Переработан интерфейс программы, расчёт занчений в процессе исправления.

calculations/doe.py

@@ -0,0 +1,352 @@
+"""
+Планирование эксперимента (DoE)
+
+Модуль для генерации полнофакторных планов экспериментов
+и анализа результатов.
+
+Основные функции:
+- generate_factorial_design() - генерация плана
+- analyze_experiment() - статистический анализ
+- calculate_factor_levels() - расчёт уровней факторов
+"""
+
+from typing import List, Dict, Tuple, Optional
+import random
+import numpy as np
+
+# Типы расчёта шага
+FACTOR_TYPES = {
+    'absolute': 'абс',   # абсолютный шаг
+    'relative': '%',     # относительный шаг (процент от нулевого уровня)
+}
+
+
+def calculate_factor_levels(
+    center_value: float,
+    step_value: float,
+    step_type: str,
+    base_value: float = None
+) -> Tuple[float, float]:
+    """
+    РАССЧИТЫВАЕТ ВЕРХНИЙ И НИЖНИЙ УРОВНИ ФАКТОРА
+    
+    Параметры:
+        center_value: нулевой уровень фактора (центральная точка)
+        step_value: значение шага
+        step_type: тип шага ("абс" - абсолютный, "%" - относительный)
+        base_value: базовое значение для относительного шага (если None, используется center_value)
+    
+    Возвращает:
+        (high_level, low_level): верхний и нижний уровни
+        
+    Пример:
+        >>> calculate_factor_levels(100, 10, "%")
+        (110.0, 90.0)
+        >>> calculate_factor_levels(100, 20, "абс")
+        (120.0, 80.0)
+    """
+    # Определяем абсолютное значение шага
+    if step_type == "%":
+        base = base_value if base_value is not None else center_value
+        step_abs = center_value * step_value / 100
+    else:  # "абс" или "absolute"
+        step_abs = step_value
+    
+    high_level = center_value + step_abs
+    low_level = center_value - step_abs
+    
+    return high_level, low_level
+
+
+def generate_factorial_design(
+    factors: List[Dict],
+    center_points: int = 3,
+    randomize: bool = True
+) -> List[Dict]:
+    """
+    ГЕНЕРИРУЕТ ПОЛНОФАКТОРНЫЙ ПЛАН ЭКСПЕРИМЕНТА
+    
+    Создаёт матрицу планирования для 2^k полнофакторного эксперимента
+    с добавлением центральных точек.
+    
+    ПАРАМЕТРЫ:
+    ----------
+    factors : List[Dict]
+        Список факторов. Каждый фактор - словарь с ключами:
+        - name (str): название фактора
+        - low (float): нижний уровень (-1)
+        - high (float): верхний уровень (+1)
+        - center (float): нулевой уровень (0)
+        - unit (str): единица измерения
+        - step (float, опционально): шаг варьирования
+        - step_type (str, опционально): тип шага ("абс" или "%")
+        
+        Минимально необходимые ключи: name, low, high, center, unit
+    
+    center_points : int
+        Количество центральных точек (повторений в центре плана)
+        По умолчанию 3
+    
+    randomize : bool
+        Перемешивать ли порядок опытов случайным образом
+        По умолчанию True
+    
+    ВОЗВРАЩАЕТ:
+    -----------
+    List[Dict]
+        Список экспериментов. Каждый эксперимент - словарь:
+        - для каждого фактора: "Фактор_N" с полями:
+            - coded: кодированное значение (-1, 0, +1)
+            - natural: натуральное значение
+            - name: название фактора
+            - unit: единица измерения
+        - is_center (bool): является ли точка центральной
+        - center_num (int): номер центральной точки (если is_center)
+    
+    ПРИМЕР ИСПОЛЬЗОВАНИЯ:
+    ---------------------
+    >>> factors = [
+    ...     {'name': 'Температура', 'low': 25, 'high': 37, 'center': 31, 'unit': '°C'},
+    ...     {'name': 'pH', 'low': 6.5, 'high': 7.5, 'center': 7.0, 'unit': ''}
+    ... ]
+    >>> design = generate_factorial_design(factors, center_points=2)
+    >>> print(len(design))  # 2^2 + 2 = 6
+    6
+    >>> design[0]['Фактор_1']['coded']  # первый фактор в первом опыте
+    -1
+    """
+    
+    k = len(factors)
+    if k == 0:
+        return []
+    
+    n_factorial = 2 ** k
+    design = []
+    
+    # Генерация факторных точек (все комбинации уровней)
+    for i in range(n_factorial):
