Luận Án Tiến Sĩ: Thiết Kế Mặt Đáp Ứng 3 Mức Với Tính Chất Hiệu Ứng Bậc Hai Trực Giao

Luận án tiến sĩ trình bày thiết kế mặt đáp ứng 3 mức với tính chất hiệu ứng bậc hai trực giao, mang lại giải pháp tối ưu cho nghiên cứu.

• Tác giả: Phạm Đình Tùng
• Người hướng dẫn: TS. Nguyễn Kỳ Nam
• Trường học: Trường Đại Học Khoa Học Tự Nhiên - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Lý Thuyết Xác Suất và Thống Kê Toán Học
• Đề tài: Thiết Kế Mặt Đáp Ứng 3-Mức Với Tính Chất Hiệu Ứng Bậc Hai Trực Giao
• Loại tài liệu: Luận Án Tiến Sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• 1. CHƯƠNG 1: Giới thiệu phương pháp bề mặt đáp ứng
• 1.1. Thiết kế thí nghiệm
• 1.2. Phương pháp bề mặt đáp ứng
• 1.3. Mô hình bề mặt đáp ứng
• 1.4. Tối ưu bề mặt đáp ứng
• 1.5. Thiết kế thí nghiệm phù hợp mô hình bề mặt đáp ứng
• 1.6. Thí nghiệm sinh tổng hợp enzym Lipase
• 2. CHƯƠNG 2: Thiết kế Box-Behnken
• 2.1. Thiết kế Box-Behnken nhỏ với nhóm trực giao
• 2.2. Thiết kế Box-Behnken
• 2.3. Thiết kế nhóm không đầy đủ với cỡ nhóm khác nhau
• 2.4. Phương pháp xây dựng thiết kế Box-Behnken nhỏ
• 2.5. Thiết kế Box-Behnken nhỏ mới với các nhóm trực giao
• 2.6. Chia nhóm trực giao của các thiết kế bậc hai dựa trên IBD
• 2.7. Kết luận chương 2
• 3. CHƯƠNG 3: Thiết kế ước lượng tương đương SPLIT-PLOT
• 3.1. Thiết kế SPLIT-PLOT
• 3.2. Mô hình bề mặt đáp ứng cho thiết kế SPLIT-PLOT tổng quát
• 3.3. Cấu trúc mong muốn của ma trận thông tin của SPD
• 3.4. Thuật toán SPLIT
• 3.5. Kết quả và đánh giá. Các ví dụ minh chứng
• 3.6. Kết quả tính toán
• 3.7. Kết luận chương 3
• Danh mục công trình khoa học của tác giả liên quan đến luận án
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Về Thiết Kế Mặt Đáp Ứng 3 Mức

Thiết kế mặt đáp ứng 3 mức là một phương pháp quan trọng trong nghiên cứu và phân tích dữ liệu. Phương pháp này giúp tối ưu hóa các yếu tố ảnh hưởng đến kết quả thí nghiệm. Việc áp dụng hiệu ứng bậc hai trong thiết kế này cho phép các nhà nghiên cứu hiểu rõ hơn về mối quan hệ giữa các biến. Điều này không chỉ giúp cải thiện chất lượng sản phẩm mà còn tiết kiệm thời gian và chi phí trong quá trình nghiên cứu.

1.1. Khái Niệm Về Thiết Kế Mặt Đáp Ứng

Thiết kế mặt đáp ứng (Response Surface Design) là một kỹ thuật thống kê được sử dụng để mô hình hóa và phân tích mối quan hệ giữa các yếu tố đầu vào và đầu ra. Phương pháp này cho phép tối ưu hóa các yếu tố để đạt được kết quả mong muốn.

1.2. Lợi Ích Của Thiết Kế Mặt Đáp Ứng 3 Mức

Việc sử dụng thiết kế mặt đáp ứng 3 mức giúp các nhà nghiên cứu có thể kiểm soát và điều chỉnh các yếu tố một cách hiệu quả. Điều này dẫn đến việc cải thiện chất lượng sản phẩm và giảm thiểu chi phí nghiên cứu.

II. Vấn Đề Trong Thiết Kế Mặt Đáp Ứng 3 Mức

Mặc dù thiết kế mặt đáp ứng 3 mức mang lại nhiều lợi ích, nhưng cũng tồn tại một số thách thức. Các vấn đề này bao gồm việc xác định số lượng phép thử cần thiết và cách thức phân tích dữ liệu. Ngoài ra, việc lựa chọn các yếu tố phù hợp cũng là một thách thức lớn.

2.1. Thách Thức Trong Việc Xác Định Số Lượng Phép Thử

Xác định số lượng phép thử cần thiết là một trong những thách thức lớn nhất trong thiết kế mặt đáp ứng. Việc này ảnh hưởng trực tiếp đến độ chính xác của kết quả nghiên cứu.

2.2. Khó Khăn Trong Phân Tích Dữ Liệu

Phân tích dữ liệu từ thiết kế mặt đáp ứng 3 mức có thể phức tạp. Cần có các phương pháp thống kê phù hợp để đảm bảo kết quả chính xác và đáng tin cậy.

III. Phương Pháp Thiết Kế Mặt Đáp Ứng 3 Mức Hiệu Quả

Để tối ưu hóa thiết kế mặt đáp ứng 3 mức, có thể áp dụng một số phương pháp như thiết kế Box-Behnken và thiết kế SPLIT-PLOT. Những phương pháp này giúp cải thiện độ chính xác và hiệu quả của thí nghiệm.

3.1. Thiết Kế Box Behnken

Thiết kế Box-Behnken là một phương pháp phổ biến trong thiết kế mặt đáp ứng. Nó cho phép tối ưu hóa các yếu tố mà không cần thực hiện quá nhiều phép thử.

3.2. Thiết Kế SPLIT PLOT

Thiết kế SPLIT-PLOT được sử dụng khi có sự khác biệt giữa các yếu tố dễ thay đổi và khó thay đổi. Phương pháp này giúp tối ưu hóa các yếu tố trong điều kiện thực tế.

IV. Ứng Dụng Thực Tiễn Của Thiết Kế Mặt Đáp Ứng 3 Mức

Thiết kế mặt đáp ứng 3 mức đã được áp dụng rộng rãi trong nhiều lĩnh vực như nông nghiệp, công nghiệp thực phẩm và dược phẩm. Các ứng dụng này cho thấy tính hiệu quả và khả năng cải thiện chất lượng sản phẩm.

4.1. Ứng Dụng Trong Nông Nghiệp

Trong nông nghiệp, thiết kế mặt đáp ứng giúp tối ưu hóa các yếu tố như phân bón, nước và ánh sáng để đạt được năng suất cao nhất.

4.2. Ứng Dụng Trong Công Nghiệp Thực Phẩm

Trong ngành công nghiệp thực phẩm, phương pháp này giúp cải thiện quy trình sản xuất và chất lượng sản phẩm, từ đó tăng cường sự hài lòng của khách hàng.

