Úvod: Kontrola kvality se setkává s oběhovým hospodářstvím
Recykláty se zásadně liší od primárních polymerů. Zatímco primární materiály jsou vyráběny za přísně kontrolovaných podmínek s přesně definovanými specifikacemi, recykláty často představují neznámé materiálové systémy. I když jsou uváděny na trh jako "PP" nebo "směs PP", přetrvává značná nejistota ohledně kontaminace, směsných frakcí, balíčků přísad, historie degradace a variability mezi dodavateli. Technické listy, pokud jsou k dispozici, jsou často neúplné a nespolehlivé. Small odchylky ve složení polymerních směsí mohou mít za následek neúměrné large účinky na chování při zpracování a konečné vlastnosti, včetně mechanické nestability, selhání při zpracování nebo dlouhodobé degradace vlastností. Tato nejistota vede ke konzervativním rozhodnutím, jako je nadměrné inženýrství, snížení kvality materiálu nebo úplné odmítnutí recyklátů. Tyto postupy omezují ekonomickou hodnotu recyklovaných materiálů a zpomalují přechod k oběhovému hospodářství plastů.
Proteus® Now Quantify
K řešení této analytické mezery vyvinula společnost NETZSCH Proteus® Now Quantify , řešení s podporou umělé inteligence založené na diferenciální skenovací kalorimetrii (DSC) pro identifikaci a kvantifikaci složení polymerů v neznámých materiálech. Klíčovým poznatkem získaným při jeho vývoji je, že spolehlivost kvantifikace založené na umělé inteligenci zásadně závisí na kvalitě, konzistenci a standardizaci trénovacích dat.
Umělá inteligence nekompenzuje špatnou kvalitu dat
Algoritmy strojového učení nemohou korigovat nekonzistentní experimenty, systematické chyby měření nebo nesprávné údaje. Místo toho se učí statistické vztahy přítomné v souboru dat - ať už tyto vztahy odrážejí fyzikální chování materiálu nebo experimentální artefakty. Pokud se parametry měření liší, kalibrace driftují nebo jsou štítky nekonzistentní, model tyto nekonzistence internalizuje jako platné vzorce.
Úspěšná implementace modelu Quantify vyžadovala více než jen sestavení datové sady large. Vyžadovala také zajištění toho, aby všechna trénovací data byla generována za identických, dobře definovaných experimentálních podmínek. Tento požadavek vyplývá ze základních vlastností měření DSC a z toho, jak jsou jejich signály interpretovány modely strojového učení.
DSC křivky poskytují tepelný otisk polymerních systémů, včetně přechodů tání, krystalizačního chování a vlastností skelného přechodu. Tyto charakteristiky mají vysokou vypovídací hodnotu pro identifikaci a kvantifikaci polymerů. Jsou však také citlivé na experimentální parametry. Z hlediska strojového učení je variabilita vnesená změnou parametrů měření statisticky nerozlišitelná od variability způsobené rozdíly ve složení materiálu.
V důsledku toho: Pro fyzikálně smysluplnou a průmyslově spolehlivou kvantifikaci na bázi umělé inteligence je nutné, aby trénovací data a neznámé vzorky byly měřeny za stejných, přísně standardizovaných podmínek.
Standardizované podmínky měření pro Proteus® Now Quantify
Hmotnost vzorku
Hmotnost vzorku přímo ovlivňuje šířku a tvar píku:
- Vysoká hmotnost vede k tepelným gradientům a zvyšuje tepelné zpoždění, což vede k rozšíření píku, teplotním posunům a snížení rozlišení mezi překrývajícími se přechody.
- Nízká hmotnost zvyšuje poměr signál/šum, čímž se zvyšuje citlivost základní linie a nejistota měření.
Schematické znázornění tohoto efektu je znázorněno na obrázku 1, zatímco skutečný příklad polymerní směsi je uveden na obrázku 2.
Na adrese Proteus® Now Quantify je použita standardizovaná hodnota 10 mg. Tento parametr byl použit jako tréninková podmínka pro ML modely Quantify a odchylky ovlivňují sílu signálu nebo tvar píku.
Sazby za vytápění a chlazení
Rychlost ohřevu a chlazení ovlivňuje polohu a tvar špičky. Dokonce i identické materiály vykazují při různých rychlostech systematické posuny v poloze a morfologii píku.
