 3^k quando a economia de execuções é importante. NÃO use DCC com fatores categóricos, variáveis de resposta binárias ou de contagem, ou quando a região experimental é geometricamente restrita de modo que os pontos axiais caem fora dos intervalos operacionais viáveis (nesse caso, um delineamento de Box-Behnken ou D-ótimo é mais apropriado). Evite também o DCC se um modelo de primeira ordem com uma estratégia de subida mais íngreme ainda não tiver sido usado para mover o delineamento para a vizinhança do ótimo — ajustar um quadrático longe do ótimo desperdiça execuções.

Limitações e considerações

  • Requer que todos os fatores sejam contínuos e quantitativos; não pode lidar com fatores categóricos sem modificação.
  • Pontos axiais a uma distância alfa > 1 se estendem além do cubo fatorial, o que pode ser inviável quando os níveis dos fatores são fisicamente restritos.
  • À medida que k cresce (k > 5), a contagem total de execuções aumenta rapidamente e as demandas de recursos tornam-se substanciais.
  • O modelo quadrático é uma aproximação local; se a verdadeira superfície de resposta tiver não linearidade de ordem superior, o modelo DCC ainda pode apresentar falta de ajuste perto do ótimo.

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

Pontos fortes

  • Estima eficientemente todos os coeficientes de um polinômio de segunda ordem completo com menos execuções do que um delineamento fatorial 3^k.
  • Rotatibilidade: o DCC centrado na face ou rotacionável fornece variância de previsão igual em todos os pontos equidistantes do centro do delineamento, proporcionando precisão preditiva uniforme.
  • As réplicas de ponto central fornecem uma estimativa independente do erro puro, permitindo um teste de falta de ajuste válido.
  • Flexível: pode ser construído sequencialmente — execute o núcleo fatorial primeiro (como um delineamento de triagem), depois aumente com pontos axiais e centrais se a curvatura for detectada.
  • Bem suportado em softwares estatísticos padrão (JMP, Minitab, pacote rsm do R, SAS PROC RSREG).

Aplicações

  • Desenvolvimento de processos farmacêuticos: otimização da força de compressão de comprimidos, umidade de granulação e concentração de aglutinante para maximizar simultaneamente a taxa de dissolução e a dureza.
  • Engenharia química: mapeamento do rendimento e seletividade como funções da temperatura de reação, pressão e carga de catalisador para encontrar ótimos operacionais.
  • Ciência de alimentos: otimização das condições de cozimento ou fermentação (tempo, temperatura, proporções de ingredientes) para textura e qualidade sensorial.
  • Engenharia ambiental: modelagem da eficiência de remoção de poluentes como função do pH, tempo de contato e dose de adsorvente em estudos de tratamento de água.
  • Manufatura: otimização de parâmetros de usinagem (velocidade de corte, taxa de avanço, profundidade de corte) para minimizar a rugosidade da superfície e o desgaste da ferramenta.
  • Ciência dos materiais: ajuste da resistência ou condutividade como função da composição e condições de processamento para guiar a formulação de ligas ou polímeros.

Como funciona

Como funciona

1

Identifique os k fatores quantitativos contínuos a serem estudados e defina seus níveis fatoriais baixo e alto (codificados como -1 e +1). Escolha a distância axial alfa — para rotatibilidade alfa = (2^k)^(1/4); para DCC centrado na face alfa = 1. Determine o número de réplicas de ponto central n0 (tipicamente 3–6) para estimar o erro puro e estabilizar a variância.

2

Monte os três componentes: (1) um fatorial completo 2^k ou um fatorial fracionado 2^(k-p) adequado, fornecendo 2^k (ou menos) execuções de canto; (2) 2k pontos axiais (estrela) colocados a uma distância alfa do centro ao longo de cada eixo fatorial; e (3) n0 execuções de ponto central na origem. A contagem total de execuções é N = 2^k + 2k + n0. Para k=2 fatores, isso é tipicamente 13 execuções; para k=3, cerca de 20 execuções.

Fórmula
N = 2^k + 2k + n_0
3

Conduza as N execuções experimentais em ordem aleatória para evitar viés sistemático de tendências temporais ou deriva de equipamento. Registre o(s) valor(es) de resposta para cada execução. Se os recursos permitirem, o bloqueio das porções fatorial e axial em sessões experimentais separadas preserva a rotatibilidade enquanto controla a variação diária.

4

Use regressão por mínimos quadrados para ajustar o polinômio de segunda ordem completo: y = beta0 + sum(beta_i * x_i) + sum(beta_ii * x_i^2) + sum(beta_ij * x_i * x_j) + epsilon. Este modelo captura efeitos principais, efeitos quadráticos puros (curvatura) e interações de dois fatores. A estrutura de pontos do DCC garante que todos os coeficientes de segunda ordem sejam estimáveis.

