01、
混料设计的本质
在食品配方开发中，当多种原料的比例之和必须严格等于100%（如代餐粉、复合调味料）时，传统DOE的独立变量假设不再成立。此时，混料设计（Mixture Design）成为唯一可行的实验方法论。其核心在于：
变量依存性：各成分比例相互制约，单一变量的调整必然引发其他变量的连锁变化。
实验空间限制：所有可能的配方组合构成几何学中的“单纯形空间”（Simplex Space），如三种原料的配比对应二维三角形，四种原料对应三维四面体。
响应面复杂性：由于变量间的强耦合性，目标属性（如口感、成本）往往呈现非线性响应，需高阶模型精准刻画。
例如，某企业开发含5种坚果的能量棒，若使用传统全因子设计需进行3^5=243次实验，而混料设计通过约束优化，仅需30组实验即可构建预测模型，效率提升8倍。
02、
D-最优混料设计的基本原理
D-最优混料设计是将D-最优设计应用于混料回归设计的一种方法，该设计中主要采用的数学模型是Scheffe多项式。对于混料回归设计，其特点是由于混料条件的限制，在全部p个混料分量x1，x2，……xp，中，只有p-1个混料分量可以在一定范围内独立的变动，在p-1个分量数值确定后，余下的一个分量的数值继而确定。
因此混料回归设计相比于一般回归设计有所不同，其数学模型亦不同于一般回归设计中的数学模型。这是因为单纯形质心混料回归设计的回归方程，在混料条件限制下，没有三次项、二次项、常数项等，而只有一次项和交互项。其一般形式为：
式中：xi，xj分别表示第i、j项混料分量，bi为各项下系数。
D-最优混料设计是在总体上使回归系数b1，b2，……bm的估计误差最小的实验设计，其设计重点是获得模型相对应的信息矩阵，并使信息矩阵的行列式达到极大。
D-最优设计可以使混料回归设计拟合模型回归系数的方差最小，达到提高回归模型预测精度的目的。
将D-最优设计应用于混料回归设计后，通过比对各试验因子的不同比例和响应变量之间的关系，得出试验指标与混合物中各成分比例之间的回归方程，通过回归方程以及响应曲面得出统计结论，优化出最优配比。
03、
D-最优混料设计的适用场景
作为混料设计的高级形态，D-最优（D-Optimal）方法通过矩阵行列式最大化原理，从海量可能组合中筛选出信息量最密集的实验点，尤其适用于以下场景：
①多重约束交织的配方开发
法规限制：如婴幼儿食品中营养素添加范围（铁0.10-0.60mg/100kJ）。
物性要求：如植物基肉制品中蛋白组分≥20%，脂肪≤10%。
成本控制：进口原料占比≤15%，总成本波动幅度±5%。
②非标准实验空间的灵活应对
当原料之间存在互斥关系（如A+B≤30%）或阶梯式阈值（如C≥10%时D必须≤5%），传统正交表无法生成有效实验方案，而D-最优算法可动态调整实验点分布。
04、
案例：植物蛋白饮料的五元混料优化
以某企业开发含豌豆、大豆、小麦、鹰嘴豆、马铃薯五种蛋白的植物基饮料为例，演示D-最优混料设计的完整应用流程：
阶段1：定义约束边界
|
成分
|
下限
|
上限
|
约束依据
|
|
豌豆蛋白
|
30%
|
50%
|
持水性需求
|
|
大豆蛋白
|
10%
|
25%
|
氨基酸平衡
|
|
小麦蛋白
|
5%
|
15%
|
防止过度凝胶化
|
|
鹰嘴豆蛋白
|
8%
|
20%
|
成本限制
|
|
马铃薯蛋白
|
5%
|
15%
|
溶解度阈值
|
阶段2：实验方案生成
使用Minitab软件执行以下步骤：
1）选择【统计】→【DOE】→【混料】→【创建混料设计】
2）设定成分数（5），输入各成分上下限
3）选择“D-最优”设计类型，设定实验次数为28次（软件自动计算最小样本量）
4）添加3组中心点实验以评估模型误差
关键输出：
设计空间可视化图（多维单纯形投影）
实验序列表（含28组精确配比方案）
阶段3：数据建模与优化
1）模型拟合：对蛋白质溶解度、感官评分、粘度三项响应值建立二次回归模型：
Y=β1X1+β2X2+…+βijXiXj
2）交互作用识别：ANOVA分析显示豌豆蛋白与鹰嘴豆蛋白存在显著协同效应（P=0.003），而大豆蛋白与小麦蛋白呈拮抗作用（P=0.02）。
3）多目标优化：使用合意性函数（Desirability Function）平衡品质与成本，最终锁定最优解：
豌豆蛋白42% + 大豆蛋白18% + 鹰嘴豆蛋白15%
预测溶解度92.3%，实际检测值89.7%（误差2.8%）
阶段4：成本敏感性分析
通过蒙特卡洛模拟评估原料价格波动对总成本的影响，生成原料替代预案（如鹰嘴豆蛋白涨价20%时，可切换至马铃薯蛋白占比提升方案，品质损失控制在5%以内）。