+        experiment = {}
+        for j in range(k):
+            # Кодированный уровень: -1 для 0, +1 для 1 в бите
+            # (k-1-j) для правильного порядка факторов
+            coded_level = -1 if (i >> (k - 1 - j)) & 1 == 0 else 1
+            
+            # Натуральное значение
+            natural_value = factors[j]['low'] if coded_level == -1 else factors[j]['high']
+            
+            experiment[f"Фактор_{j+1}"] = {
+                'coded': coded_level,
+                'natural': natural_value,
+                'name': factors[j]['name'],
+                'unit': factors[j].get('unit', '')
+            }
+        design.append(experiment)
+    
+    # Добавление центральных точек
+    for i in range(center_points):
+        center_experiment = {}
+        for j in range(k):
+            center_experiment[f"Фактор_{j+1}"] = {
+                'coded': 0,
+                'natural': factors[j]['center'],
+                'name': factors[j]['name'],
+                'unit': factors[j].get('unit', '')
+            }
+        center_experiment['is_center'] = True
+        center_experiment['center_num'] = i + 1
+        design.append(center_experiment)
+    
+    # Перемешивание порядка
+    if randomize:
+        random.shuffle(design)
+    
+    return design
+
+
+def analyze_experiment(
+    results: List[List[float]],
+    design: List[Dict],
+    responses: List[Dict]
+) -> Dict:
+    """
+    ПРОВОДИТ СТАТИСТИЧЕСКИЙ АНАЛИЗ РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТА
+    
+    ПАРАМЕТРЫ:
+    ----------
+    results : List[List[float]]
+        Матрица результатов. Каждая строка - эксперимент,
+        каждый столбец - отклик.
+        Размер: [n_experiments, n_responses]
+    
+    design : List[Dict]
+        План эксперимента, возвращённый generate_factorial_design()
+    
+    responses : List[Dict]
+        Список откликов. Каждый отклик - словарь с ключами:
+        - name (str): название отклика
+        - unit (str): единица измерения
+    
+    ВОЗВРАЩАЕТ:
+    -----------
+    Dict
+        Словарь с анализом для каждого отклика:
+        {
+            'Название отклика': {
+                'mean': float,           # среднее значение всех опытов
+                'variance': float,       # общая дисперсия
+                'std_dev': float,        # стандартное отклонение
+                'cv': float,             # коэффициент вариации (%)
+                'factorial_values': list,   # значения в факторных точках
+                'center_values': list,      # значения в центральных точках
+                'center_variance': float,   # дисперсия воспроизводимости
+                'n_factorial': int,         # количество факторных точек
+                'n_center': int,            # количество центральных точек
+                'fisher_ratio': float,      # критерий Фишера (если применимо)
+                'model_adequate': bool|None # адекватность модели
+            }
+        }
+    
+    ПРИМЕР ИСПОЛЬЗОВАНИЯ:
+    ---------------------
+    >>> factors = [{'name': 'X', 'low': 0, 'high': 10, 'center': 5, 'unit': ''}]
+    >>> design = generate_factorial_design(factors, center_points=2)
+    >>> results = [[2.0], [8.0], [5.1], [4.9]]  # 2 факторные + 2 центральные
+    >>> responses = [{'name': 'Выход', 'unit': '%'}]
+    >>> analysis = analyze_experiment(results, design, responses)
+    >>> print(analysis['Выход']['mean'])
+    5.0
+    """
+    
+    analysis = {}
+    
+    for resp_idx, response in enumerate(responses):
+        resp_name = response.get('name', f'Отклик_{resp_idx+1}')
+        
+        # Собираем все значения для этого отклика
+        y_values = [results[i][resp_idx] for i in range(len(results))]
+        
+        # Базовые статистики
+        mean_y = np.mean(y_values)
+        variance = np.var(y_values, ddof=1) if len(y_values) > 1 else 0
+        std_dev = np.std(y_values, ddof=1) if len(y_values) > 1 else 0
+        cv = (std_dev / mean_y) * 100 if mean_y != 0 else 0
+        
+        # Разделяем факторные и центральные точки