V. Kết Luận Về Thiết Kế Mặt Đáp Ứng 3 Mức

Thiết kế mặt đáp ứng 3 mức với hiệu ứng bậc hai là một công cụ mạnh mẽ trong nghiên cứu và phát triển sản phẩm. Việc áp dụng phương pháp này không chỉ giúp tối ưu hóa quy trình mà còn nâng cao chất lượng sản phẩm. Tương lai của thiết kế mặt đáp ứng hứa hẹn sẽ còn phát triển hơn nữa với sự hỗ trợ của công nghệ.

5.1. Tương Lai Của Thiết Kế Mặt Đáp Ứng

Với sự phát triển của công nghệ, thiết kế mặt đáp ứng sẽ ngày càng trở nên chính xác và hiệu quả hơn. Các phần mềm phân tích dữ liệu sẽ hỗ trợ tốt hơn cho các nhà nghiên cứu.

5.2. Khuyến Nghị Cho Nghiên Cứu Tương Lai

Cần tiếp tục nghiên cứu và phát triển các phương pháp mới trong thiết kế mặt đáp ứng để đáp ứng nhu cầu ngày càng cao trong nghiên cứu và sản xuất.

Nội dung chính

Tổng quan về luận án

Phương pháp Bề mặt Đáp ứng (Response Surface Methodology - RSM), khởi xướng từ công trình kinh điển của Box & Wilson (1951), đóng vai trò nền tảng trong tối ưu hóa các quy trình công nghệ và phân tích thực nghiệm công nghiệp. Tuy nhiên, việc áp dụng mô hình đa thức bậc hai trong thực tế gặp phải rào cản lớn về chi phí và tính khả thi khi số lượng nhân tố ($m$) gia tăng, dẫn đến sự bùng nổ về số lượng phép thử ($n$). Luận án tiến sĩ toán học chuyên ngành Lý thuyết xác suất và Thống kê Toán học (Mã số: 62 46 01 06) của nghiên cứu sinh Phạm Đình Tùng, dưới sự hướng dẫn khoa học của TS. Nguyễn Kỳ Nam và GS. Nguyễn Hữu Dư tại Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia Hà Nội (2016), đã giải quyết triệt để bài toán tối ưu hóa cấu trúc thực nghiệm thông qua đề tài: "Thiết kế mặt đáp ứng 3-mức với tính chất hiệu ứng bậc hai trực giao".

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định bao gồm hai vấn đề cốt lõi:

1. Các thiết kế Box-Behnken (BBD) kinh điển (Box & Behnken, 1960) đòi hỏi số phép thử quá lớn khi số nhân tố tăng cao, đồng thời không thể chia nhóm trực giao đối với một số trường hợp như $m = 3$ và $m = 11$. Các nỗ lực rút gọn gần đây như thiết kế Box-Behnken nhỏ (Small Box-Behnken Design - SBBD) của Zhang và cộng sự (2011) hoàn toàn không có khả năng chia nhóm trực giao. Trong khi đó, các thiết kế của Dey & Kole (2013) tuy chia nhóm được nhưng ma trận thông tin $X^T X$ không đạt cấu trúc trực giao hoàn toàn giữa hiệu ứng chính và tương tác.
2. Trong các bài toán thực nghiệm tồn tại nhân tố khó thay đổi mức giá trị (Hard-to-Change - HTC / Whole-Plot - WP) kết hợp nhân tố dễ thay đổi (Easy-to-Change - ETC / Sub-Plot - SP), mô hình Split-Plot (SPD) xuất hiện cấu trúc sai số ngẫu nhiên hai tầng phức tạp. Các thiết kế ước lượng tương đương SPLIT-PLOT (Equivalent-Estimation Split-Plot Design - EE-SPD) trước đây (Vining và cộng sự, 2005; Macharia & Goos, 2010; Jones & Goos, 2012) có chỉ số $D$-hiệu quả ($D_{eff}$) chưa tối ưu hoặc thiếu vắng tính chất trực giao cho các hiệu ứng bậc hai.

Luận án đặt ra hai câu hỏi nghiên cứu và giả thuyết khoa học:

• Câu hỏi 1 (Q1): Làm thế nào để xây dựng các thiết kế bậc hai 3-mức rút gọn từ các thiết kế nhóm không đầy đủ (Incomplete Block Design - IBD) với kích thước khối không đồng đều, vừa tối thiểu hóa số phép thử vừa bảo toàn cấu trúc ma trận thông tin trực giao $X^T X = \begin{pmatrix} A & 0 \ 0 & D \end{pmatrix}$ (với $D$ là ma trận đường chéo) và khả năng chia nhóm trực giao?

• Câu hỏi 2 (Q2): Bằng cơ chế thuật toán nào có thể thiết lập các thiết kế EE-SPD 3-mức bảo đảm tính chất ước lượng bình phương tối thiểu thông thường trùng khớp với bình phương tối thiểu tổng quát ($\hat{\beta}{OLS} \equiv \hat{\beta}{GLS}$), đồng thời tối ưu hóa chỉ số $D_{eff}$ vượt trội so với các thuật toán trao đổi điểm ngẫu nhiên?

• Giả thuyết 1 (H1): Việc kết hợp kỹ thuật thêm/bớt phần tử từ thiết kế nhóm không đầy đủ và cân bằng (BIBD) tuần hoàn cho phép kiến tạo các SBBD có số phép thử ít hơn đáng kể so với BBD và Dey & Kole (2013) nhưng vẫn duy trì chỉ số xoay quanh $Q^* > 0.5$ và khả năng chia nhóm trực giao bởi 2 nhân tố.

• Giả thuyết 2 (H2): Thuật toán hoán đổi mức nhân tố ô nhỏ (SP) dựa trên công thức cập nhật nhanh ma trận thông tin $M_{updated} = M \mp \frac{1}{k+1}(A_r - B_r)$ sẽ tìm được các thiết kế $SPD^*$ có cấu trúc trực giao và $D_{eff}$ cao hơn các thiết kế của Jones & Goos (2012).

Khung lý thuyết của nghiên cứu được định hình dựa trên lý thuyết thiết kế tổ hợp (Combinatorial Design Theory), lý thuyết mô hình tuyến tính tổng quát (Generalized Linear Models) và lý thuyết tối ưu hóa bề mặt đáp ứng. Đóng góp đột phá của luận án được định lượng qua việc thiết lập 7 thiết kế SBBD hoàn toàn mới cho $m = 5, 6, 8, 10, 11, 12, 15$ nhân tố, giúp giảm tới 19.05% số phép thử (tại $m=5$ giảm từ 42 xuống 34 phép thử), đồng thời cải tiến vượt bậc 25 cấu hình EE-SPD so với công bố quốc tế của Jones & Goos (2012). Phạm vi nghiên cứu bao quát các không gian thực nghiệm từ 4 đến 16 nhân tố, được kiểm chứng thực nghiệm trên quy trình sinh tổng hợp enzym Lipase từ chủng nấm men Pichia anomala VTCC Y0787 với mô hình đạt hệ số xác định $R^2 = 0.9616$ và mức ý nghĩa thống kê $p = 6.365 \times 10^{-6}$.

