Một số phương pháp thiết kế thí nghiệm và tối ưu hoá ứng dụng trong bào chế

Trong Quy hoạch thực nghiệm, biến số là yếu tố thay đổi. Biến đầu ra (đáp ứng, biến phụ thuộc) là kết quả thí nghiệm được đo lường. Ví dụ: độ cứng viên nén, độ hòa tan. Biến đầu vào (yếu tố, biến độc lập) là yếu tố được điều chỉnh. Nó gây ra sự thay đổi ở biến đầu ra. Ví dụ: loại tá dược, thời gian trộn. Tối ưu hóa tìm kiếm giá trị tối ưu của các biến đầu vào. Điều này giúp đạt được biến đầu ra mong muốn. Hệ thống được mô tả bằng phương trình toán học hoặc mạng neuron nhân tạo (ANN). DoE giúp xây dựng các mô hình này. Nó xác định mối quan hệ giữa biến đầu vào và đầu ra. Thiết kế thí nghiệm DoE là một công cụ mạnh mẽ. Nó tối đa hóa thông tin thu được từ mỗi thử nghiệm.

Quy trình thiết kế thí nghiệm và tối ưu hóa tuân theo một trình tự logic. Đầu tiên, xác định rõ các biến đầu ra cần đạt được. Thứ hai, xác định các biến đầu vào tiềm năng ảnh hưởng. Bước này có thể bao gồm sàng lọc để chọn ra yếu tố quan trọng nhất. Sau đó, xây dựng và tiến hành thí nghiệm theo bảng thiết kế đã chọn. Kết quả thí nghiệm được phân tích chuyên sâu. Sử dụng mô hình toán học hoặc mạng neuron nhân tạo. Bước tối ưu hóa xác định điều kiện thí nghiệm tốt nhất. Điều kiện tối ưu này được kiểm tra lại. Nếu đạt yêu cầu, nó được triển khai sản xuất thử. Đây là một vòng lặp cải tiến liên tục. Nó đảm bảo quy trình sản xuất hiệu quả và chất lượng sản phẩm ổn định.

Biến đầu ra (output variable) còn gọi là biến phụ thuộc hoặc đáp ứng. Đây là kết quả của quá trình thí nghiệm. Các biến này cần được đo lường và đánh giá. Ví dụ, trong sản xuất viên nén, biến đầu ra bao gồm độ cứng, độ hòa tan, độ đồng đều khối lượng. Biến đầu vào (input variable) là các yếu tố được điều chỉnh. Chúng được gọi là biến độc lập hoặc yếu tố. Sự thay đổi giá trị của biến đầu vào ảnh hưởng đến biến đầu ra. Ví dụ, đối với viên nén, biến đầu vào là loại tá dược, tốc độ dập viên, thời gian sấy hạt. Việc xác định đúng biến đầu vào và đầu ra là bước đầu tiên. Nó định hình toàn bộ Quy hoạch thực nghiệm.

Biến được phân loại theo tính chất và khả năng kiểm soát. Biến định lượng biểu diễn bằng số thực, có thể liên tục hoặc rời rạc. Ví dụ: khối lượng tá dược (liên tục), cỡ rây xát hạt (rời rạc). Biến định tính không biểu diễn bằng số, mà bằng thuộc tính hoặc loại. Ví dụ: loại tá dược rã. Biến kiểm soát được là những yếu tố có thể thay đổi giá trị tùy ý. Ví dụ: nhiệt độ sấy, khối lượng tá dược. Biến không kiểm soát được là yếu tố bên ngoài, không thể điều chỉnh trong thí nghiệm. Ví dụ: nhiệt độ, độ ẩm môi trường bảo quản. Thiết kế thí nghiệm DoE tập trung vào các biến kiểm soát được. Mục tiêu là tìm ra tổ hợp tối ưu của chúng.

Mã hóa giá trị của biến đầu vào là một bước quan trọng. Nó đơn giản hóa tính toán và giảm sai số. Mã hóa cũng giúp ma trận thí nghiệm có tính chất trực giao và xoay. Đối với biến định lượng, giá trị thực được chuyển thành giá trị mã hóa. Mức gốc được gán giá trị 0. Mức cao (+1) và mức thấp (-1) được xác định dựa trên khoảng biến thiên. Ví dụ, khối lượng tá dược từ 3-7 mg. Mức gốc là 5 mg, khoảng biến thiên là 2 mg. Các giá trị thực khác được chuyển đổi tương ứng. Đối với biến định tính, mỗi giá trị được mã hóa bằng một ký tự. Mã hóa chuẩn hóa dữ liệu. Nó tạo điều kiện thuận lợi cho việc xây dựng mô hình toán học.

