Εισαγωγή: Κυκλική Οικονομία: Ο ποιοτικός έλεγχος συναντά την κυκλική οικονομία
Τα ανακυκλώσιμα διαφέρουν θεμελιωδώς από τα παρθένα πολυμερή. Ενώ τα παρθένα υλικά παράγονται υπό αυστηρά ελεγχόμενες συνθήκες με σαφώς καθορισμένες προδιαγραφές, τα ανακυκλώσιμα υλικά συχνά αντιπροσωπεύουν άγνωστα συστήματα υλικών. Ακόμη και όταν διατίθενται στην αγορά ως "PP" ή "μείγμα PP", παραμένει σημαντική αβεβαιότητα όσον αφορά τη μόλυνση, τα μικτά κλάσματα, τις συσκευασίες πρόσθετων, το ιστορικό αποικοδόμησης και τη μεταβλητότητα μεταξύ προμηθευτών. Τα τεχνικά δελτία δεδομένων, εάν είναι διαθέσιμα, είναι συχνά ελλιπή και αναξιόπιστα. Small Οι διαφοροποιήσεις της σύνθεσης σε μίγματα πολυμερών μπορεί να οδηγήσουν σε δυσανάλογα large αποτελέσματα στη συμπεριφορά επεξεργασίας και την τελική απόδοση, συμπεριλαμβανομένης της μηχανικής αστάθειας, της αστοχίας επεξεργασίας ή της μακροπρόθεσμης υποβάθμισης των ιδιοτήτων. Αυτή η αβεβαιότητα οδηγεί σε συντηρητικές αποφάσεις, όπως η υπερκατασκευή, η υποβάθμιση του υλικού ή η πλήρης απόρριψη των ανακυκλωμένων υλικών. Οι πρακτικές αυτές περιορίζουν την οικονομική αξία των ανακυκλωμένων υλικών και επιβραδύνουν τη μετάβαση προς μια κυκλική οικονομία πλαστικών.
Proteus® Now Quantify
Για να αντιμετωπίσει αυτό το αναλυτικό κενό, το NETZSCH ανέπτυξε το Proteus® Now Quantify, μια λύση υποστηριζόμενη από τεχνητή νοημοσύνη που βασίζεται στη διαφορική θερμιδομετρία σάρωσης (DSC) για την ταυτοποίηση και τον ποσοτικό προσδιορισμό των πολυμερικών συνθέσεων σε άγνωστα υλικά. Η βασική γνώση που αποκτήθηκε από την ανάπτυξή της είναι ότι η αξιοπιστία του ποσοτικού προσδιορισμού με βάση την ΤΝ εξαρτάται θεμελιωδώς από την ποιότητα, τη συνέπεια και την τυποποίηση των δεδομένων εκπαίδευσης.
Η τεχνητή νοημοσύνη δεν αντισταθμίζει την κακή ποιότητα δεδομένων
Οι αλγόριθμοι μηχανικής μάθησης δεν μπορούν να διορθώσουν ασυνεπή πειράματα, συστηματικά σφάλματα μέτρησης ή εσφαλμένα δεδομένα. Αντ' αυτού, μαθαίνουν τις στατιστικές σχέσεις που υπάρχουν στο σύνολο δεδομένων - είτε αυτές οι σχέσεις αντικατοπτρίζουν τη φυσική συμπεριφορά των υλικών είτε πειραματικά τεχνουργήματα. Εάν οι παράμετροι μέτρησης ποικίλλουν, οι βαθμονομήσεις παρασύρονται ή οι ετικέτες είναι ασυνεπείς, το μοντέλο θα εσωτερικεύσει αυτές τις ασυνέπειες ως έγκυρα πρότυπα.
Για την Quantify, η επιτυχής εφαρμογή απαιτούσε κάτι περισσότερο από τη συναρμολόγηση ενός συνόλου δεδομένων large. Απαιτούσε επίσης τη διασφάλιση ότι όλα τα δεδομένα εκπαίδευσης δημιουργήθηκαν υπό πανομοιότυπες, καλά καθορισμένες πειραματικές συνθήκες. Η απαίτηση αυτή προκύπτει από τα θεμελιώδη χαρακτηριστικά των μετρήσεων DSC και τον τρόπο με τον οποίο τα σήματά τους ερμηνεύονται από τα μοντέλα μηχανικής μάθησης.
Οι καμπύλες DSC παρέχουν ένα θερμικό αποτύπωμα των πολυμερικών συστημάτων, συμπεριλαμβανομένων των μεταβάσεων τήξης, της συμπεριφοράς κρυστάλλωσης και των χαρακτηριστικών υαλώδους μετάβασης. Αυτά τα χαρακτηριστικά είναι ιδιαίτερα κατατοπιστικά για την ταυτοποίηση και τον ποσοτικό προσδιορισμό πολυμερών. Ωστόσο, είναι επίσης ευαίσθητα στις πειραματικές παραμέτρους. Από την άποψη της μηχανικής μάθησης, η μεταβλητότητα που εισάγεται από την αλλαγή των παραμέτρων μέτρησης είναι στατιστικά δυσδιάκριτη από τη μεταβλητότητα που προκαλείται από διαφορές στη σύνθεση του υλικού.