- Vyšší rychlosti ohřevu posouvají přechody k vyšším teplotám a mohou rozšířit píky, čímž se snižuje rozlišovací schopnost mezi blízko sebe umístěnými tepelnými událostmi.
- Vyšší rychlost chlazení posouvá krystalizaci k nižším teplotám a může měnit tvar píku a zdánlivou krystalinitu.
Tyto efekty jsou schematicky znázorněny na obrázku 3, zatímco obrázky 4 a 5 ukazují příklad polymerní směsi.
Aby byla zajištěna srovnatelnost tréninkových dat a aplikačních měření, jsou rychlosti ohřevu i chlazení pevně stanoveny. Na adrese Proteus® Now Quantify je použita hodnota 10 K/min. Tento parametr představuje optimalizovanou rovnováhu mezi rozlišením a dobou měření a byl speciálně zvolen tak, aby byla zajištěna robustní a reprodukovatelná výkonnost modelu.
Požadavky na kalibraci přístroje DSC
Kromě standardizovaných parametrů měření je nezbytná správná kalibrace přístroje, aby bylo zajištěno, že extrahované vlastnosti DSC jsou fyzikálně smysluplné a srovnatelné v různých časech a přístrojích.
- Kalibrace tepelného toku (citlivost): Poskytuje správné hodnoty entalpie (J/g), které jsou rozhodující pro složení.
- Teplotní kalibrace (TempCal): Poskytuje přesné teploty nástupu, teploty tání a teploty skelného přechodu používané pro identifikaci materiálu.
- Základní kalibrace (BeFlat®): Stabilizuje základní linii, aby se zabránilo artefaktům, které by model strojového učení mohl nesprávně interpretovat jako vlastnosti související s materiálem.
Bez této kalibrace mohou být do modelu během trénování zakódovány systematické chyby měření, které mohou být následně chybně interpretovány jako rozdíly ve složení.
Integrita tréninkových dat: Kontrolovaná data jsou lepší než data z Large
Nástroj Quantify byl vycvičen pomocí panenských polymerních směsí se známým složením, což poskytlo spolehlivou základní pravdu pro učení pod dohledem.
Klíčovým zjištěním bylo, že integrita štítků je důležitější než velikost souboru dat. Zvětšení množství dat nemusí nutně zlepšit výkonnost; ve skutečnosti se může robustnost modelu zhoršit, pokud další data zavedou nekonzistentní štítky, proměnlivé podmínky měření nebo nejednoznačné definice tříd. Spolehlivá kvantifikace založená na umělé inteligenci proto vyžaduje:
- Sledovatelné referenční materiály
- Konzistentní definice/hranice tříd
- Odbornou validaci a přezkoumání souborů trénovacích dat
- Přísné dodržování standardizovaných protokolů měření
Outlook
Proteus® Now Quantify v současné době podporuje polyolefiny a je rozšiřován o další skupiny polymerů. Vývoj pokračuje prostřednictvím strukturovaného sběru dat, iterativního přeškolování a zpětné vazby od vývojových partnerů a prvních uživatelů.
Umělá inteligence sama o sobě problémy recyklace nevyřeší. V kombinaci se standardizovanými měřicími protokoly, správnou kalibrací a vysoce kvalitními tréninkovými daty se však AI stává mocným nástrojem pro zpřístupnění, reprodukovatelnost a škálovatelnost pokročilé analýzy materiálů v prostředí průmyslové kontroly kvality.
Rychlý kontrolní seznam: Podmínky měření pro Proteus® Now Quantify
Před analýzou neznámých vzorků se ujistěte, že jsou splněny následující podmínky:
Parametry měření
✅Hmotnost vzorku: 10 mg ± 1 mg
✅Rychlost zahřívání: 10 K/min
✅Rychlost chlazení: 10 K/min
Stav kalibrace
✅Kalibrace tepelného toku (citlivost) aktuální
✅Kalibrace teploty (TempCal) aktuální
✅Používá se základní kalibrace (BeFlat®)
Další čtení
Témata, jako je variabilita mezi jednotlivými třídami a dodavateli v rámci třídy polymerů, vztah mezi prvotními tréninkovými daty a analýzou recyklátu a složitost směsí (včetně překrývajících se píků a mezí kokrystalizace), jsou řešena v následujících aplikačních poznámkách:
Použití DSC ke kvantifikaci polymerních směsí - možnosti a výzvy
Měření DSC na recyklačních materiálech: Objektivní interpretace pomocí Proteus® Now Quantify