İçindekiler 12 başlık · 9 dk
- Yanıt yüzey yöntemi nedir, ne işe yarar?
- Temel kavramlar: faktör, kodlanmış değişken ve ikinci dereceden model
- Merkezi kompozit mi, Box-Behnken mi? Tasarım seçimi
- Merkezi kompozit tasarım (CCD)
- Box-Behnken tasarımı (BBD)
- Adım adım yanıt yüzey yöntemi uygulaması
- RSM modeli nasıl değerlendirilir?
- Çözümlü örnek: durağan nokta nasıl bulunur?
- Birden çok yanıt varsa: istenebilirlik fonksiyonu
- RSM sonuçları tezde nasıl raporlanır?
- Sık yapılan hatalar
- Kaynaklar ve resmî bağlantılar
Kısaca: Yanıt yüzey yöntemi (Response Surface Methodology, RSM), birkaç sürekli faktörün bir çıktıyı nasıl etkilediğini planlı deneylerle modelleyip en iyi ayarı bulmaya yarayan istatistiksel bir yaklaşımdır. Genellikle ikinci dereceden bir polinom model kurulur. En çok kullanılan iki tasarım merkezi kompozit tasarım (üç faktörde 6 merkez noktasıyla 20 deney) ve Box-Behnken tasarımıdır (üç faktörde 15 deney). Bulunan optimum mutlaka doğrulama deneyiyle sınanır.
Bu madde, bir prosesi ya da formülasyonu iyileştirmek için deney planlayan mühendislik, gıda, kimya, çevre ve eczacılık tezlerine yöneliktir. Sosyal bilimlerdeki deneysel, tarama ya da nitel desenler arasında seçim yapıyorsanız önce araştırma deseni seçim rehberine bakın. Çok sayıda faktörden önemlileri ayıklama aşamasındaysanız Taguchi yöntemi daha uygun bir başlangıç olabilir; RSM genellikle o aşamadan sonra gelen ince ayar yöntemidir.
Yanıt yüzey yöntemi nedir, ne işe yarar?
RSM'nin temeli, George Box ve K. B. Wilson'ın 1951'de yayımladığı, deneylerle en iyi çalışma koşullarına nasıl ulaşılacağını ele alan çalışmaya dayanır. Yöntemin mantığı basittir: Sıcaklık, süre, pH, derişim gibi sürekli faktörlerle ölçülen bir yanıt (verim, giderim yüzdesi, sertlik, duyusal puan) arasındaki ilişkiyi bir denklemle tahmin edersiniz, sonra bu denklemin en yüksek ya da en düşük noktasını ararsınız.
"Yüzey" adı, iki faktör ile yanıtın birlikte çizildiği üç boyutlu grafikten gelir. Faktörler değiştikçe yanıt bir tepe, bir çukur ya da bir eyer biçimi çizer. Bu yüzeyin şeklini birkaç düzine iyi seçilmiş deneyle öğrenmek, bütün kombinasyonları tek tek denemekten çok daha ekonomiktir.
Tezlerde tipik kullanım alanları şunlardır: ekstraksiyon koşullarının (çözücü oranı, sıcaklık, süre) iyileştirilmesi, atık sudan boya ya da metal giderimi (adsorpsiyon) çalışmaları, gıda formülasyonları, ilaç tablet ve nanopartikül formülasyonları, kaynak ve talaşlı imalat parametreleri, fermantasyon ortamı optimizasyonu.
Temel kavramlar: faktör, kodlanmış değişken ve ikinci dereceden model
RSM'de faktörler gerçek birimleriyle (örneğin 50–70 °C) değil, kodlanmış değerlerle (−1, 0, +1) analiz edilir. Kodlama, farklı birimdeki faktörleri aynı ölçeğe taşır ve katsayıların büyüklüğünü karşılaştırılabilir kılar.