Sau khi có kết quả thí nghiệm, bước tiếp theo là xây dựng mô hình toán học. Mô hình thường có dạng đa thức bậc ≤ 2. Ví dụ, Y = b0 + ΣbiXi + ΣbijXiXj + ΣbiiXi². Đây là mô tả định lượng mối quan hệ giữa biến đầu ra (Y) và các biến đầu vào (Xi). Các hệ số hồi quy (bi, bij, bii) được tính toán. Đối với biến định lượng, sử dụng ma trận X (ma trận thí nghiệm mở rộng) và ma trận Y (cột kết quả). Ma trận B các hệ số hồi quy được tính bằng công thức B = (X'X)⁻¹X'Y. Đối với biến định tính, hệ số hồi quy thường được tính bằng trung bình các giá trị Y ở các mức tương ứng. Các hệ số này cho biết mức độ ảnh hưởng của từng yếu tố.

Phân tích phương sai (ANOVA) là công cụ quan trọng. Nó xác định liệu các yếu tố có ảnh hưởng đáng kể lên biến đáp ứng hay không. Bảng ANOVA hiển thị các nguồn biến thiên (hồi quy, phần dư, sai số). Nó cung cấp bậc tự do, tổng bình phương và trung bình bình phương. Giá trị F được tính để so sánh phương sai. Mức ý nghĩa P (< 0,05) cho biết sự ảnh hưởng là có ý nghĩa thống kê. Các chỉ số như R² (hệ số xác định) đánh giá mức độ mô hình giải thích dữ liệu. R² hiệu chỉnh (R²adj) và Q² (R² dự đoán) cung cấp cái nhìn chân thực hơn. R²adj và Q² càng gần 1, mô hình càng phù hợp và có khả năng dự đoán tốt.

Để xác định hệ số hồi quy nào có ý nghĩa thống kê, sử dụng kiểm định t. Giá trị t của mỗi hệ số (bi) được tính bằng bi / sbi, trong đó sbi là độ lệch chuẩn của hệ số. Nếu giá trị P (của t) nhỏ hơn 0,05, hệ số hồi quy đó có ý nghĩa thống kê. Điều này có nghĩa là yếu tố tương ứng có ảnh hưởng đáng kể lên biến đáp ứng. Khoảng tin cậy 95% của hệ số hồi quy cũng được tính. Nó cung cấp phạm vi giá trị mà hệ số thực có thể nằm trong đó. Việc đánh giá này giúp loại bỏ các yếu tố không quan trọng. Nó giúp xây dựng mô hình tối ưu hóa chính xác và hiệu quả hơn. Các quyết định dựa trên mô hình sẽ đáng tin cậy hơn.

Quy hoạch yếu tố toàn phần (Full Factorial Design) là một thiết kế cơ bản. Nó bao gồm tất cả các tổ hợp có thể của các mức yếu tố. Với n yếu tố và mỗi yếu tố có 2 mức, số thí nghiệm là N = 2ⁿ. Thiết kế 2³ đầy đủ cho 3 biến đầu vào có 8 thí nghiệm. Ví dụ, X1, X2, X3 mỗi biến có 2 mức (+1 và -1). Tất cả các tương tác giữa các yếu tố đều được đánh giá. Mô hình toán học bậc 1 đầy đủ có thể được xây dựng. Thiết kế này cung cấp thông tin toàn diện về tác động của từng yếu tố và tương tác. Tuy nhiên, số lượng thí nghiệm tăng lên rất nhanh. Điều này trở thành hạn chế khi số lượng yếu tố lớn.

Quy hoạch yếu tố từng phần (Fractional Factorial Design) là phiên bản rút gọn của quy hoạch toàn phần. Nó hữu ích khi số lượng yếu tố lớn. Mục tiêu là giảm số lượng thí nghiệm mà vẫn thu được thông tin quan trọng. Phương pháp này chỉ thực hiện một phần nhỏ các thí nghiệm của quy hoạch toàn phần. Ví dụ, thiết kế 2^(n-k) là một phần của thiết kế 2ⁿ. Nó cho phép đánh giá các tác động chính và tương tác bậc thấp. Tuy nhiên, có sự nhầm lẫn (aliasing) giữa các tác động. Tác động chính có thể bị nhầm với tương tác bậc cao. Cần cẩn trọng khi diễn giải kết quả. Quy hoạch yếu tố từng phần được dùng để sàng lọc ban đầu. Nó xác định các yếu tố có ảnh hưởng mạnh nhất.

Quy hoạch sàng lọc Plackett-Burman là một thiết kế yếu tố từng phần đặc biệt. Nó rất hiệu quả cho việc sàng lọc nhiều yếu tố. Mỗi yếu tố chỉ có 2 mức. Số thí nghiệm là bội số của 4 (N = 4, 8, 12, ...). Thiết kế này giả định các tương tác bậc cao không đáng kể. Nó tập trung vào việc xác định các yếu tố chính. Plackett-Burman Design cho phép sàng lọc đến N-1 yếu tố trong N thí nghiệm. Đây là một cách nhanh chóng để thu hẹp danh sách các yếu tố quan trọng. Sau khi sàng lọc, các yếu tố quan trọng được chọn. Chúng sẽ được nghiên cứu kỹ hơn bằng các thiết kế DoE khác. Đây là một công cụ mạnh mẽ trong giai đoạn đầu của nghiên cứu.

