بيانات تدريب موحدة وعالية الجودة كأساس لقياس كمية البوليمر الموثوق به القائم على الذكاء الاصطناعي

مقدمة: مراقبة الجودة تلتقي مع الاقتصاد الدائري

تختلف المواد المعاد تدويرها اختلافًا جوهريًا عن البوليمرات البكر. ففي حين أن المواد البكر يتم إنتاجها في ظل ظروف محكومة بإحكام بمواصفات محددة جيدًا، فإن المواد المعاد تدويرها غالبًا ما تمثل أنظمة مواد غير معروفة. حتى عندما يتم تسويقها على أنها "PP" أو "مزيج PP"، يظل هناك قدر كبير من عدم اليقين فيما يتعلق بالتلوث، والكسور المختلطة، وحزم المواد المضافة، وتاريخ التحلل، والتباين بين المورد والمورد. وغالبًا ما تكون أوراق البيانات الفنية، إذا كانت متاحة، غير مكتملة وغير موثوقة. Small يمكن أن تؤدي الاختلافات التركيبية في خلطات البوليمر إلى تأثيرات غير متناسبة large على سلوك المعالجة والأداء النهائي، بما في ذلك عدم الاستقرار الميكانيكي أو فشل المعالجة أو تدهور الخصائص على المدى الطويل. ويؤدي عدم اليقين هذا إلى اتخاذ قرارات متحفظة مثل الإفراط في المعالجة أو خفض درجة المواد أو الرفض التام للمواد المعاد تدويرها. وتحد هذه الممارسات من القيمة الاقتصادية للمواد المعاد تدويرها وتبطئ من التحول نحو اقتصاد البلاستيك الدائري.

Proteus^® Now Quantify

ولمعالجة هذه الفجوة التحليلية، طوّر الموقع الإلكتروني NETZSCH Proteus^® Now Quantify ، وهو حل مدعوم بالذكاء الاصطناعي يعتمد على قياس المسح التفاضلي للكالوريمتر (DSC) لتحديد وتقدير كمية تركيبات البوليمر في المواد غير المعروفة. وتتمثل المعرفة الرئيسية المكتسبة من تطويره في أن موثوقية القياس الكمي القائم على الذكاء الاصطناعي تعتمد بشكل أساسي على جودة بيانات التدريب واتساقها وتوحيدها.

الذكاء الاصطناعي لا يعوض عن ضعف جودة البيانات

لا يمكن لخوارزميات التعلم الآلي تصحيح التجارب غير المتسقة أو أخطاء القياس المنهجية أو البيانات غير الصحيحة. وبدلاً من ذلك، فإنها تتعلم العلاقات الإحصائية الموجودة في مجموعة البيانات - سواء كانت هذه العلاقات تعكس السلوك المادي المادي أو القطع الأثرية التجريبية. إذا اختلفت معلمات القياس أو انحرفت المعايرة أو كانت التسميات غير متسقة، فإن النموذج سيستوعب هذه التناقضات كأنماط صحيحة.

بالنسبة إلى Quantify، تطلب التنفيذ الناجح أكثر من مجرد تجميع مجموعة بيانات large. فقد تطلب الأمر أيضًا ضمان توليد جميع بيانات التدريب في ظل ظروف تجريبية متطابقة ومحددة جيدًا. وينشأ هذا الشرط من الخصائص الأساسية لقياسات DSC وكيفية تفسير إشاراتها بواسطة نماذج التعلم الآلي.

توفر منحنيات DSC بصمة حرارية لأنظمة البوليمر، بما في ذلك انتقالات الذوبان وسلوك التبلور وخصائص الانتقال الزجاجي. هذه الخصائص مفيدة للغاية في تحديد البوليمر وقياسه الكمي. ومع ذلك، فهي حساسة أيضًا للمعايير التجريبية. من من منظور التعلم الآلي، لا يمكن تمييز التباين الناتج عن تغيير معلمات القياس إحصائيًا عن التباين الناجم عن الاختلافات في تكوين المواد.

وبالتالي: يجب قياس بيانات التدريب والعينات غير المعروفة في ظل نفس الظروف الموحدة بدقة للحصول على قياس كمي ذي مغزى ماديًا وموثوقًا صناعيًا قائم على الذكاء الاصطناعي.

شروط القياس الموحدة لـ Proteus^® Now Quantify

كتلة العينة

تؤثر كتلة العينة بشكل مباشر على عرض الذروة وشكلها:

• تؤدي الكتلة المرتفعة إلى تدرجات حرارية وتزيد من التأخر الحراري، مما يؤدي إلى اتساع الذروة، وانزياح درجات الحرارة، وانخفاض الدقة بين الانتقالات المتداخلة.
• تزيد الكتلة المنخفضة من نسبة الإشارة إلى الضوضاء، مما يزيد من حساسية خط الأساس وعدم اليقين في القياس.

ويوضح الشكل 1 تمثيلًا تخطيطيًا لهذا التأثير، بينما يوضح الشكل 2 مثالًا حقيقيًا لمزيج بوليمر.

في Proteus^® Now Quantify ، يتم تطبيق قيمة موحدة قدرها 10 مجم. استُخدمت هذه المعلمة كشرط تدريب لنماذج Quantify's ML، وتؤثر الانحرافات على قوة الإشارة أو شكل الذروة.