| Terim | Anlamı |
|---|---|
| Yanıt (bağımlı değişken) | Ölçülen ve iyileştirilmek istenen sonuç |
| Faktör | Araştırmacının ayarladığı sürekli değişken |
| Kodlanmış değer | x = (X − merkez değer) / adım büyüklüğü |
| Merkez noktası | Bütün faktörlerin orta seviyede olduğu deney; tekrarlanarak saf hata tahmin edilir |
| Eksen (yıldız) noktası | Merkezi kompozit tasarımda tek bir faktörün ±α uzaklığa taşındığı deney |
| Uyum eksikliği (lack of fit) | Modelin, verideki eğriliği ya da örüntüyü yakalayıp yakalamadığını sınayan test |
En sık kurulan model ikinci dereceden (kuadratik) polinomdur: y = β₀ + Σβᵢxᵢ + Σβᵢᵢxᵢ² + Σβᵢⱼxᵢxⱼ + ε. Burada doğrusal terimler ana etkileri, kare terimler eğriliği, çarpım terimleri de etkileşimleri temsil eder. k faktörlü tam kuadratik modelde (k + 1)(k + 2) / 2 katsayı vardır: iki faktörde 6, üç faktörde 10, dört faktörde 15. Deney sayınız bu katsayı sayısından az olamaz; hata tahmini için ayrıca fazladan deney gerekir.
Model aslında bir çoklu regresyon modelidir; fark, değişkenlerin gözlem yoluyla değil, deney planıyla belirlenmesidir.
Merkezi kompozit mi, Box-Behnken mi? Tasarım seçimi
Eğriliği tahmin edebilmek için her faktörün en az üç seviyede denenmesi gerekir. Üç seviyeli tam faktöriyel tasarım (3ᵏ) bunu sağlar ama deney sayısı hızla büyür: üç faktörde 27, dört faktörde 81 deney. RSM tasarımları aynı modeli çok daha az deneyle kurar.
Merkezi kompozit tasarım (CCD)
Merkezi kompozit tasarım üç parçadan oluşur: 2ᵏ köşe (faktöriyel) noktası, 2k eksen noktası ve tekrarlanan merkez noktaları. Eksen noktalarının merkeze uzaklığı α ile gösterilir. Tasarımın dönebilir (rotatable) olması, yani tahmin varyansının yalnız merkeze uzaklığa bağlı olması için α = (2ᵏ)^(1/4) seçilir: iki faktörde 1,414, üç faktörde 1,682, dört faktörde 2.
- Çevrelenmiş (CCC): Eksen noktaları köşelerin dışına taşar; her faktör beş seviyede denenir. Bu uç seviyelerin cihaz ve güvenlik açısından mümkün olup olmadığını önceden kontrol etmeniz gerekir.
- İç teğet (CCI): Faktör sınırlarınız gerçek sınırlarsa tasarım içeri ölçeklenir; yine beş seviye gerekir.
- Yüz merkezli (CCF): α = 1 alınır, faktörler yalnız üç seviyede denenir. Pratiktir ama kare terimlerin tahmini daha az kesindir ve tasarım dönebilir değildir.
Box-Behnken tasarımı (BBD)
Box-Behnken tasarımında deney noktaları deney uzayının kenar ortalarında ve merkezdedir; köşe noktası yoktur. Her faktör üç seviyede denenir. Köşe olmaması, bütün faktörlerin aynı anda en uç değerde olduğu tehlikeli, pahalı ya da fiziksel olarak imkânsız kombinasyonlardan kaçınmanızı sağlar. Buna karşılık köşe bölgelerinde tahmin gücü zayıftır ve tasarım en az üç faktör gerektirir.
| Faktör sayısı | Merkezi kompozit (CCC/CCI) | Box-Behnken | 3ᵏ tam faktöriyel |
|---|---|---|---|
| 2 | 13 (5 merkez noktası) | Uygulanmaz | 9 |
| 3 | 20 (6 merkez noktası) | 15 | 27 |
| 4 | 30 (6 merkez noktası) | 27 | 81 |
| 5 | 33 (kesirli) ya da 52 (tam faktöriyel) | 46 | 243 |
Merkez noktası sayısı yazılıma ve istenen tasarım özelliğine göre değişebilir; bu yüzden aynı faktör sayısında farklı tezlerde farklı toplamlar görmeniz normaldir. Tabloyu kendi tasarımınızın değil, karşılaştırmanın temeli olarak kullanın.
Bileşenlerin toplamı sabitse (örneğin bir formülasyonda üç bileşenin oranı toplam %100 ediyorsa) faktörler birbirinden bağımsız değildir. Bu durumda merkezi kompozit ya da Box-Behnken değil, simpleks kafes gibi karışım tasarımları kullanılır. Deney bölgesinde kısıtlar varsa D-optimal tasarım da seçenekler arasındadır.