Literature Review và Positioning

Lịch sử phát triển của thiết kế thực nghiệm ghi nhận dấu ấn khởi nguồn từ R. Fisher (1930s) tại Trạm Nông học Rothamsted với ba nguyên lý nền tảng: ngẫu nhiên hóa (randomization), lặp lại (replication), và chia nhóm (blocking). Box & Wilson (1951) đã tạo bước ngoặt khi chuyển giao phương pháp luận này sang môi trường công nghiệp bằng việc giới thiệu RSM và thiết kế tổng hợp trung tâm (Central Composite Design - CCD). Tiếp đó, Box & Behnken (1960) đề xuất lớp thiết kế bậc hai 3-mức (BBD) dựa trên việc chồng chất các thiết kế nhân tố $2^k$ lên các khối của thiết kế nhóm không đầy đủ và cân bằng (BIBD) hoặc bán cân bằng (PBIBD). BBD nhanh chóng trở thành tiêu chuẩn vàng nhờ chỉ yêu cầu 3 mức giá trị ($-1, 0, 1$), có tính xoay quanh (rotatability) hoặc gần xoay quanh, và cấu trúc ma trận $X^T X$ dạng khối đường chéo giúp ước lượng độc lập các hiệu ứng.

Tuy nhiên, y văn quốc tế chứng kiến sự tranh luận gay gắt giữa hai luồng quan điểm:

1. Tối thiểu hóa số lượng phép thử (Run-size Economy): Draper & Lin (1990) cùng Nguyen & Lin (2011) phát triển các thiết kế tổng hợp nhỏ (Small Composite Design - SCD); Morris (2000) đưa ra thiết kế tăng cặp (Augmented-Pair Design - APD); Zhang và cộng sự (2011) đề xuất SBBD. Điểm hạn chế chí tử của nhánh nghiên cứu này là sự hy sinh tính chất trực giao của ma trận thông tin, khiến $X^T X$ có dạng $\begin{pmatrix} A & 0 \ 0 & B \end{pmatrix}$ (với $B$ không phải ma trận đường chéo), hoặc làm mất hoàn toàn khả năng chia nhóm trực giao để triệt tiêu biến gây nhiễu môi trường.
2. Bảo toàn tính chất trực giao và chia nhóm (Orthogonal Blocking & Structure Preservation): Dey (2009) và Nguyen & Borkowski (2008) nỗ lực bảo toàn tính xoay quanh và cấu trúc trực giao nhưng số lượng phép thử vẫn tăng nhanh theo $m$. Dey & Kole (2013) sử dụng IBD cỡ 3 và thiết kế một phần nhân tố $2^{3-1}{III}$ để chia nhóm trực giao, nhưng lại chịu sự suy giảm chỉ số $D$-hiệu quả nghiêm trọng ở một số cấu hình (ví dụ $m=10$ chỉ đạt $D{eff} = 67.5%$).

Trong mảng thiết kế Split-Plot, sau khi Vining và cộng sự (2005) cùng Parker và cộng sự (2006, 2007) đặt nền móng cho EE-SPD, Goos (2006) đã chỉ ra rằng các EE-SPD chuyển hóa từ BBD và CCD truyền thống có $D_{eff}$ rất thấp. Macharia & Goos (2010) và Jones & Goos (2012) áp dụng thuật toán tìm kiếm điểm/tọa độ ngẫu nhiên trên máy tính. Dù tìm được 60 thiết kế EE-SPD cải tiến, thuật toán của Jones & Goos (2012) mang tính chất "hộp đen", tạo ra các mức giá trị phân số phức tạp và không kiểm soát được cấu trúc ma trận thông tin trực giao cho các nhân tố ô nhỏ.

Công trình của Phạm Đình Tùng định vị chính xác tại giao điểm của các tranh luận trên: lấp đầy khoảng trống bằng cách sử dụng các IBD có kích thước khối không đồng đều để tạo ra các SBBD vừa có số phép thử tối thiểu, vừa bảo toàn ma trận $X^T X = \begin{pmatrix} A & 0 \ 0 & D \end{pmatrix}$, đồng thời thiết lập thuật toán hoán đổi SPLIT có kiểm soát giải tích để đánh bại thuật toán của Jones & Goos (2012) trên 25 bài toán chuẩn quốc tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng sâu sắc lý thuyết thiết kế thực nghiệm của Box & Behnken (1960) và lý thuyết ước lượng mô hình hỗn hợp tuyến tính (Linear Mixed Models) thông qua ba đột phá:

Thứ nhất, luận án chứng minh về mặt toán học rằng việc sử dụng các IBD có kích thước khối không bằng nhau — tạo lập bằng cách thêm hoặc xóa phần tử từ các BIBD tuần hoàn — vẫn bảo toàn nguyên vẹn tính chất hiệu ứng bậc hai trực giao. Ma trận mở rộng $X_{n \times p}$ của mô hình bậc hai: $$y_u = \beta_0 + \sum_{i=1}^m \beta_{ii} x_{ui}^2 + \sum_{i=1}^m \beta_i x_{ui} + \sum_{i=1}^{m-1}\sum_{j=i+1}^m \beta_{ij} x_{ui} x_{uj} + \varepsilon_u$$ luôn bảo đảm ma trận thông tin $X^T X$ phân rã thành dạng khối: $$X^T X = \begin{pmatrix} A & 0 \ 0 & D \end{pmatrix}$$ trong đó $A$ là ma trận vuông cấp $m+1$, và $D$ là ma trận đường chéo cấp $m(m+1)/2$. Điều này bảo đảm $m$ hiệu ứng chính và $\binom{m}{2}$ hiệu ứng tương tác được ước lượng hoàn toàn trực giao, triệt tiêu sự phụ thuộc lẫn nhau giữa các hệ số hồi quy.

Thứ hai, trong lý thuyết thiết kế Split-Plot, luận án mở rộng điều kiện ước lượng tương đương của Parker và cộng sự (2007) và Jones & Goos (2012). Tác giả đã chứng minh chặt chẽ đẳng thức đại số ma trận: $$C^T C = kB - B(X^T X)^{-1} B$$ với $B = X^T J_b X$, $J_b = I_b \otimes J_{k \times k}$, và ma trận hình chiếu lũy linh $A = I_n - X(X^T X)^{-1}X^T$ thỏa mãn $A^2 = A$. Đẳng thức này chuyển đổi việc kiểm tra điều kiện $\text{trace}(C^T C) = 0$ từ việc nhân ma trận cỡ lớn $n \times n$ sang tính toán trên ma trận $p \times p$, tạo bước nhảy vọt về tốc độ tính toán đại số.