Κατά συνέπεια: Τα δεδομένα εκπαίδευσης και τα άγνωστα δείγματα πρέπει να μετρώνται υπό τις ίδιες, αυστηρά τυποποιημένες συνθήκες για έναν ποσοτικό προσδιορισμό με βάση την τεχνητή νοημοσύνη με φυσικό νόημα και βιομηχανική αξιοπιστία.
Τυποποιημένες συνθήκες μέτρησης για Proteus® Now Quantify
Δείγμα Μάζα
Η μάζα του δείγματος επηρεάζει άμεσα το πλάτος και το σχήμα της κορυφής:
- Αυτό έχει ως αποτέλεσμα τη διεύρυνση της κορυφής, τη μετατόπιση της θερμοκρασίας και τη μειωμένη ανάλυση μεταξύ επικαλυπτόμενων μεταβάσεων.
- Η χαμηλή μάζα αυξάνει τον λόγο σήματος προς θόρυβο, αυξάνοντας την ευαισθησία της γραμμής βάσης και την αβεβαιότητα μέτρησης.
Μια σχηματική αναπαράσταση αυτού του φαινομένου απεικονίζεται στο σχήμα 1, ενώ ένα πραγματικό παράδειγμα μίγματος πολυμερών παρουσιάζεται στο σχήμα 2.
Στο Proteus® Now Quantify, εφαρμόζεται μια τυποποιημένη τιμή 10 mg. Αυτή η παράμετρος χρησιμοποιήθηκε ως συνθήκη εκπαίδευσης για τα μοντέλα ML της Quantify και οι αποκλίσεις επηρεάζουν την ισχύ του σήματος ή το σχήμα της κορυφής.
Τιμές θέρμανσης και ψύξης
Οι ρυθμοί θέρμανσης και ψύξης επηρεάζουν τη θέση και το σχήμα της κορυφής. Ακόμη και πανομοιότυπα υλικά παρουσιάζουν συστηματικές μετατοπίσεις στη θέση της κορυφής και στη μορφολογία σε διαφορετικούς ρυθμούς.
- Οι υψηλότεροι ρυθμοί θέρμανσης μετατοπίζουν τις μεταβάσεις σε υψηλότερες θερμοκρασίες και μπορούν να διευρύνουν τις κορυφές, μειώνοντας την ανάλυση μεταξύ θερμικών γεγονότων που βρίσκονται σε κοντινή απόσταση μεταξύ τους.
- Οι υψηλότεροι ρυθμοί ψύξης μετατοπίζουν την κρυστάλλωση σε χαμηλότερες θερμοκρασίες και μπορούν να μεταβάλουν το σχήμα των κορυφών και τη φαινομενική κρυσταλλικότητα.
Αυτές οι επιδράσεις απεικονίζονται σχηματικά στο σχήμα 3, ενώ τα σχήματα 4 και 5 δείχνουν ένα παράδειγμα μίγματος πολυμερών.
Για να εξασφαλιστεί η συγκρισιμότητα μεταξύ των δεδομένων εκπαίδευσης και των μετρήσεων εφαρμογής, οι ρυθμοί θέρμανσης και ψύξης είναι σταθεροί. Στο Proteus® Now Quantify εφαρμόζεται η τιμή 10 K/min. Αυτή η παράμετρος αντιπροσωπεύει μια βελτιστοποιημένη ισορροπία μεταξύ ανάλυσης και χρόνου μέτρησης και επιλέχθηκε ειδικά για να διασφαλίσει την ισχυρή και αναπαραγώγιμη απόδοση του μοντέλου.
Απαιτήσεις βαθμονόμησης οργάνου DSC
Εκτός από τις τυποποιημένες παραμέτρους μέτρησης, η σωστή βαθμονόμηση του οργάνου είναι απαραίτητη για να διασφαλιστεί ότι τα χαρακτηριστικά που εξάγονται από την DSC έχουν φυσικό νόημα και είναι συγκρίσιμα μεταξύ του χρόνου και των οργάνων.
- Βαθμονόμηση ροής θερμότητας (ευαισθησία): Παρέχει σωστές τιμές ενθαλπίας (J/g), οι οποίες είναι κρίσιμες για τη σύνθεση.
- Βαθμονόμηση θερμοκρασίας (TempCal): Παρέχει ακριβείς θερμοκρασίες έναρξης, σημεία τήξης και θερμοκρασίες υαλώδους μετάπτωσης που χρησιμοποιούνται για την ταυτοποίηση υλικών.