Adım adım yanıt yüzey yöntemi uygulaması
- Yanıtı ve hedefi tanımlayın: Neyi ölçeceğinizi, ölçüm yöntemini ve hedefin en büyük, en küçük ya da belirli bir değer olduğunu yazın.
- Faktörleri ayıklayın: Çok sayıda aday faktör varsa önce Plackett-Burman, kesirli faktöriyel ya da Taguchi gibi bir tarama tasarımıyla önemli olanları (çoğu tezde iki ile dört arası) belirleyin.
- Seviye aralıklarını seçin: Literatür ve ön deneylerle optimumun bulunabileceği bölgeyi daraltın. Optimum aralığın dışındaysa en dik çıkış (steepest ascent) yöntemiyle önce o bölgeye yaklaşılır.
- Tasarımı oluşturun: Faktör sayısına ve uç kombinasyonların mümkün olup olmadığına göre CCD ya da BBD seçin, kodlanmış ve gerçek seviyeleri tablo hâline getirin.
- Deneyleri rastgele sırayla yapın: Rastgele sıra, zamanla değişen etkenlerin (cihaz ısınması, reaktif yaşlanması) faktör etkisine karışmasını önler.
- Modeli kurun: Doğrusal, iki faktörlü etkileşimli ve kuadratik modelleri karşılaştırın; verinin desteklediği en basit modeli seçin.
- Modeli değerlendirin: ANOVA, uyum eksikliği testi, R² türleri ve artık grafikleriyle modelin yeterliliğini gösterin.
- Yüzeyi yorumlayın ve optimize edin: Kontur ve üç boyutlu yüzey grafiklerini çizin, tek yanıtta durağan noktayı, çok yanıtta istenebilirlik (desirability) fonksiyonunu kullanın.
- Doğrulama deneyi yapın: Önerilen koşullarda tekrarlı deney yapıp ölçülen değeri tahminle ve tahmin aralığıyla karşılaştırın.
RSM modeli nasıl değerlendirilir?
Yazılımın verdiği ilk denklemi doğrudan rapor etmek en sık hatadır. Modelin yeterli olduğunu birkaç göstergeyle birlikte savunmanız gerekir.
- Modelin anlamlılığı: ANOVA'da modelin p değeri anlamlı olmalıdır; tek tek terimlerin anlamlılığı da tabloda gösterilir.
- Uyum eksikliği: Merkez noktası tekrarları sayesinde saf hata ayrı tahmin edilir. Uyum eksikliğinin anlamlı çıkmaması istenir; anlamlıysa model verideki örüntüyü kaçırıyor olabilir.
- R², düzeltilmiş R² ve tahmin R²: R² terim ekledikçe hep artar. Düzeltilmiş R² terim sayısını cezalandırır, tahmin R² ise modelin yeni gözlemleri ne kadar iyi tahmin edeceğini gösterir. Bu üçü arasında büyük fark, gereksiz terim ya da aşırı uyum işaretidir.
- Artık analizi: Artıkların normal olasılık grafiği, tahmin edilen değerlere karşı artıklar ve deney sırasına karşı artıklar incelenir. Varyans düzensizse Box-Cox gibi bir dönüşüm gerekebilir. Bu kontrollerin genel mantığı regresyon varsayımları maddesinde anlatılanla aynıdır.
Anlamsız terimleri çıkarırken hiyerarşi ilkesine dikkat edin: x₁x₂ ya da x₁² terimi modelde kalıyorsa x₁ anlamsız olsa bile genellikle modelde tutulur. Hangi terimleri neden çıkardığınızı yöntem bölümünde yazın.
Çözümlü örnek: durağan nokta nasıl bulunur?
