อุณหพลศาสตร์วิศวกรรมเคมีขั้นสูง
3(2-3-7)
วิชาบังคับก่อน : โดยความเห็นชอบของสาขาวิชา
เหตุผลสำหรับการออกแบบการทดลองและการวิเคราะห์ข้อมูล การออกแบบและการสร้างเครื่องมือวิจัย ข้อพิจารณาในการออกแบบและการเลือกตัวตรวจวัดและตัวขยาย การวิเคราะห์ความไม่แน่นอนในเครื่องมือที่ซับซ้อน การเตรียมข้อมูล สถิติพื้นฐานในการวิเคราะห์ข้อมูล การวิเคราะห์ข้อมูลเชิงสถิติ การทดสอบสมมติฐาน การถดถอยของข้อมูลและการประมาณการด้วยแบบจำลองเชิงเส้นและไม่เชิงเส้น การใช้ ANOVA การออกแบบการทดลอง เช่น แฟกทอเรียลแบบเต็มและแบบบางส่วน การหาการออกแบบการทดลองที่ดีที่สุด เช่น การใช้พื้นผิวตอบสนองและการออกแบบการทอลองผสม พื้นฐานการเรียนรู้ของเครื่อง เครื่องมือและซอฟต์แวร์ที่ใช้ในการวิเคราะห์ข้อมูลและออกแบบการทดลอง
เค้าโครงรายวิชา
- เหตุผลสำหรับการทดลองทางวิศวกรรมและผลกระทบต่อการออกแบบการทดลองและการวิเคราะห์ผล (1 ชม.)
- การออกแบบและการสร้างอุปกรณ์วิจัยทางวิศวกรรมเพื่อความปลอดภัยและผลสำเร็จของการทดลอง (1 ชม.)
- การออกแบบและตัวเลือกสำหรับตัวตรวจวัดและขยายสัญญาณ (1 ชม.)
- การวิเคราะห์ความไม่แน่นอนในระบบที่มีหลายองค์ประกอบ (1 ชม.)
- การเตรียมข้อมูล สมบัติของข้อมูล และการวิเคราะห์เชิงพรรณนา (2 ชม.)
- Probability density functions (normal distribution, binomial distribution, Poisson distribution, etc.) (2 ชม.)
- การวิเคราะห์เชิงสถิติ เช่น การทดสอบสมมติฐาน การวิเคราะห์การกระจาย การวิเคราะห์การแปรผัน การทดสอบทางสถิติ t-test และ chi-square เป็นต้น (4 ชม.)
- การจัดการข้อมูลขนาดใหญ่ (4 ชม.)
- วิธีกำลังสองน้อยที่สุด และการถดถอยเชิงเส้นและไม่เชิงเส้น (5 ชม.)
- การวิเคราะห์ความสัมพันธ์ (2 ชม.)
- การวิเคราะห์ความแปรปรวน (ANOVA) สำหรับ 1 ปัจจัย (4 ชม.)
- ANOVA สำหรับหลายปัจจัย (4 ชม.)
- การออกแบบการทดลองแบบแฟกตอเรียล (12 ชม.)
- แฟกตอเรียลเต็ม
- แฟกตอเรียลย่อย
- ทดลองซ้ำ หรือไม่ทดลองซ้ำ
- Blocking and confounding
- การแก้ปัญหา
- พื้นผิวตอบสนองและการออกแบบการทดลองแบบผสม (5 ชม.)
- พื้นฐานการเรียนรู้ของเครื่อง (12 ชม.)
ผลสัมฤทธิ์การเรียนรู้
- เข้าใจในหลักการออกแบบการทดลองและการวิเคราะห์ข้อมูล รวมทั้งการเรียนรู้เครื่อง และสามารถสร้างและออกแบบอุปกรณ์วิจัย เซ็นเซอร์ และแอคชูเอเตอร์ (actuators) ได้
- สามารถประยุกต์ใช้ทฤษฎีความน่าจะเป็น สถิติ และการเรียนรู้เครื่องเพื่อออกแบบการทดลองและวิเคราะห์ข้อมูลโดยใช้วิธีการต่างๆ ได้
- สามารถเรียนรู้ได้ด้วยตนเองและมีทักษะในการเรียนรู้อย่างต่อเนื่อง ตลอดจนสามารถทำงานร่วมกับผู้อื่นได้อย่างมีประสิทธิภาพ ทั้งในบทบาทของสมาชิกในทีมและผู้นำทีม
- สามารถนำผลการเรียนรู้ไปใช้ในบริบทของงานวิศวกรรมเคมีได้
- สามารถใช้เครื่องมือซอฟต์แวร์สำหรับออกแบบการทดลองและการวิเคราะห์ข้อมูลได้
Experimental Design, Data Analysis, and Machine Learning Basic
Prerequisite : Consent of the School
Rationale for design of experiments and analysis of data. Design and construction of research equipment. Considerations in the design and choice of sensors and actuators. Uncertainty analysis in complex equipment. Data preparation. Basis statistics for data analysis. Statistical analysis. Hypothesis testing using statistics. Regression of data and model fitting. Linear and nonlinear regressions. Use of the analysis of variance technique (ANOVA). Design of experiments, including full factorial, and partial factorial designs (with and without replication), including blocking, confounding, and design resolutions. Optimization experimental designs, including response surface methodology and mixture design. Machine learning basics. Tools and software for data analysis.
Course Outline
- Reasons for performing experiments in engineering, and how these affect the experimental design and analysis. (1 hr.)
- Design and construction of engineering research equipment for safe and successful experiments (size, materials, safety, etc.). (1 hr.)
- Design and choice of sensors and actuators in equipment. (1 hr.)
- Uncertainty analysis in systems of multiple components. (1 hr.)
- Data preparation, properties of data, and exploratory data analysis. (2 hr.)
- Probability density functions (normal distribution, binomial distribution Poisson distribution, etc.) (2 hr.)
- Statistical analysis (e.g. hypothesis testing, descriptive statistics variance analysis, t-test, chi-square test). (4 hr.)
- Big data. (4 hr.)
- Least squares regression for data fitting, linear regression, and nonlinear regression. (5 hr.)
- Correlation analysis. (2 hr.)
- Analysis of Variance (ANOVA) for single factors. (4 hr.)
- Multifactor ANOVA. (4 hr.)
- Factorial experimental designs. (12 hr.)
- Full factorial designs.
- Partial factorial designs.
- To replicate or not replicate.
- Blocking and confounding.
- Blocking and confounding.
- Response surface methodology, and mixture design. (5 hr.)
- Machine learning basics. (12 hr.)
Learning Outcomes
- Understand the principles of experimental design and data analysis, and construct and design the research equipment, sensors and actuators.
- Can apply the theories of probability, statistics, and machine learning to design the experiment and analyze the data by using various methods.
- Can engage in independent and lifelong learning, and function effectively as a member or leader of a team.
- Able to apply the learning outcomes in the context of chemical engineering work.
- Able to use software tools for experimental design and data analysis.