Thứ ba, luận án thiết lập định nghĩa cấu trúc ma trận thông tin mong muốn $SPD^*$ cho mô hình Split-Plot: $$M = X^T V^{-1} X = \begin{pmatrix} M_{11} & 0 \ 0 & D \end{pmatrix}$$ trong đó $M_{11}$ có cấp $(1 + m + m_W) \times (1 + m + m_W)$ và $D$ là ma trận đường chéo. Cấu trúc này giải phóng hoàn toàn giả định khắt khe của CCD và BBD truyền thống (vốn đòi hỏi mọi cặp ước lượng hiệu ứng bậc hai phải có hệ số tương quan bằng nhau), cho phép các nhà thống kê ước lượng trực giao toàn bộ $m_S$ hiệu ứng chính của nhân tố ô nhỏ và các hiệu ứng tương tác liên quan.

graph TD
    A["Lý thuyết Thiết kế Tổ hợp (IBD / BIBD / PBIBD)"] --> D["Khung Phân tích Tích hợp"]
    B["Lý thuyết Mô hình Tuyến tính Hỗn hợp (GLS / OLS)"] --> D
    C["Tiêu chuẩn Tối ưu Thông tin (D-optimality / Rotatability)"] --> D
    D --> E["Lớp Thiết kế SBBD Mới (m = 5 đến 15)"]
    D --> F["Lớp Thiết kế EE-SPD* (Thuật toán SPLIT)"]
    E --> G["Đặc tính: X^T X = diag(A, D); Chia nhóm trực giao"]
    F --> H["Đặc tính: beta_OLS = beta_GLS; M = diag(M11, D)"]

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột: lý thuyết tổ hợp đại số ma trận, tối ưu hóa rời rạc thông tin Fisher, và kiểm định thực nghiệm thông số. Điểm độc đáo nằm ở hàm mục tiêu hoán đổi: $$f = \sum_{i,j} (M_{12}){ij}^2 + \sum{i \ne j} (M_{22})_{ij}^2$$ Bài toán tìm kiếm thiết kế tối ưu được chuyển hóa thành bài toán cực tiểu hóa hàm mục tiêu $f \to 0$.

Điều kiện biên (Boundary Conditions) của khung phân tích được xác định rõ ràng:

• Áp dụng cho các nhân tố định lượng có 3 mức giá trị rời rạc chuẩn hóa ${-1, 0, 1}$.
• Không gian Split-Plot cân bằng với $b$ ô lớn, mỗi ô chứa chính xác $k$ ô nhỏ ($n = bk$).
• Tỷ số thành phần phương sai giả định chuẩn tắc $\sigma_\gamma^2 / \sigma_\varepsilon^2 = 1$ trong giai đoạn tối ưu hóa hàm thông tin.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triết lý thực chứng (Positivism) kết hợp giải tích toán học suy diễn và mô phỏng thuật toán số học. Thiết kế nghiên cứu đa tầng (Multi-level design) được cấu trúc chặt chẽ nhằm giải quyết đồng thời hai lớp bài toán: lớp thiết kế hoàn toàn ngẫu nhiên (SBBD) và lớp thiết kế hạn chế ngẫu nhiên hóa (Split-Plot).

Tiêu chí chọn mẫu ma trận bao quát toàn diện không gian thực nghiệm: số lượng nhân tố $m \in [4, 16]$, số ô lớn $b \in [5, 12]$, kích thước ô $k \in [3, 10]$, bảo đảm đáp ứng mọi quy mô thí nghiệm từ phòng thí nghiệm quy mô nhỏ đến dây chuyền sản xuất công nghiệp nặng.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện qua các giao thức toán học chuẩn xác:

1. Quy trình sinh thiết kế SBBD:

   • Xây dựng ma trận liên kết $N = (n_{it}){\nu \times b}$ và ma trận lặp lại $NN^T = (\lambda{ij})$.
   • Biến đổi BIBD tuần hoàn bằng cách thêm hoặc xóa phần tử để tạo ra IBD có kích thước khối không đồng đều với $\lambda_{ij} \in {1, 2}$.
   • Chồng chất các thiết kế nhân tố $2^k$ (hoặc phân số $2^{k-p}$) lên các phần tử của IBD.
   • Thêm $n_0$ điểm tâm $(0, 0, \dots, 0)$ để kiểm soát phương sai dự báo tại gốc tọa độ.
   • Phân hoạch ma trận thiết kế thành các nhóm trực giao thỏa mãn đồng thời hai điều kiện: $$\sum_{u \in \text{khối } l} x_{ui} = 0, \quad \sum_{u \in \text{khối } l} x_{ui} x_{uj} = 0 \quad (\forall i \ne j)$$ $$\sum_{u \in \text{khối } l} x_{ui}^2 = \frac{n_l}{n} \sum_{u=1}^n x_{ui}^2 \quad (\forall i = 1, \dots, m)$$

2. Quy trình thuật toán hoán đổi SPLIT:

   • Bước 1: Khởi tạo thiết kế đầu vào $D_0$ cỡ $n \times m$ ($m_W$ nhân tố WP, $m_S$ nhân tố SP). Trong mỗi ô lớn, tổng mức giá trị của từng nhân tố SP luôn triệt tiêu: $\sum x_{SP} = 0$.
   • Bước 2: Ngẫu nhiên hóa các mức của SP để tạo ma trận khởi tạo $D$. Tính toán ma trận thông tin $M = \sum_{r=1}^b \frac{1}{k+1}(A_r - B_r)$ và hàm mục tiêu $f$.
   • Bước 3: Rút ô lớn thứ $r$ ($r = 1, \dots, b$) ra khỏi thiết kế và cập nhật nhanh: $$M_{\text{updated}} = M - \frac{1}{k+1}(A_r - B_r)$$
   • Bước 4: Tiến hành hoán đổi từng cặp mức giá trị của nhân tố SP trong ô lớn $r$. Nếu phép hoán đổi làm giảm $f$, chấp nhận trạng thái mới và cập nhật $M_{\text{updated}} = M + \frac{1}{k+1}(A'_r - B'_r)$.
   • Bước 5: Lặp lại liên tục cho đến khi $f = 0$ (thiết kế đạt chuẩn $SPD^*$) hoặc $f$ đạt cực tiểu địa phương không thể tối ưu thêm.

Tính giá trị (validity) và độ tin cậy (reliability) của thuật toán được bảo đảm thông qua việc kiểm tra tính lũy linh của ma trận hình chiếu và đối chiếu trực tiếp định thức ma trận thông tin với các mốc tối ưu lý thuyết ($D$-optimal benchmarks).

Data và phân tích

Phân tích định lượng được thực thi trên môi trường lập trình kép: gói phần mềm Gendex với các mô-đun chuyên sâu IBD, CIBD, CUT (Nguyen, 2011) kết hợp hệ thống mã nguồn Java do tác giả tự xây dựng cho thuật toán SPLIT, và gói lệnh rsm trên nền tảng ngôn ngữ R.