Aşağıdaki sayılar tamamen varsayımsaldır ve yalnız hesabın mantığını göstermek içindir. Bir ekstraksiyon çalışmasında sıcaklık (x₁; merkez 60 °C, adım 10 °C) ve süre (x₂; merkez 30 dk, adım 10 dk) için kodlanmış değerlerle şu model bulunmuş olsun:
Verim (%) = 80 + 4x₁ + 3x₂ − 5x₁² − 2x₂² + 1x₁x₂
Durağan noktada her iki faktöre göre türev sıfırdır:
- ∂y/∂x₁ = 4 − 10x₁ + x₂ = 0
- ∂y/∂x₂ = 3 + x₁ − 4x₂ = 0
İkinci denklemden x₁ = 4x₂ − 3 bulunur. Birincide yerine konunca 34 = 39x₂, yani x₂ ≈ 0,872 ve x₁ ≈ 0,487 olur. Bu noktadaki tahmini verim yaklaşık %82,3'tür. Kare terimlerin ikisi de negatif ve etkileşim küçük olduğu için nokta bir tepedir, yani en yüksek değerdir.
Kodlanmış değerleri gerçek birimlere çevirmek için kodlama formülünü tersine uygularsınız: sıcaklık = 60 + 0,487 × 10 ≈ 64,9 °C, süre = 30 + 0,872 × 10 ≈ 38,7 dk. Önerilen koşul deney bölgesinin içinde kaldığı için tahmin güvenilir sayılabilir; ama yine de bu koşulda doğrulama deneyi yapılmalıdır.
Durağan nokta her zaman bir optimum değildir. Kare terimlerin işaretleri farklıysa nokta bir eyer noktasıdır; katsayılardan biri sıfıra yakınsa yüzey bir sırt (ridge) biçimindedir ve birçok koşul benzer sonuç verir. Durağan nokta deney bölgesinin dışına düşüyorsa onu öneri olarak sunmayın; ya bölge içindeki en iyi koşulu verin ya da yeni bir deney bölgesi planlayın.
Birden çok yanıt varsa: istenebilirlik fonksiyonu
Tezlerin çoğunda tek bir yanıt yoktur: verimi artırırken maliyeti ya da yan ürünü azaltmak istersiniz. Derringer ve Suich'in yaygınlaştırdığı istenebilirlik yaklaşımında her yanıt 0 (kabul edilemez) ile 1 (ideal) arasında bir istenebilirlik değerine dönüştürülür. Bu değerlerin geometrik ortalaması toplam istenebilirliği verir ve yazılım bu değeri en büyük yapan koşulu arar.
Burada sonuç, sizin belirlediğiniz hedeflere, alt-üst sınırlara ve önem ağırlıklarına bağlıdır. Bu tercihleri ve gerekçelerini tabloda açıkça verin; aksi hâlde okur aynı veriden farklı bir optimuma ulaşılabileceğini göremez. Seçenekleri sıralamak gerekiyorsa sonuçlar çok kriterli karar verme yöntemleriyle de desteklenebilir.
RSM sonuçları tezde nasıl raporlanır?
İyi bir RSM bölümünü okuyan biri deneyi tekrarlayabilmeli ve modeli kendisi yeniden kurabilmelidir. Şunları eksiksiz verin:
- Faktörler, gerçek ve kodlanmış seviyeleri, α değeri ve tasarım türü (CCC, CCF, BBD)
- Deney sırasıyla birlikte tam tasarım matrisi; her deney için gözlenen ve tahmin edilen yanıt
- Model seçimi gerekçesi ve ANOVA tablosu (uyum eksikliği dahil)
- Son denklem, hem kodlanmış hem gerçek birimlerle
- Artık grafikleri, kontur ve yüzey grafikleri
- Optimizasyon ölçütleri ve doğrulama deneyi sonuçları (ölçülen, tahmin edilen ve aradaki fark)
Yazılım olarak Design-Expert ve Minitab'ın hazır yanıt yüzeyi menüleri yaygındır; R'da rsm paketiyle de aynı tasarım ve analizler yapılabilir. SPSS'te bu tasarımları üretecek hazır bir menü bulunmaz, ancak tasarım matrisini başka yerde oluşturup modeli regresyonla kurabilirsiniz. ANOVA ve katsayı tablolarını APA 7 tablo ve şekil kurallarına ya da enstitünüzün yazım kılavuzuna göre düzenleyin; yüzey grafiklerinin okunurluğu için akademik veri görselleştirme rehberi işinize yarar.
Sık yapılan hatalar
- Tarama yapmadan RSM'ye başlamak: Önemsiz faktörlerle kurulan tasarım deney sayısını boşuna artırır.
