Introduktion: Kvalitetskontrol møder cirkulær økonomi
Genbrugsmaterialer adskiller sig fundamentalt fra jomfruelige polymerer. Mens jomfruelige materialer produceres under nøje kontrollerede forhold med veldefinerede specifikationer, repræsenterer genbrugsmaterialer ofte ukendte materialesystemer. Selv når de markedsføres som "PP" eller "PP-mix", er der stadig betydelig usikkerhed om forurening, blandede fraktioner, additivpakker, nedbrydningshistorie og variabilitet fra leverandør til leverandør. Tekniske datablade, hvis de er tilgængelige, er ofte ufuldstændige og upålidelige. Small Variationer i sammensætningen af polymerblandinger kan resultere i uforholdsmæssigt large store effekter på forarbejdningsadfærd og endelig ydeevne, herunder mekanisk ustabilitet, forarbejdningssvigt eller langvarig NedbrydningsreaktionEn nedbrydningsreaktion er en termisk induceret reaktion af en kemisk forbindelse, der danner faste og/eller gasformige produkter. nedbrydning af egenskaber. Denne usikkerhed fører til konservative beslutninger såsom overkonstruktion, nedgradering af materialer eller direkte afvisning af genbrugsmaterialer. Denne praksis begrænser den økonomiske værdi af genbrugsmaterialer og bremser overgangen til en cirkulær plastøkonomi.
Proteus® Now Quantify
For at afhjælpe dette analytiske hul udviklede NETZSCH Proteus® Now Quantify , en AI-understøttet løsning baseret på DSC (Differential Scanning Calorimetry) til identifikation og kvantificering af polymersammensætninger i ukendte materialer. Den vigtigste viden fra udviklingen er, at pålideligheden af AI-baseret kvantificering grundlæggende afhænger af kvaliteten, konsistensen og standardiseringen af træningsdata.
AI kompenserer ikke for dårlig datakvalitet
Maskinlæringsalgoritmer kan ikke korrigere for inkonsekvente eksperimenter, systematiske målefejl eller forkerte data. I stedet lærer de de statistiske forhold, der findes i datasættet - uanset om disse forhold afspejler fysisk materialeadfærd eller eksperimentelle artefakter. Hvis måleparametre varierer, kalibreringer skrider, eller etiketter er inkonsekvente, vil modellen internalisere disse uoverensstemmelser som gyldige mønstre.
For Quantify krævede en vellykket implementering mere end blot at samle et large datasæt. Det var også nødvendigt at sikre, at alle træningsdata blev genereret under identiske, veldefinerede eksperimentelle forhold. Dette krav udspringer af de grundlæggende egenskaber ved DSC-målinger, og hvordan deres signaler fortolkes af maskinlæringsmodeller.
DSC-kurver giver et termisk fingeraftryk af polymersystemer, herunder smelteovergange, krystallisationsadfærd og glasovergangsfunktioner. Disse egenskaber er meget informative til identifikation og kvantificering af polymerer. Men de er også følsomme over for eksperimentelle parametre. Fra et maskinlæringsperspektiv er variabilitet, der indføres ved at ændre måleparametre, statistisk umulig at skelne fra variabilitet forårsaget af forskelle i materialesammensætning.
Som følge heraf: Træningsdata og ukendte prøver skal måles under de samme, strengt standardiserede forhold for at opnå en fysisk meningsfuld og industrielt pålidelig AI-baseret kvantificering.
Standardiserede målebetingelser for Proteus® Now Quantify
Prøvens masse
Prøvens masse påvirker direkte toppens bredde og form:
- Høj masse fører til termiske gradienter og øger den termiske forsinkelse, hvilket resulterer i peak-bredde, temperaturforskydninger og reduceret opløsning mellem overlappende overgange.
- Lav masse øger signal/støj-forholdet, hvilket øger baseline-følsomheden og måleusikkerheden.
En skematisk fremstilling af denne effekt er illustreret i figur 1, mens et virkeligt eksempel på en polymerblanding er vist i figur 2.
I Proteus® Now Quantify anvendes en standardiseret værdi på 10 mg. Denne parameter blev brugt som en træningsbetingelse for Quantifys ML-modeller, og afvigelser påvirker signalstyrken eller topformen.
Opvarmnings- og afkølingshastigheder
Opvarmnings- og afkølingshastigheder påvirker toppens position og form. Selv identiske materialer udviser systematiske skift i topposition og morfologi ved forskellige hastigheder.
- Højere opvarmningshastigheder flytter overgange til højere temperaturer og kan gøre toppene bredere, hvilket reducerer opløsningen mellem tætliggende termiske hændelser.