Dữ liệu thực nghiệm từ quy trình sinh tổng hợp Lipase của Bui & Nguyen (2013) được tái phân tích toàn diện. Giai đoạn sàng lọc 11 yếu tố sử dụng thiết kế Plackett-Burman (PBD) 12 phép thử đã xác định 3 nhân tố có ý nghĩa thống kê quyết định ($p < 0.003$): chiết nấm men ($X_6$), tỷ lệ giống ($X_{10}$), và tỷ lệ dầu ăn ($X_{11}$). Giai đoạn tối ưu hóa bậc hai sử dụng CCD với 20 phép thử (8 điểm nhân tố, 6 điểm sao $\alpha = 1.68$, và 6 điểm tâm).

Bảng phân tích phương sai ANOVA cho thấy mô hình đa thức bậc hai đạt độ tương thích hoàn hảo:

• Hệ số hồi quy ước lượng: $$\hat{y} = 17.83 + 1.25x_6 - 0.35x_{10} + 1.53x_{11} - 1.15x_6^2 - 1.15x_{10}^2 - 1.17x_{11}^2 + 0.17x_6 x_{10} - 0.40x_6 x_{11} - 0.65x_{10} x_{11}$$
• Thống kê kiểm định: $F = 27.83$, giá trị $p = 6.365 \times 10^{-6}$, sai số thiếu tương thích (Lack of fit) không có ý nghĩa thống kê ($p = 0.4395$).

Độ vững (robustness) của các thiết kế SBBD được kiểm định qua chỉ số xoay quanh Draper-Pukelsheim: $$Q^* = \frac{m(m+2) \sum_{u=1}^n x_{u1}^2 x_{u2}^2}{3 \sum_{u=1}^n x_{u1}^4} \in [0.7412, 0.9974]$$ chỉ ra rằng phương sai dự báo $\text{Var}(\hat{y}(x))$ hoàn toàn ổn định trên toàn bộ mặt cầu bán kính $\rho = \sum x_i^2$ trong miền thực nghiệm.

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Khám phá 7 thiết kế SBBD mới có cấu trúc trực giao: Luận án công bố lần đầu tiên trong y văn thế giới 7 thiết kế SBBD cho $m = 5, 6, 8, 10, 11, 12, 15$ nhân tố. Tại $m = 15$, thiết kế đạt chỉ số xoay quanh gần như tuyệt đối $Q^* = 0.9974$ với $D_{eff} = 79.46%$.
2. Cắt giảm đột phá số lượng phép thử thực nghiệm: So với các thiết kế chuẩn quốc tế, SBBD của luận án thiết lập kỷ lục mới về số phép thử tối thiểu ở các không gian nhân tố phổ biến:
   • Với $m = 5$: SBBD chỉ cần 34 phép thử (chia 2 nhóm trực giao), trong khi BBD kinh điển và thiết kế của Dey & Kole (2013) đều cần 42 phép thử (tiết kiệm 19.05% chi phí vận hành).
   • Với $m = 6$: SBBD chỉ cần 46 phép thử (chia 2 nhóm trực giao), vượt trội hơn BBD (50 phép thử) và Dey & Kole (51 phép thử).
3. Phát hiện phản trực giác về tối ưu hóa IBD tuần hoàn: Luận án phát hiện rằng sự suy giảm hiệu quả trong thiết kế của Dey & Kole (2013) tại $m = 10$ ($D_{eff} = 67.5%$) không phải do giới hạn của lý thuyết phân khối, mà do việc chọn IBD cơ sở chưa tối ưu. Bằng việc thay thế bằng IBD tuần hoàn $(\nu, b, r) = (10, 20, 6)$ sinh bởi hai nhóm $(0, 1, 5)$ và $(0, 1, 8)$, tác giả đã nâng vọt $D_{eff}$ lên 74.8%.
4. Vượt trội thuật toán quốc tế trong 25 bài toán Split-Plot: Trong tổng số 111 cấu hình benchmark của Macharia & Goos (2010) và Jones & Goos (2012), thuật toán SPLIT đã tạo ra 25 thiết kế EE-SPD có chỉ số $D_{eff}$ cao hơn hẳn kết quả của Jones & Goos (2012), đồng thời bảo đảm $100%$ các mức giá trị là số nguyên chuẩn hóa ${-1, 0, 1}$ và ma trận đạt chuẩn trực giao $SPD^*$.
5. Xác định tọa độ tối ưu sinh học chính xác: Phân tích ma trận đạo hàm riêng $\hat{B}$ trên mô hình Lipase cho thấy tất cả các giá trị riêng đều mang dấu âm, khẳng định điểm dừng là điểm cực đại toàn cục tại tọa độ mã hóa: $$(x_6^, x_{10}^, x_{11}^*) = (1.180, -0.331, 1.434)$$ tương ứng với nồng độ chiết nấm men $3.180%$, tỷ lệ giống $2.331%$, và tỷ lệ dầu ăn $4.434%$, nâng sản lượng enzyme lên mức cực đại trong môi trường nuôi cấy.

Nhân tố ($m$)	Số tham số ($p$)	IBD cỡ $(\nu, b, r)$	Số phép thử ($n$)	Điểm tâm ($n_0$)	$D_{eff}$ (%)	Chỉ số xoay quanh ($Q^*$)
5	21	$(5, 8, 4)$	34	2	87.26	0.7412
6	28	$(6, 11, 5)$	46	2	82.52	0.8228
8	45	$(8, 14, 6)$	82	2	75.31	0.8841
10	66	$(10, 20, 6)$	122	2	74.80	0.8247
11	78	$(11, 24, 7)$	154	2	78.89	0.9416
12	91	$(12, 22, 7)$	178	2	73.18	0.9026
15	136	$(15, 30, 8)$	258	2	79.46	0.9974

Implications đa chiều

• Về mặt lý thuyết: Tái định hình phương pháp luận xây dựng thiết kế bậc hai thông qua việc hợp nhất lý thuyết khối không cân bằng và lý thuyết thông tin tối ưu, mở đường cho các nghiên cứu mở rộng sang mô hình bậc ba.
• Về mặt phương pháp luận: Cung cấp thuật toán SPLIT với cơ chế cập nhật ma trận $O(1)$, trở thành công cụ đắc lực thay thế các thuật toán tìm kiếm ngẫu nhiên chậm chạp trong không gian thiết kế bị hạn chế ngẫu nhiên hóa.
• Về mặt thực tiễn sản xuất: Giúp các doanh nghiệp hóa chất, dược phẩm, công nghệ sinh học và vật liệu cắt giảm từ 15% đến 25% ngân sách thử nghiệm, rút ngắn thời gian R&D sản phẩm mới mà vẫn bảo đảm độ tin cậy thống kê tuyệt đối.
• Về mặt chính sách quản lý chất lượng: Cung cấp cơ sở khoa học định lượng để chuẩn hóa các quy trình tối ưu hóa thực nghiệm trong khuôn khổ chương trình Quản lý chất lượng Six Sigma và ISO/IEC 17025.

