| Journal: | Ingeniería. Investigación y tecnología |
| Database: | PERIÓDICA |
| System number: | 000438798 |
| ISSN: | 1405-7743 |
| Authors: | Barrios Córdova, Abel1 Vaquera Huerta, Humberto1 Romero Padilla, Juan Manuel1 Crossa, José2 Burguete Hernández, Esteban1 |
| Institutions: | 1Colegio de Postgraduados, Departamento de Estadística, Montecillo, Estado de México. México 2Centro Internacional de Mejoramiento de Maíz y Trigo, Unidad de Biometría y Estadística, Texcoco, Estado de México. México |
| Year: | 2020 |
| Season: | Abr-Jun |
| Volumen: | 21 |
| Number: | 2 |
| Country: | México |
| Language: | Español |
| Document type: | Artículo |
| Approach: | Aplicado, descriptivo |
| Spanish abstract | En este trabajo se desarrolla una propuesta para comparar diferentes metodologías de optimización multirespuesta aplicadas a superficies de respuesta (RSM) en diseños experimentales, como herramientas de solución a problemas presentes principalmente en el área industrial. Se estudian las siguientes metodologías: función de deseabilidad (DES), MOORA (MOO), TOPSIS (TOP), MULTIMOORA (MMO), MOORA AD (MAD), TOPSIS AD (TAD) y redes neuronales multicapa (con los paquetes Neuralnet (NEU) y Nnet (NET)). Cada una de estas técnicas se aplican a tres casos de interés comercial o industrial con diferentes diseños experimentales (Taguchi, Box-Behnken y Diseño Central Compuesto), en un estudio de simulación Monte Carlo, donde se consideran como factores las diferentes técnicas comparadas, el tipo de diseño experimental y diferentes escenarios de correlaciones. Se comparan las técnicas por medio de una métrica que evalúa la distancia de cada respuesta estimada respecto a su valor ideal o deseado, con el fin de analizar las ventajas y desventajas de cada método. Los resultados obtenidos son consistentes en cada uno de los casos abordados y se concluye que las redes neuronales Neuralnet (NEU) son el mejor método; en segundo lugar, la función de deseabilidad (DES) y las redes neuronales Nnet (NET). Además, se encontró que el método MOORA AD (MAD) propuesto, tiene un excelente desempeño en un caso de estudio particular. Se recomienda en estudios comparativos futuros, emplear más tipos de diseños experimentales y aplicar más técnicas de optimización multirespuesta disponibles, con el fin de obtener mayor información sobre los escenarios y condiciones que muestren mejor desempeño así como realizar sugerencias de implementación más puntuales. Todo el desarrollo se realizó en R (R Core Team, 2019) con el fin de promover el uso de software libre con fines de investigación o desarrollo comercial |
| English abstract | In this work a proposal is developed to compare different multi-response optimization methodologies applied to response surfaces (RSM) in experimental designs, as solution tools of problems mainly in the industrial area. The following methodologies are studied: desirability function (DES), MOORA (MOO), TOPSIS (TOP), MULTIMOORA (MMO), MOORA AD (MAD), TOPSIS AD (TAD) and multilayer neural networks (with Neuralnet (NEU) and Nnet (NET) packages). Each of these techniques is applied in three cases of commercial or industrial interest with different experimental designs (Taguchi, Box-Behnken and Central Composite Design), in a Monte Carlo simulation study, the techniques to be compared, the type of experimental design and different correlation scenarios are used as factors. The techniques are compared by a metric that evaluates the distance of each estimated response with respect to its ideal or desired value, in order to analyze the advantages and disadvantages of each method. The results obtained were consistent in each of the analyzed cases, it is concluded that Neuralnet Neural Networks (NEU) are the best method, secondly, the Desirability Function (DES) and Nnet Neural Networks (NET). In addition, the proposed MOORA AD (MAD) method was found to have excellent performance in one particular study case. It is recommended in future comparative studies, to use more types of experimental designs and to apply more multi-response optimization techniques available, in order to obtain more information on which scenarios and conditions the methods show a better performance and to make more specific implementation suggestions. All the programs were done using R (R Core Team, 2019) to promote the use of free software for research or commercial development purposes |
| Disciplines: | Ingeniería |
| Keyword: | Ingeniería industrial, Optimización, Optimización multiobjetivo, Optimización multirespuesta, Redes neuronales artificiales, Diseño experimental |
| Keyword: | Industrial engineering, Optimization, Multiobjective optimizing, Multi-response optimization, Artificial neural networks, Experimental design |
| Full text: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