Phương pháp bề mặt đáp ứng (Response Surface Methodology - RSM) là tập hợp các kỹ thuật toán học và thống kê. Nó được dùng để phát triển, cải tiến và tối ưu hóa quy trình. RSM khám phá mối quan hệ giữa một tập hợp các biến giải thích và một hoặc nhiều biến đáp ứng. Mục tiêu chính là tìm điều kiện tối ưu cho đáp ứng. Nó thường được áp dụng khi mô hình bậc một không đủ. RSM sử dụng một chuỗi các thí nghiệm. Nó tạo ra một bề mặt đáp ứng hình ảnh. Bề mặt này giúp nhà nghiên cứu dễ dàng hình dung. Từ đó, các điều kiện tối ưu được xác định rõ ràng. RSM là công cụ không thể thiếu trong nhiều lĩnh vực công nghiệp.

Quy hoạch tâm xoay (Central Composite Design - CCD) là một trong những thiết kế RSM phổ biến. CCD bao gồm các điểm yếu tố toàn phần (hoặc từng phần). Nó có thêm các điểm trục và điểm trung tâm. Điểm trục giúp ước tính các hệ số bậc hai. Điểm trung tâm đánh giá độ lặp lại của thí nghiệm và tính thiếu phù hợp của mô hình. CCD có khả năng xoay. Điều này có nghĩa là độ chính xác của dự đoán là như nhau. Nó không phụ thuộc vào hướng từ tâm của thiết kế. CCD hiệu quả trong việc mô hình hóa các bề mặt cong. Nó cho phép tìm kiếm điểm tối ưu một cách chính xác. Thiết kế này được sử dụng rộng rãi trong các nghiên cứu tối ưu hóa.

Mô hình Box-Behnken (Box-Behnken Design - BBD) là một thiết kế RSM khác. Nó thường ít điểm thí nghiệm hơn CCD cho cùng số yếu tố. BBD không chứa các điểm cực của hình lập phương. Thay vào đó, các điểm được đặt ở trung điểm của các cạnh. Điều này có thể hữu ích khi các điểm cực khó thực hiện hoặc nằm ngoài vùng quan tâm. BBD cũng cho phép ước tính các hệ số bậc hai và tương tác. Thiết kế này đặc biệt phù hợp khi cần một thiết kế hiệu quả về chi phí. Nó vẫn cung cấp thông tin đầy đủ cho việc xây dựng mô hình bậc hai. BBD là lựa chọn tốt cho nhiều ứng dụng tối ưu hóa trong ngành dược và hóa học.

Phương pháp Taguchi do Genichi Taguchi phát triển. Nó là một triết lý kỹ thuật chất lượng. Mục tiêu là cải thiện chất lượng sản phẩm và quy trình. Điều này được thực hiện thông qua thiết kế thực nghiệm. Taguchi nhấn mạnh 'chất lượng mạnh mẽ' (robust quality). Sản phẩm hoặc quy trình cần hoạt động tốt. Chúng phải ổn định ngay cả khi có biến động. Biến động có thể đến từ môi trường, nguyên vật liệu hoặc người vận hành. Phương pháp này tập trung vào giai đoạn thiết kế. Nó giúp ngăn ngừa các vấn đề chất lượng. Điều này tốt hơn việc sửa chữa chúng sau này. Taguchi đã cách mạng hóa cách nhìn về chất lượng trong sản xuất.

Ma trận trực giao Taguchi (Taguchi Orthogonal Arrays) là công cụ chính. Nó được sử dụng để lập kế hoạch thí nghiệm. Các ma trận này cho phép nghiên cứu nhiều yếu tố. Đồng thời, nó giảm thiểu số lượng thí nghiệm cần thiết. Điều này giúp tiết kiệm thời gian và tài nguyên. Ma trận trực giao đảm bảo mỗi yếu tố được đánh giá độc lập. Nó giảm thiểu sự tương quan giữa các yếu tố. Ví dụ, ma trận L4, L8, L9, L16 được sử dụng phổ biến. Chúng phù hợp với các số lượng yếu tố và mức khác nhau. Việc chọn ma trận phù hợp là quan trọng. Nó giúp thu thập dữ liệu hiệu quả và chính xác. Đây là đặc điểm nổi bật của Phương pháp Taguchi.

Mục tiêu chính của Phương pháp Taguchi là đạt được chất lượng mạnh mẽ. Chất lượng mạnh mẽ có nghĩa là sản phẩm hoặc quy trình ít nhạy cảm. Nó ít nhạy cảm với các yếu tố nhiễu. Taguchi giới thiệu khái niệm Tỷ số Tín hiệu trên Nhiễu (S/N ratio). Tỷ số S/N định lượng độ bền của một hệ thống. Giá trị S/N cao hơn có nghĩa là độ bền tốt hơn. Có ba loại S/N ratio: nhỏ là tốt nhất, lớn là tốt nhất, và danh nghĩa là tốt nhất. Việc tối ưu hóa S/N ratio giúp giảm sự biến động. Nó cải thiện chất lượng sản phẩm. Phương pháp Taguchi giúp nhà thiết kế tạo ra sản phẩm đáng tin cậy. Chúng hoạt động ổn định trong mọi điều kiện sử dụng.