Limitations và Future Research

Mặc dù đạt được những đột phá học thuật xuất sắc, luận án thẳng thắn thừa nhận 4 giới hạn nghiên cứu:

1. Sự phụ thuộc vào cấu trúc khởi tạo $D_0$: Thuật toán SPLIT đòi hỏi người nghiên cứu phải thiết lập cấu trúc ma trận đầu vào $D_0$ và mức nhân tố WP dựa trên kinh nghiệm hoặc phương pháp thử và sai (trial and error), chưa tự động hóa hoàn toàn khâu khởi tạo không gian ô lớn.
2. Khoảng trống cấu hình tại $m = 14$: Luận án chưa tìm được thiết kế nhóm không đầy đủ (IBD) tương thích để xây dựng thiết kế SBBD cho trường hợp 14 nhân tố.
3. Giả định tỷ số phương sai đơn vị: Việc tối ưu hóa ma trận thông tin trong EE-SPD dựa trên giả định $\sigma_\gamma^2 / \sigma_\varepsilon^2 = 1$. Mặc dù tính chất ước lượng tương đương $\hat{\beta}{OLS} \equiv \hat{\beta}{GLS}$ bảo đảm ước lượng luôn không chệch với mọi tỷ số phương sai, hiệu quả tương đối ($D_{eff}$) có thể dao động khi phương sai ô lớn quá vượt trội so với phương sai ô nhỏ.
4. Không gian nhân tố 3-mức rời rạc: Nghiên cứu tập trung chuyên biệt vào các mức rời rạc ${-1, 0, 1}$, chưa mở rộng cho các bài toán tối ưu trên miền pha trộn (mixture designs) hoặc các biến liên tục có ràng buộc phi tuyến phức tạp.

Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng đi chiến lược:

• Tích hợp giải thuật di truyền (Genetic Algorithm) hoặc tối ưu bầy đàn (Particle Swarm Optimization) để tự động hóa việc khởi tạo ma trận $D_0$ trong thuật toán SPLIT.
• Khai phá cấu trúc đại số tổ hợp để hoàn thiện thiết kế SBBD cho $m = 14$ và mở rộng cho $m > 16$.
• Phát triển lớp thiết kế ước lượng tương đương cho mô hình Split-Split-Plot 3 tầng sai số.
• Xây dựng phần mềm giao diện đồ họa (GUI) độc lập tích hợp trên nền tảng đám mây phục vụ chuyển giao công nghệ trực tiếp cho doanh nghiệp.

Tác động và ảnh hưởng

• Tác động học thuật quốc tế: Các kết quả của luận án đã được công bố trên các tạp chí thống kê chuyên ngành uy tín và hệ thống thư viện thiết kế toàn cầu tại http://designcomputing.net/blockedSBBD/. Công trình tạo tiền đề cho hàng loạt trích dẫn trong lĩnh vực DoE và tối ưu hóa bề mặt đáp ứng.
• Chuyển đổi công nghiệp: Ứng dụng trực tiếp trong ngành công nghệ thực phẩm (như ví dụ làm bánh công nghiệp với 2 nhân tố chia nhóm lò nướng và thời điểm), sản xuất vật liệu chịu lực ống gốm công nghiệp, và công nghệ lên men vi sinh.
• Lợi ích kinh tế - xã hội: Giúp tiết kiệm hàng triệu kilowatt-giờ năng lượng và hàng tấn hóa chất thử nghiệm trong các ngành công nghiệp nặng nhờ tối ưu hóa chính xác với số lần thử nghiệm ít nhất.

Đối tượng hưởng lợi

• Nghiên cứu sinh & Nhà nghiên cứu thống kê: Tiếp cận hệ thống lý thuyết đại số ma trận tiên tiến và các phương pháp xây dựng IBD không cân bằng.
• Giảng viên đại học: Sử dụng làm tài liệu giảng dạy mẫu mực cho các học phần Thống kê ứng dụng cao học, Thiết kế thực nghiệm và Phân tích hồi quy nâng cao.
• Kỹ sư R&D & Trưởng phòng thí nghiệm công nghiệp: Khai thác trực tiếp bảng ma trận thiết kế SBBD và EE-SPD để tối ưu hóa công thức sản phẩm mà không cần phần mềm thương mại đắt tiền.
• Chuyên gia Six Sigma & Quản trị chất lượng: Ứng dụng công cụ DoE bậc cao để giải quyết triệt để các bài toán biến thiên chất lượng trong dây chuyền sản xuất phức tạp.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc chứng minh sự bảo toàn cấu trúc trực giao của ma trận thông tin $X^T X = \begin{pmatrix} A & 0 \ 0 & D \end{pmatrix}$ khi sử dụng các IBD có kích thước khối không đồng đều, mở rộng trực tiếp lý thuyết nền tảng của Box & Behnken (1960). Đồng thời, việc chứng minh đẳng thức $C^T C = kB - B(X^T X)^{-1} B$ đã nâng cấp lý thuyết ước lượng tương đương của Vining và cộng sự (2005) lên một tầm mức toán học chặt chẽ và tối ưu hơn về mặt tính toán.

2. Đổi mới phương pháp luận của thuật toán SPLIT so với các nghiên cứu quốc tế tiền nhiệm?

So với thuật toán tìm kiếm điểm ngẫu nhiên của Macharia & Goos (2010) và thuật toán hoán đổi tọa độ của Jones & Goos (2012), thuật toán SPLIT mang tính đột phá nhờ:

1. Duy trì giá trị biến nguyên rời rạc ${-1, 0, 1}$, hoàn toàn khả thi trong thực nghiệm công nghiệp thay vì các mức phân số phức tạp.
2. Áp dụng công thức cập nhật ma trận thông tin siêu tốc $M_{\text{updated}} = M \mp \frac{1}{k+1}(A_r - B_r)$ giúp giảm độ phức tạp thuật toán từ $O(n^3)$ xuống $O(1)$ cho mỗi bước thử hoán đổi.
3. Thiết lập lớp thiết kế $SPD^*$ bảo đảm ước lượng trực giao cho toàn bộ hiệu ứng nhân tố ô nhỏ.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất từ góc độ dữ liệu?

Phát hiện gây bất ngờ nhất là việc chứng minh thiết kế 10 nhân tố của Dey & Kole (2013) bị tổn thất hiệu năng $D_{eff}$ nghiêm trọng (chỉ đạt $67.5%$) là do cấu trúc IBD nền tảng bị lỗi thời. Chỉ bằng thao tác thay thế giải tích bằng IBD tuần hoàn $(\nu, b, r) = (10, 20, 6)$, chỉ số $D_{eff}$ đã tăng vọt lên $74.8%$ mà không cần tăng thêm bất kỳ phép thử nào.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp minh bạch không?

Hoàn toàn minh bạch. Toàn bộ ma trận thiết kế chi tiết cho các trường hợp từ 4 đến 16 nhân tố, mã nguồn thuật toán Java, cùng các mô-đun phần mềm Gendex (IBD, CIBD, CUT) được lưu trữ công khai và miễn phí tại cổng thông tin khoa học: http://designcomputing.net/blockedSBBD/ và http://designcomputing.net/gendex/cut/.

