Resumo Exame do processo de acumulação de capacidades tecnológicas para inovação e do papel dos processos subjacentes de aprendizagem tecnológica no contexto dos projetos Reparo de Metralhadora Automatizado X (REMAX) e Torre Operada Remotamente e Estabilizada para Canhão 30mm (TORC30) do Exército Brasileiro (EB), durante o período de 1999 a 2016. Baseando-se em evidências empíricas primárias e secundárias, em uma escala que identifica níveis de capacidades tecnológicas e em um modelo de processos de aprendizagem tecnológica, identificou-se durante o período estudado a evolução do nível de capacidades tecnológicas de básico para avançado. Essas capacidades tecnológicas se refletiram em atividades inovadoras: prototipagem, design e pesquisa e desenvolvimento (P&D). Elas foram acumuladas por meio de esforços deliberados e eficazes em mecanismos de aprendizagem utilizados, de forma cíclica, em quatro etapas cumulativas: (i) preparação, (ii) aquisição de conhecimento externo, (iii) assimilação de conhecimento adquirido externamente e criação de conhecimento internamente e (iv) aplicação em atividades inovadoras. Portanto o estudo explora, do ponto de vista micro, a natureza e a dinâmica do processo de aprendizagem subjacente à acumulação de capacidades para inovação em uma indústria raramente estudada dessa perspectiva, particularmente no contexto brasileiro. A indústria de defesa possui um papel importante no desenvolvimento dos países. As inovações tecnológicas implementadas no âmbito desta indústria geram demandas importantes, tais como profissionais qualificados e atividades científicas e tecnológicas de diversos componentes do sistema de produção e de inovação em nível nacional, também oferecem grande potencial de aplicações múltiplas em outras indústrias, assim como na sociedade como um todo.

Abstract This study examines the process of accumulation of technological capabilities for innovation and the role of the underlying processes of technological learning in the projects REMAX and TORC30 (Brazilian Army’s weapons system)(TORC30), from 1999 to 2016. Based on primary and secondary empirical evidence, on a scale that identifies levels of technological capabilities and on a model of technological learning processes, the study identified the evolution of technological capabilities from a basic to an advanced level. These capabilities are reflected in innovative activities such as prototyping, design, and research and development (R&D). They have been accumulated through deliberate efforts and activated learning mechanisms used cyclically in four cumulative steps: (i) preparation, (ii) acquisition of external knowledge, (iii) assimilation of externally acquired knowledge and knowledge internally created, and (iv) application in innovative activities. Therefore, the study explores, from the micro point of view, the nature and learning process underlying the capacity of accumulating innovation in an industry where this perspective is rarely applied, particularly in the Brazilian context. The defense industry plays an important role in the development of countries. The technological innovations implemented within this industry generate important demands, such as professionals and scientific and technological activities of various components of the national production and innovation system, as well as the potential application of such innovations, in several ways, in other industries, and in society as a whole.

Resumen Examen del proceso de acumulación de tecnología tecnológica para innovación y del papel de los procesos subyacentes de aprendizaje tecnológico en el contexto de los proyectos Reparación automática de ametralladoras X (REMAX) y Torre operada remotamente y estabilizada para cañón de 30 mm (TORC30) del Ejército Brasileño (EB) durante el período de 1999 a 2016. Basado en evidencias empíricas primarias y secundarias en una escala que identifica los niveles de uso de tecnologías tecnológicas y en un modelo de procesos de aprendizaje tecnológico, se identificó durante el período estudiado la evolución del nivel de capacidades tecnológicas de básico a avanzado. Estas capacidades tecnológicas se reflejaron en actividades innovadoras: creación de prototipos, diseño e investigación y desarrollo (I + D). Se han acumulado a través de esfuerzos deliberados y mecanismos de aprendizaje activados utilizados cíclicamente en cuatro pasos acumulativos: (i) preparación, (ii) adquisición de conocimiento externo, (iii) asimilación de conocimiento adquirido externamente y creación de conocimiento internamente, y (iv) aplicación en actividades innovadoras. Por lo tanto, el estudio explora del punto de vista micro la naturaleza y el proceso de aprendizaje subyacente a la acumulación de capacidades para innovación en una industria raramente estudiada desde esta perspectiva, particularmente en el contexto brasileño. La industria de defensa juega un papel importante en el desarrollo de los países. Las innovaciones tecnológicas implementadas dentro de esta industria generan demandas importantes, tales como profesionales cualificados y actividades científicas y tecnológicas de diversos componentes del sistema de producción e innovación a nivel nacional, así como ofrecen gran potencial de aplicaciones múltiples en otras industrias, así como en la sociedad en general.

We present a model selection procedure for use in Mixture and Mixture-Process Experiments. Certain combinations of restrictions on the proportions of the mixture components can result in a very constrained experimental region. This results in collinearity among the covariates of the model, which can make it difficult to fit the model using the traditional method based on the significance of the coefficients. For this reason, a model selection methodology based on information criteria will be proposed for process optimization. Two examples are presented to illustrate this model selection procedure.

This article presents a tutorial on mixture-process experiments and a case study of a chemical compound used in the delay mechanism for starting a rocket engine. The compound consists in a three-component mixture. Besides the mixture components, two process variables are considered. For the model selection, the use of an information criterion showed to be efficient in the case under study. A linear regression model was fitted. Through the developed model, the optimal proportions of the mixture components and the levels of the process variables were determined.

Neste artigo apresenta-se uma metodologia para planejamento de experimentos com mistura, ilustrada com o caso real do estudo de um misto químico que constitui um subsistema de um mecanismo de retardo para acionamento de um motor foguete. O objetivo do estudo é saber qual a proporção dos componentes da mistura que propicia um tempo de queima especificado em projeto. Para isto foi ajustado um modelo de regressão linear com respostas normais, o qual foi considerado inadequado, uma vez que houve indicação de que a variância da resposta não é constante. Recorreu-se então a modelos ajustados pelo método da Quase-Verossimilhança. Com o modelo desenvolvido, foi possível determinar a proporção dos componentes que otimiza o processo. Para a otimização do processo, além de um tempo de queima específico, foi possível considerar a minimização da variância da previsão deste tempo.

In this article a methodology for the design of mixture experiments is presented, illustrated with a real case study of a chemical compound, that constitutes a subsystem of a delay mechanism of a rocket motor. The aim of the study is to find the proportion of each mixture component in order to attend the specified burn time. For this, a linear regression model with normal responses was adjusted, and next considered inadequate, because there was an indication that the response variance is not constant. Therefore, the models were adjusted using the Quasi-Likelihood method. With the developed model, it was possible to find the proportion of each component that optimizes the process. For the process optimization, beside a specified burn time, it was possible to considerer the minimization of the prediction variance of this time.