+        factorial_y = []
+        center_y = []
+        
+        for i, exp in enumerate(design):
+            if exp.get('is_center', False):
+                center_y.append(y_values[i])
+            else:
+                factorial_y.append(y_values[i])
+        
+        # Анализ воспроизводимости
+        center_variance = np.var(center_y, ddof=1) if len(center_y) > 1 else 0
+        
+        # Критерий Фишера для проверки адекватности модели
+        fisher_ratio = None
+        model_adequate = None
+        
+        if len(center_y) > 1 and len(factorial_y) > 1:
+            factorial_variance = np.var(factorial_y, ddof=1)
+            if factorial_variance > 0 and center_variance > 0:
+                fisher_ratio = max(factorial_variance, center_variance) / min(factorial_variance, center_variance)
+                # Критическое значение F (приблизительное, для p=0.05)
+                # Более точное требует знания степеней свободы
+                model_adequate = fisher_ratio < 4.0
+        
+        analysis[resp_name] = {
+            'mean': mean_y,
+            'variance': variance,
+            'std_dev': std_dev,
+            'cv': cv,
+            'factorial_values': factorial_y,
+            'center_values': center_y,
+            'center_variance': center_variance,
+            'n_factorial': len(factorial_y),
+            'n_center': len(center_y),
+            'fisher_ratio': fisher_ratio,
+            'model_adequate': model_adequate
+        }
+    
+    return analysis
+
+
+def create_factor_from_reagent(
+    reagent: Dict,
+    total_volume: float,
+    volume_unit: str,
+    step_percent: float = 10.0
+) -> Dict:
+    """
+    СОЗДАЁТ ФАКТОР ИЗ РЕАГЕНТА (для интеграции калькулятора и DoE)
+    
+    Преобразует рассчитанный реагент в фактор для планирования эксперимента.
+    
+    Параметры:
+        reagent: рассчитанный реагент (из calculate_medium_composition)
+        total_volume: общий объём среды
+        volume_unit: единица объёма
+        step_percent: шаг варьирования в процентах от нулевого уровня
+    
+    Возвращает:
+        Dict: фактор для использования в generate_factorial_design()
+    """
+    center_value = reagent.get('undiluted_amount', reagent.get('calculated_amount', 0))
+    step_value = center_value * step_percent / 100
+    
+    high_level, low_level = calculate_factor_levels(
+        center_value, step_value, "абс"
+    )
+    
+    return {
+        'name': reagent['name'],
+        'center': center_value,
+        'low': low_level,
+        'high': high_level,
+        'step': step_value,
+        'step_type': 'абс',
+        'unit': reagent.get('unit', volume_unit),
+        'percentage': reagent.get('percentage', 0),
+        'dilution_factor': reagent.get('dilution_factor', 1.0)
+    }
+
+def create_factor_from_reagent(
+    reagent: Dict,
+    total_volume: float,
+    volume_unit: str,
+    step_percent: float = 10.0
+) -> Dict:
+    """
+    СОЗДАЁТ ФАКТОР ИЗ РЕАГЕНТА (для интеграции калькулятора и DoE)
+    
+    Преобразует рассчитанный реагент в фактор для планирования эксперимента.
+    
+    Параметры:
+        reagent: рассчитанный реагент (из calculate_medium_composition)
+        total_volume: общий объём среды
+        volume_unit: единица объёма
+        step_percent: шаг варьирования в процентах от нулевого уровня
+    
+    Возвращает:
+        Dict: фактор для использования в generate_factorial_design()
+    """
+    center_value = reagent.get('undiluted_amount', reagent.get('calculated_amount', 0))
+    step_value = center_value * step_percent / 100
+    
+    high_level, low_level = calculate_factor_levels(
+        center_value, step_value, "абс"
+    )
+    
+    return {
+        'name': reagent['name'],
+        'center': center_value,
+        'low': low_level,
+        'high': high_level,
+        'step': step_value,
+        'step_type': 'абс',
+        'unit': reagent.get('unit', volume_unit),
+        'percentage': reagent.get('percentage', 0),
+        'dilution_factor': reagent.get('dilution_factor', 1.0)
+    }