5. Luận án đã phác thảo lộ trình nghiên cứu 10 năm như thế nào?

Lộ trình hướng tới việc hợp nhất lý thuyết thiết kế thực nghiệm tối ưu với Trí tuệ Nhân tạo (AI-driven Experimental Design), mở rộng thuật toán sang các cấu trúc Split-Plot đa tầng phức tạp (Split-Split-Plot), và phát triển các thiết kế mặt đáp ứng thích ứng (Adaptive Response Surface Designs) phục vụ tự động hóa phòng thí nghiệm thế hệ 4.0.

Kết luận

Luận án tiến sĩ của NCS. Phạm Đình Tùng đại diện cho một công trình toán học ứng dụng xuất sắc, giải quyết trọn vẹn những thách thức tồn tại suốt nhiều thập kỷ trong phương pháp bề mặt đáp ứng. Sáu đóng góp cụ thể mang tính dấu ấn bao gồm:

1. Thiết lập phương pháp luận mới xây dựng thiết kế bậc hai 3-mức từ các IBD có kích thước khối không đồng đều.
2. Khám phá 7 thiết kế Box-Behnken nhỏ (SBBD) mới ($m = 5, 6, 8, 10, 11, 12, 15$) có số phép thử tối thiểu, chỉ số xoay quanh cao ($Q^* > 0.5$) và khả năng chia nhóm trực giao hoàn hảo.
3. Chứng minh đẳng thức đại số ma trận rút gọn $C^T C = kB - B(X^T X)^{-1} B$, tạo bước ngoặt trong tính toán ma trận thông tin mô hình Split-Plot.
4. Định nghĩa và hiện thực hóa thành công lớp thiết kế cấu trúc trực giao $SPD^*$ cho các nhân tố ô nhỏ.
5. Phát triển thuật toán SPLIT vượt trội, cải tiến thành công 25 thiết kế EE-SPD chuẩn quốc tế so với công bố của Jones & Goos (2012).
6. Ứng dụng thành công trên dữ liệu thực nghiệm sinh tổng hợp Lipase, minh chứng sự kết hợp hoàn hảo giữa toán học lý thuyết và công nghệ sinh học hiện đại.

Công trình không chỉ tạo ra bước chuyển dịch mô hình (paradigm shift) trong lý thuyết thiết kế thực nghiệm mà còn để lại di sản ứng dụng thực tiễn to lớn cho cộng đồng khoa học và công nghiệp toàn cầu.

Trích đoạn nội dung tài liệu

Chương 1 Giới thiệu phương pháp bề mặt đáp ứng Trong chương này, chúng tôi trình bày khái niệm về thiết kế thí nghiệm, và tập trung giới thiệu về phương pháp bề mặt đáp ứng trong thiết kế thí nghiệm. Chúng tôi đưa ra mô hình, tiêu chuẩn D-tối ưu và các thiết kế phù hợp với mô hình. Các kiến thức này được tham khảo trong cuốn sách [32] và một số bài báo khác.1 Thiết kế thí nghiệm Thí nghiệm (Experiment) gồm một phép thử hoặc một tập hợp các phép thử. Các thí nghiệm được thực hiện trong các ngành công nghiệp, nông nghiệp để khai thác hoặc nhận thêm thông tin về hệ thống hoặc quá trình sản xuất.

Nhà thống kê Fisher là người đặt nền móng cho thí nghiệm qua những nghiên cứu của mình trong những năm đầu 1920. Ông nhận ra sự thiếu sót trong cách thực hiện thí nghiệm thường cản trở việc phân tích dữ liệu từ quá trình sản xuất nông nghiệp. Bằng sự kết hợp giữa khoa học nghiên cứu trên nhiều lĩnh vực, ông đề xuất ba nguyên lý cơ bản của việc thiết lập thí nghiệm đó là (i) ngẫu nhiên hóa (randomization), (ii) lặp lại nhiều lần (replication) và (iii) chia nhóm (blocking). Các thiết kế thí nghiệm có vai trò quan trọng trong việc thu thập dữ liệu từ hệ thống hoặc quá trình sản xuất trước khi phân tích thống kê dữ liệu.

Thiết kế thí nghiệm cần đảm bảo các yêu cầu sau: (i) phát hiện được ảnh hưởng của các nhân 17 LUAN VAN CHAT LUONG download : add [e-mail] tố trong quá trình, (ii) phù hợp với mô hình, (iii) bảo đảm giá trị dự báo đầu ra gần với giá trị thực, (iv) tối thiểu số phép thử của thí nghiệm, (v) đơn giản và dễ tính toán, (vi) giải thích các biến động trong mô hình một cách dễ dàng. Những năm đầu 1930, thiết kế thí nghiệm trong công nghiệp đã bắt đầu được khai thác nhờ sự phát triển của RSM do Box & Wilson [9] đưa ra. Các tác giả này đã chỉ ra sự khác biệt của thiết kế thí nghiệm trong công nghiệp so với nông nghiệp là các biến đầu ra của quá trình hay biến đáp ứng có thể quan sát ngay và người làm thí nghiệm có thể thu được thông tin quan trọng từ nhóm nhỏ các phép thử để thực hiện các thí nghiệm tiếp theo. Họ tổng kết lại thiết kế thí nghiệm gồm bốn bước: (i) phỏng đoán, (ii) thiết kế, (iii) thí nghiệm và (iv) phân tích.

Đầu tiên, một ý tưởng hoặc một phỏng đoán được thành lập liên quan đến một số nhân tố và đầu ra của một số quá trình sản xuất. Sau đó, người làm thí nghiệm tiến hành chọn thiết kế cho phù hợp với thí nghiệm và thực hiện. Các dữ liệu và kết quả sẽ được phân tích bằng các kỹ thuật hồi quy (regression technique), đưa ra điều kiện tối ưu hay ý tưởng mới về quá trình. Quá trình trên được thực hiện liên tiếp như Hình 1.1: Quá trình thực hiện thí nghiệm liên tiếp Trong giai đoạn đầu của thí nghiệm, người làm thí nghiệm cần xác định các nhân tố quan trọng ảnh hưởng chính đến kết quả đầu ra.

Khi đó, các nhân tố thường được thiết lập ở hai mức thấp nhất và cao nhất của miền giá trị và được mã hóa là ±1. Các thiết kế áp dụng trong giai đoạn này thường gọi là các thiết kế sàng lọc (screening design). Sau khi tìm được các nhân tố chính ảnh hưởng đến biến đáp ứng trong thí nghiệm, họ sẽ thiết kế các thí nghiệm để phù hợp và phân tích mô hình biểu diễn mối quan hệ giữa biến đáp ứng và các nhân tố. Trong giai đoạn tiếp theo, các nhân tố thường được thiết kế ở ba mức trở lên để phát 18 LUAN VAN CHAT LUONG download : add [e-mail] hiện được các tính chất tốt trong mô hình.

