A Bayesian experimental design approach for assessing new product performance: An application to disinfectant formulation
Notice bibliographique
Résumé
Abstract This paper presents a Bayesian methodology for computer‐aided experimental design for hydrogen peroxide formulations. Hydrogen peroxide is one of the oldest known active antimicrobial chemicals and is used in many cleaning/disinfecting formulations. It is favourable as an active antimicrobial in that it degrades only to water and oxygen, and does not contaminate the environment. However hydrogen peroxide is difficult to stabilise, and disinfecting products based on it soon lose their antimicrobial activity. Moreover, regulatory agencies such as U.S. Environmental Protection Agency (EPA) and Health Canada require that disinfecting products do not lose more than 5–10% of their active concentration throughout their shelf life. Therefore, it is very important while formulating hydrogen peroxide‐based products to test for their stability. An effective way to improve hydrogen peroxide stability in a solution is to use stabilisers. It is desired to use these chemicals in as low concentrations as possible for environmental and economic considerations. On the other hand, due to tight market competition, the new products need to be formulated as quickly as possible, and therefore there is limited time to ensure product stability. In this paper, prior information has been used in the form of a model, based on historical experiments. A Bayesian D‐optimality criterion is used to design a few additional experiments so that the resulting model can have an acceptable prediction power. It is shown that a design which uses the Bayesian D‐optimality criterion taking advantage of prior information can be more efficient than even a resolution IV fractional factorial design in the sense that using fewer trials gives a model with equivalent prediction capability. This can be critical where experiments are expensive to perform.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».