- Højere afkølingshastigheder flytter krystalliseringen til lavere temperaturer og kan ændre topformen og den tilsyneladende Krystallinitet / Grad af krystallinitetKrystallinitet refererer til graden af strukturel orden i et fast stof. I en krystal er arrangementet af atomer eller molekyler konsekvent og gentagende. Mange materialer som f.eks. glaskeramik og nogle polymerer kan fremstilles på en sådan måde, at der dannes en blanding af krystallinske og amorfe områder. krystallinitet.
Disse effekter er skematisk repræsenteret i figur 3, mens figur 4 og 5 viser et eksempel på en polymerblanding.
For at sikre sammenlignelighed mellem træningsdata og anvendelsesmålinger er både opvarmnings- og afkølingshastighederne faste. I Proteus® Now Quantify anvendes en værdi på 10 K/min. Denne parameter repræsenterer en optimeret balance mellem opløsning og måletid og blev specifikt valgt for at sikre en robust og reproducerbar modelydelse.
Krav til kalibrering af DSC-instrumenter
Ud over standardiserede måleparametre er korrekt instrumentkalibrering afgørende for at sikre, at de ekstraherede DSC-funktioner er fysisk meningsfulde og sammenlignelige på tværs af tid og instrumenter.
- Kalibrering af varmestrøm (følsomhed): Giver korrekte entalpiværdier (J/g), som er afgørende for sammensætningen.
- Temperaturkalibrering (TempCal): Leverer nøjagtige begyndelsestemperaturer, smeltepunkter og glasovergangstemperaturer, der bruges til materialeidentifikation.
- Baseline-kalibrering (BeFlat®): Stabiliserer basislinjen for at forhindre artefakter, der kan fejlfortolkes som materialerelaterede funktioner af maskinlæringsmodellen.
Uden disse kalibreringer kan systematiske målefejl kodes ind i modellen under træningen og efterfølgende fejlfortolkes som forskelle i sammensætningen.
Træning af dataintegritet: Kontrollerede data slår Large data
Quantify blev trænet ved hjælp af jomfruelige polymerblandinger med kendte sammensætninger, hvilket gav en pålidelig grundsandhed til overvåget læring.
Et vigtigt resultat var, at etiketintegritet er vigtigere end datasættets størrelse. At øge mængden af data forbedrer ikke nødvendigvis ydeevnen; faktisk kan modellens robusthed forringes, hvis yderligere data introducerer inkonsekvente etiketter, variable målebetingelser eller tvetydige klassedefinitioner. Pålidelig AI-baseret kvantificering kræver derfor:
- Sporbare referencematerialer
- Konsistente klassedefinitioner/grænser
- Ekspertvalidering og -gennemgang af træningsdatasæt
- Streng overholdelse af standardiserede måleprotokoller
Outlook
Proteus® Now Quantify understøtter i øjeblikket polyolefiner og er ved at blive udvidet til yderligere polymerfamilier. Udviklingen fortsætter gennem struktureret dataindsamling, iterativ omskoling og feedback fra udviklingspartnere og tidlige brugere.
AI alene vil ikke løse udfordringerne med genbrug. Men når det kombineres med standardiserede måleprotokoller, korrekt kalibrering og træningsdata af høj kvalitet, bliver AI et stærkt værktøj til at gøre avanceret materialeanalyse tilgængelig, reproducerbar og skalerbar inden for industrielle kvalitetskontrolmiljøer.
Hurtig tjekliste: Målebetingelser for Proteus® Now Quantify
Før du analyserer ukendte prøver, skal du sikre dig, at følgende betingelser er opfyldt:
Måleparametre
✅Prøvemasse: 10 mg ± 1 mg
✅Opvarmningshastighed: 10 K/min
✅Kølehastighed: 10 K/min
Kalibreringsstatus
✅Varmestrømskalibrering (følsomhed) opdateret
✅Temperaturkalibrering (TempCal) opdateret
✅Basislinjekalibrering (BeFlat®) anvendt
Yderligere læsning
Emner som variabilitet på tværs af kvaliteter og leverandører inden for en polymerklasse, forholdet mellem nye træningsdata og genbrugsanalyse og blandingskompleksitet (herunder overlappende toppe og samkrystallisationsgrænser) behandles i de følgende Application Notes:
Brug af DSC til at kvantificere polymerblandinger - muligheder og udfordringer
DSC-målinger på genbrugsmaterialer: Objektiv fortolkning med Proteus® Now Quantify