معدلات التسخين والتبريد

تؤثر معدلات التسخين والتبريد على موضع القمة وشكلها. حتى المواد المتطابقة تُظهر تحولات منهجية في موضع الذروة وشكلها بمعدلات مختلفة.

• تؤدي معدلات التسخين المرتفعة إلى تحويل التحولات إلى درجات حرارة أعلى ويمكن أن توسع القمم، مما يقلل من الدقة بين الأحداث الحرارية المتقاربة.
• تعمل معدلات التبريد الأعلى على إزاحة التبلور إلى درجات حرارة أقل ويمكن أن تغير شكل القمة والتبلور الظاهري.

يتم تمثيل هذه التأثيرات بشكل تخطيطي في الشكل 3، بينما يعرض الشكلان 4 و5 مثالاً لمزيج البوليمر.

لضمان إمكانية المقارنة بين بيانات التدريب وقياسات التطبيق، يتم تثبيت كل من معدلات التسخين والتبريد. في Proteus^® Now Quantify ، يتم تطبيق قيمة 10 كلفن/دقيقة. تمثل هذه المعلمة التوازن الأمثل بين الدقة ووقت القياس وتم اختيارها خصيصًا لضمان أداء نموذج قوي وقابل للتكرار.

متطلبات معايرة أداة DSC

بالإضافة إلى معلمات القياس الموحدة، تعد المعايرة المناسبة للأداة ضرورية لضمان أن تكون ميزات DSC المستخرجة ذات معنى ماديًا وقابلة للمقارنة عبر الزمن والأدوات.

• معايرة التدفق الحراري (الحساسية): توفر قيم إنثالبي صحيحة (J/g)، والتي تعتبر ضرورية للتركيب.
• معايرة درجة الحرارة (TempCal): يوفر درجات حرارة بداية دقيقة، ونقاط انصهار، ودرجات حرارة الانتقال الزجاجي المستخدمة لتحديد المواد.
• معايرة خط الأساس (BeFlat^®): تعمل على استقرار خط الأساس لمنع التحف الفنية التي يمكن أن يُساء تفسيرها على أنها ميزات متعلقة بالمواد بواسطة نموذج التعلم الآلي.

وبدون هذه المعايرات، قد يتم ترميز أخطاء القياس المنهجية في النموذج أثناء التدريب، ومن ثم يُساء تفسيرها على أنها اختلافات تركيبية.

تكامل بيانات التدريب: البيانات المضبوطة تتفوق على البيانات Large

تم تدريب Quantify باستخدام خلطات البوليمر البكر ذات التركيبات المعروفة، مما يوفر حقيقة أساسية موثوقة للتعلم تحت الإشراف.

كانت النتيجة الرئيسية هي أن سلامة التسمية أكثر أهمية من حجم مجموعة البيانات. لا تؤدي زيادة كمية البيانات بالضرورة إلى تحسين الأداء؛ في الواقع، يمكن أن تتدهور متانة النموذج إذا كانت البيانات الإضافية تقدم تسميات غير متسقة أو ظروف قياس متغيرة أو تعريفات فئة غامضة. لذلك يتطلب القياس الكمي الموثوق القائم على الذكاء الاصطناعي

• مواد مرجعية يمكن تتبعها
• تعاريف/حدود فئات متسقة
• التحقق من صحة الخبراء ومراجعة مجموعات بيانات التدريب
• التقيد الصارم ببروتوكولات القياس الموحدة

الآفاق المستقبلية

Proteus^® Now Quantify يدعم حاليًا البولي أوليفينات ويجري توسيعه ليشمل عائلات بوليمرات إضافية. ويستمر التطوير من خلال جمع البيانات المنظم، وإعادة التدريب التكراري، والتغذية الراجعة من شركاء التطوير والمتبنين الأوائل.

لن يحل الذكاء الاصطناعي وحده تحديات إعادة التدوير. ومع ذلك، عند دمجه مع بروتوكولات القياس الموحدة والمعايرة المناسبة وبيانات التدريب عالية الجودة، يصبح الذكاء الاصطناعي أداة قوية لجعل تحليل المواد المتقدمة متاحًا وقابلًا للتكرار وقابلًا للتطوير في بيئات مراقبة الجودة الصناعية.

قائمة مراجعة سريعة: شروط القياس لـ Proteus^® Now Quantify

قبل تحليل العينات غير المعروفة، تأكد من استيفاء الشروط التالية:

معلمات القياس

✅كتلة العينة: 10 مجم ± 1 مجم
✅معدل التسخين: 10 كلفن/دقيقة
✅معدل التبريد: 10 كلفن/دقيقة

حالة المعايرة

✅معايرة التدفق الحراري (الحساسية) حتى الآن
✅معايرة درجة الحرارة (TempCal) حتى البيانات
✅معايرة خط الأساس (BeFlat^®) المطبقة

مزيد من القراءة

يتم تناول مواضيع مثل التباين عبر الدرجات والموردين داخل فئة البوليمر، والعلاقة بين بيانات التدريب البكر وتحليل إعادة التدوير، وتعقيد المزج (بما في ذلك القمم المتداخلة وحدود التبلور المشترك) في الملاحظات التطبيقية التالية:

استخدام DSC لقياس كمية مخاليط البوليمر - الإمكانيات أ والتحديات

قياسات DSC على مواد إعادة التدوير: التفسير الموضوعي مع Proteus^® Now Quantify