Điều này đặt ra cho các nhà thống kê một nhiệm vụ quan trọng là tìm các thiết kế tốt cho ta dễ dàng tính toán, có độ chính xác cao trong ước lượng hệ số mô hình và nâng cao sự mô tả về hệ số của mô hình bởi vì những thí nghiệm không tốt sẽ cho chúng ta rất ít thông tin về mô hình và sự biến động trong đó. Một cách tổng quát, thiết kế thí nghiệm là hệ thống cấu trúc các phép thử được thực hiện trên các nhân tố đầu vào để xác định kết quả ở các biến đầu ra, trong đó mỗi phép thử là một tổ hợp các giá trị của nhân tố. Các nhân tố trong thí nghiệm là điều kiện trong quá trình thực hiện thí nghiệm có ảnh hưởng đến kết quả đầu ra và được thiết lập ở các mức tương ứng với miền giá trị. Giá trị của nhân tố có thể là định lượng (quantitative) hoặc định tính (qualitative), có thể là ETC hoặc HTC.

Thông thường, với các nhân tố định lượng, mức giá trị thiết lập trong mỗi phép thử thường là các cận của miền giá trị hoặc các điểm nằm trong miền giá trị phụ thuộc vào kinh nghiệm của việc thực hiện các quá trình sản xuất. Các mức giá trị thiết lập cho thí nghiệm của mỗi nhân tố thường được mã hóa để đồng nhất thang đo, nghĩa là không còn đơn vị của mỗi biến. Cụ thể, nếu nhân tố định tính có hai mức thì thường được mã hóa thành −1 và 1, còn nhân tố định lượng có thể được mã hóa thành −1, 0 và 1. Kết quả đầu ra của thí nghiệm được gọi là biến đáp ứng (là biến phụ thuộc trong mô hình hồi quy).

Các sai số thường gặp trong thí nghiệm tạo ra bởi thiết bị sản xuất, thiết bị kiểm định, người thực hiện và các yếu tố ngẫu nhiên do một số nhân tố không tham gia vào mô hình được gọi chung là sai số thí nghiệm và thường được giả thiết là nhiễu trắng (white noise).2 Phương pháp bề mặt đáp ứng Phương pháp bề mặt đáp ứng là tập hợp các kỹ thuật được thực hiện để tìm giá trị tốt nhất của biến đáp ứng. Nếu giá trị tốt nhất hoặc các giá trị của biến đáp ứng đã biết đến, thì phương pháp này cho ta hiểu biết sâu hơn về hệ thống chung của biến đáp ứng. Các kỹ thuật này gồm thiết kế thí nghiệm và phân tích các dữ liệu của thí nghiệm bằng kỹ thuật hồi quy được đưa ra trong bài báo của Box & Wilson [9] năm 1951. Bài báo này có ảnh hưởng sâu sắc đến ứng dụng các thiết kế thí nghiệm trong công nghiệp và gợi ra nhiều ý tưởng nghiên cứu trong lĩnh vực này.

Nhiều công trình kết quả nghiên cứu về phương pháp bề mặt đáp ứng đã được viết thành sách Box & Draper [7] năm 1987, Khuri & Cornell [28] năm 1996 và Myers & Montgomery [32] năm 2002. Ở Việt Nam, 19 LUAN VAN CHAT LUONG download : add [e-mail] phương pháp bề mặt đáp ứng đã được sử dụng trong nhiều công trình nghiên cứu thực tế được công bố trên các tạp chí sinh học, tạp chí khoa học công nghệ như Bui & Nguyen [1], Huynh et al. [2] và Le et al.1 Mô hình bề mặt đáp ứng Trong thực tế, biến đáp ứng phụ thuộc vào giá trị của các nhân tố dưới dạng y = f (x1 , x2 , · · · , xm ) + ε, (1.1) trong đó hàm đáp ứng f chưa biết và sai số ε là sai số thí nghiệm được giả sử có phân bố chuẩn với trung bình 0 và phương sai σ 2. Trong phương pháp bề mặt đáp ứng, hàm f được xấp xỉ bởi các đa thức bậc thấp.

Khi đó, mô hình (1.1) được gọi là mô hình bề mặt đáp ứng và các thiết kế cho mô hình là thiết kế bề mặt đáp ứng. Nếu xấp xỉ hàm đáp ứng bằng đa thức bậc một thì m y = β0 + ∑ βi xi + ε, (1.2) i=1 được gọi là mô hình đa thức bậc một, trong đó các hệ số βi , i = 1, 2, · · · , m được gọi là hiệu ứng bậc một hoặc hiệu ứng chính. Mô hình đa thức bậc một thường được dùng trong bài toán hồi quy tuyến tính hoặc bài toán sàng lọc các nhân tố ảnh hưởng chính đến biến đáp ứng. Nếu hàm đáp ứng được xấp xỉ bởi đa thức bậc hai thì mô hình m m m−1 m y = β0 + ∑ βii xi2 + ∑ βi xi + ∑ ∑ βi j xix j + ε.3) i=1 i=1 i=1 j=i+1 được gọi là mô hình đa thức bậc hai, trong đó các hệ số βii , i = 1, · · · , m là các hiệu ứng bậc hai và βi j , i = 1, · · · , m, j = 2, · · · , m, i < j là các hiệu ứng tương tác giữa nhân tố thứ i và thứ j.

Các thiết kế phù hợp với mô hình đa thức bậc hai 20 LUAN VAN CHAT LUONG download : add [e-mail] được gọi là thiết kế bậc hai. Mô hình đa thức bậc hai rất linh hoạt và thường xuyên dùng trong việc xấp xỉ bề mặt đáp ứng. Các hiệu ứng chính βi đo mức độ ảnh hưởng của m nhân tố thông qua biến xi trong mô hình, các hiệu ứng tương tác βi j đo mức độ ảnh hưởng của nhân tố thứ i với nhân tố thứ j thông qua xi x j và bề mặt cong xuất hiện (tức là có biến xi2 trong mô hình) khi có ảnh hưởng của hiệu ứng bậc hai βii của nhân tố thứ i. Ước lượng các hệ số trong mô hình được tính toán đơn giản theo phương pháp bình phương tối thiểu.

Thực hiện thí nghiệm dưới dạng ma trận thiết kế   x11 · · · x1m    x21 · · · x2m  D=   .      xn1 · · · xnm và quan sát các giá trị biến đáp ứng yu , u = 1, · · · , n theo mỗi phép thử (xu1 , · · · , xum ) ta nhận được hệ phương trình sau m m m−1 m 2 yu = β0 + ∑ βii xui + ∑ βi xui + ∑ ∑ βi j xuixu j + εu.4) được viết lại dưới dạng ma trận như sau: Y = X β + , (1.     1 xn12 2 · · · xnm xn1 · · · xnm xn1 xn2 xn2 xn3 ··· là ma trận thiết kế mở rộng của mô hình. 21 LUAN VAN CHAT LUONG download : add [e-mail] Vecto hệ số 0 β = [β0 , β11 , · · · , βmm , β1 , · · · , βm , β12 , · · · , βm−1m ] được ước lượng bằng phương pháp bình phương tối thiểu β̂ = (X0 X)−1 X0 Y, có ma trận hiệp phương sai cov(β̂ ) = σ 2 (X0 X)−1 .