- Βασική βαθμονόμηση (BeFlat®): Σταθεροποιεί τη γραμμή βάσης για την αποφυγή τεχνουργημάτων που θα μπορούσαν να παρερμηνευθούν ως χαρακτηριστικά που σχετίζονται με το υλικό από το μοντέλο μηχανικής μάθησης.
Χωρίς αυτές τις βαθμονομήσεις, τα συστηματικά σφάλματα μέτρησης ενδέχεται να κωδικοποιηθούν στο μοντέλο κατά τη διάρκεια της εκπαίδευσης και στη συνέχεια να παρερμηνευθούν ως διαφορές σύνθεσης.
Ακεραιότητα δεδομένων κατάρτισης: Large Data
Το Quantify εκπαιδεύτηκε χρησιμοποιώντας μίγματα παρθένων πολυμερών με γνωστές συνθέσεις, παρέχοντας αξιόπιστη βασική αλήθεια για μάθηση με επίβλεψη.
Ένα βασικό συμπέρασμα ήταν ότι η ακεραιότητα των ετικετών είναι πιο σημαντική από το μέγεθος του συνόλου δεδομένων. Η αύξηση του όγκου των δεδομένων δεν βελτιώνει απαραίτητα την απόδοση- στην πραγματικότητα, η ευρωστία του μοντέλου μπορεί να επιδεινωθεί εάν τα πρόσθετα δεδομένα εισάγουν ασυνεπείς ετικέτες, μεταβλητές συνθήκες μέτρησης ή διφορούμενους ορισμούς κλάσεων. Επομένως, η αξιόπιστη ποσοτικοποίηση με βάση την ΤΝ απαιτεί:
- Ανιχνεύσιμα υλικά αναφοράς
- Συνεπείς ορισμούς/όρια κλάσεων
- Επικύρωση και επανεξέταση των συνόλων δεδομένων εκπαίδευσης από εμπειρογνώμονες
- Αυστηρή τήρηση τυποποιημένων πρωτοκόλλων μέτρησης
Outlook
Proteus® Now Quantify υποστηρίζει επί του παρόντος πολυολεφίνες και επεκτείνεται σε πρόσθετες οικογένειες πολυμερών. Η ανάπτυξη συνεχίζεται μέσω της δομημένης συλλογής δεδομένων, της επαναληπτικής επανεκπαίδευσης και της ανατροφοδότησης από τους εταίρους ανάπτυξης και τους πρώτους χρήστες.
Η τεχνητή νοημοσύνη από μόνη της δεν θα λύσει τις προκλήσεις της ανακύκλωσης. Ωστόσο, όταν συνδυάζεται με τυποποιημένα πρωτόκολλα μέτρησης, κατάλληλη βαθμονόμηση και υψηλής ποιότητας δεδομένα εκπαίδευσης, η ΤΝ γίνεται ένα ισχυρό εργαλείο για να καταστεί η προηγμένη ανάλυση υλικών προσιτή, αναπαραγώγιμη και επεκτάσιμη σε βιομηχανικά περιβάλλοντα ελέγχου ποιότητας.
Γρήγορη λίστα ελέγχου: Συνθήκες μέτρησης για Proteus® Now Quantify
Πριν από την ανάλυση άγνωστων δειγμάτων, βεβαιωθείτε ότι πληρούνται οι ακόλουθες προϋποθέσεις:
Παράμετροι μέτρησης
✅Μάζα δείγματος: 10 mg ± 1 mg
✅Ρυθμός θέρμανσης:
✅Ρυθμός ψύξης: 10 K/min: 10 K/min
Κατάσταση βαθμονόμησης
✅Διακρίβωση ροής θερμότητας (ευαισθησία) μέχρι σήμερα
✅Διακρίβωση θερμοκρασίας (TempCal) μέχρι σήμερα
✅Διακρίβωση βάσης (BeFlat®) εφαρμόζεται
Περαιτέρω ανάγνωση
Θέματα όπως η μεταβλητότητα μεταξύ των κατηγοριών και των προμηθευτών εντός μιας κατηγορίας πολυμερών, η σχέση μεταξύ των παρθένων εκπαιδευτικών δεδομένων και της ανάλυσης ανακυκλωμένων υλικών και η πολυπλοκότητα των μειγμάτων (συμπεριλαμβανομένων των επικαλυπτόμενων κορυφών και των ορίων συγκρυστάλλωσης) εξετάζονται στις ακόλουθες Σημειώσεις Εφαρμογής:
Χρήση της DSC για την ποσοτικοποίηση μιγμάτων πολυμερών - Δυνατότητες και προκλήσεις
Μετρήσεις DSC σε υλικά ανακύκλωσης: Αντικειμενική ερμηνεία με Proteus® Now Quantify