- Seviyeleri optimumdan uzak seçmek: Optimum deney bölgesinin dışındaysa model yalnız bir yamaç gösterir; durağan nokta bölge dışına düşer.
- Merkez noktalarını tekrarlamamak: Tekrar yoksa saf hata ve uyum eksikliği test edilemez.
- Yalnız R²'ye bakmak: Yüksek R², tahmin gücü ve uyum eksikliği kontrol edilmeden modelin iyi olduğunu göstermez.
- Doğrulama deneyini atlamak: Tahmin edilen optimum denenmeden "en iyi koşul bulundu" demek tezin en zayıf noktası olur.
- Deney bölgesinin dışına yorum yapmak: Polinom model yalnız denenen aralıkta geçerlidir.
- Kodlanmış ve gerçek denklemleri karıştırmak: Katsayıların büyüklüğü yalnız kodlanmış denklemde karşılaştırılabilir.
Kaynaklar ve resmî bağlantılar
- NIST/SEMATECH e-Handbook of Statistical Methods: yanıt yüzeyi tasarımları (merkezi kompozit ve Box-Behnken tasarımlarının yapısı)
- NIST/SEMATECH e-Handbook: yanıt yüzeyi tasarımlarının karşılaştırılması (deney sayıları ve seviye karşılaştırması)
- YÖK Ulusal Tez Merkezi: alanınızda "yanıt yüzey yöntemi" ile hazırlanmış tezler
- DergiPark: Türkçe dergilerde RSM ve Box-Behnken uygulamaları
Sık sorulanlar
Box-Behnken mi merkezi kompozit tasarım mı daha iyi?
Tek bir doğru yoktur. Box-Behnken, üç veya dört faktörde daha az deney ister ve bütün faktörlerin aynı anda uç değerde olduğu köşe kombinasyonlarını içermez; bu yüzden tehlikeli ya da imkânsız uç koşullarda tercih edilir. Merkezi kompozit tasarım ise deney uzayının tamamında daha dengeli tahmin verir, önceki faktöriyel deneylere eksen noktaları eklenerek kurulabilir ve iki faktörle de uygulanabilir.
Yanıt yüzey yöntemi için kaç deney gerekir?
Faktör sayısına ve tasarıma bağlıdır. NIST el kitabındaki karşılaştırmaya göre üç faktörde merkezi kompozit tasarım 6 merkez noktasıyla 20, Box-Behnken tasarımı 15 deney gerektirir; dört faktörde bu sayılar 30 ve 27'dir. Merkez noktası sayısı yazılıma ve tasarım tercihine göre değiştiği için kendi tasarımınızın toplamını yazılımın ürettiği matristen alın.
RSM'de uyum eksikliği (lack of fit) anlamlı çıkarsa ne yapılır?
Anlamlı uyum eksikliği, modelin verideki örüntüyü yeterince yakalayamadığını düşündürür. Önce aykırı deney ve ölçüm hatası olup olmadığına bakın, ardından yanıta dönüşüm uygulamayı ya da farklı bir model denemeyi düşünün. Merkez noktası tekrarları çok tutarlıysa saf hata çok küçük çıkar ve test aşırı duyarlı olabilir; bu durumu tezde açıkça tartışın.
Yanıt yüzey yöntemi SPSS ile yapılır mı?
SPSS'te merkezi kompozit ya da Box-Behnken tasarımı üretecek hazır bir menü bulunmaz. Tasarım matrisini Design-Expert, Minitab ya da R'daki rsm paketi gibi bir araçla oluşturup ikinci dereceden modeli SPSS'te çoklu regresyonla kurabilirsiniz. Ancak yüzey grafikleri, istenebilirlik optimizasyonu ve uyum eksikliği testi için bu araçlar daha pratiktir.
Taguchi ile yanıt yüzey yöntemi arasındaki fark nedir?
Taguchi yöntemi, ortogonal dizilerle çok sayıda faktörü az deneyle tarar ve yalnız denenen seviyeler arasından en iyisini seçer. Yanıt yüzey yöntemi ise az sayıda önemli faktör için sürekli bir model kurar ve seviyelerin arasındaki en iyi noktayı da bulabilir. Tezlerde sık görülen sıra, önce tarama yapıp ardından RSM ile ince ayar yapmaktır.