Fórmula
y = \beta_0 + \sum_{i}\beta_i x_i + \sum_{i}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_ix_j + \varepsilon
5

Avalie a adequação do modelo através da análise de variância (ANOVA), do coeficiente de determinação (R^2 e R^2 ajustado), gráficos de resíduos e um teste de falta de ajuste (possibilitado pelas réplicas de ponto central). Confirme que o modelo atende às suposições da regressão — normalidade e variância constante dos resíduos — antes de tirar conclusões.

6

Use a superfície de resposta ajustada para localizar o ótimo — um máximo, mínimo ou ponto de sela — via análise canônica, gráficos de contorno ou otimização numérica por função de desejabilidade. Verifique o ótimo previsto com uma ou mais execuções de confirmação nas configurações ótimas dos fatores antes de se comprometer com mudanças operacionais.

Erros comuns

  • Executar o delineamento longe do verdadeiro ótimo — o DCC é um delineamento de segunda ordem destinado ao ajuste fino próximo a um ótimo, não para exploração ampla; use delineamentos de triagem e subida mais íngreme primeiro.
  • Ignorar o teste de falta de ajuste — os pontos centrais estão lá precisamente para testar se o modelo quadrático se ajusta; um sinal significativo de falta de ajuste significa que o modelo é inadequado e as conclusões de otimização são não confiáveis.
  • Não aleatorizar a ordem de execução — a execução sistemática do bloco fatorial seguida por execuções axiais e centrais sem aleatorização confunde os efeitos do tempo com os efeitos dos fatores.
  • Escolher alfa sem verificar a viabilidade — um DCC rotacionável (alfa = (2^k)^(1/4)) posiciona os pontos axiais bem além do intervalo fatorial; sempre verifique se os níveis de fatores resultantes são fisicamente alcançáveis antes de finalizar o delineamento.
  • Superinterpretar a superfície longe da região do delineamento — o quadrático ajustado é confiável apenas dentro da região experimental; extrapolar para encontrar um ótimo global fora dessa região é estatisticamente injustificado.

Perguntas frequentes

Qual a diferença entre um DCC centrado na face e um DCC rotacionável?

Em um DCC centrado na face (alfa = 1), os pontos axiais se encontram nas faces do cubo fatorial, de modo que todas as configurações dos fatores permanecem dentro do intervalo [-1, +1] — útil quando excursões axiais não são viáveis. Em um DCC rotacionável, alfa = (2^k)^(1/4), posicionando os pontos axiais mais afastados; isso proporciona variância de previsão igual em todos os pontos à mesma distância do centro (rotatibilidade), mas requer níveis de fatores além do intervalo fatorial. Escolha o centrado na face quando restrições físicas impedem configurações extremas; escolha o rotacionável quando a precisão preditiva uniforme em toda a esfera do delineamento é a prioridade.

Quantas réplicas de ponto central devo usar?

A recomendação padrão é de 3 a 6 réplicas de ponto central. Três é o mínimo prático para obter um teste de falta de ajuste significativo e uma estimativa estável de erro puro. Usar 5 a 6 pontos centrais melhora a estabilidade da estimativa da variância e é aconselhável quando se espera que o ruído experimental seja alto. Mais de seis pontos centrais raramente adicionam valor proporcional e aumentam a contagem total de execuções.

Posso usar DCC quando tenho mais de seis fatores?

Sim, mas a economia de execuções se deteriora. Para k > 5, o núcleo fatorial completo 2^k torna-se caro, então os praticantes geralmente substituem por um fatorial fracionado de resolução V, criando um delineamento composto central fracionado. Softwares como JMP ou Minitab automatizam essa construção. Para k > 6, um delineamento gerado por computador D-ótimo ou I-ótimo frequentemente oferece uma alternativa mais eficiente em termos de execuções do que qualquer DCC clássico.

Como o DCC se compara ao delineamento de Box-Behnken?

Ambos são delineamentos de superfície de resposta de segunda ordem para k >= 3 fatores. O DCC inclui pontos de canto (fatoriais) mais pontos axiais mais pontos centrais; o Box-Behnken usa apenas pontos médios de aresta e pontos centrais, de modo que nunca requer combinações de fatores nos cantos extremos do espaço de delineamento. O Box-Behnken é preferido quando as configurações de canto são fisicamente perigosas ou inviáveis e quando pontos axiais alfa > 1 não podem ser alcançados. O DCC é preferido quando as configurações de canto são viáveis e quando a estratégia sequencial (aumento) é desejada, porque o bloco fatorial pode servir como um experimento de triagem anterior.

Qual software posso usar para configurar e analisar um DCC?

Todos os principais pacotes estatísticos suportam DCC: Minitab (Response Surface > Central Composite), JMP (Custom Design ou plataforma Response Surface), SAS PROC RSREG e R com o pacote rsm (função ccd()). O pacote rsm está disponível gratuitamente e oferece geração completa do delineamento, ajuste do modelo e plotagem da superfície em um único fluxo de trabalho.

Métodos relacionados

Fontes

  1. Box, G. E. P., & Wilson, K. B. (1951). On the experimental attainment of optimum conditions. Journal of the Royal Statistical Society: Series B, 13(1), 1–45.

    Abrir referência DOI
    Copiado.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Copiado.