Introducción: El control de calidad se une a la economía circular
Los reciclados difieren fundamentalmente de los polímeros vírgenes. Mientras que los materiales vírgenes se producen en condiciones estrictamente controladas con especificaciones bien definidas, los reciclados suelen representar sistemas de materiales desconocidos. Incluso cuando se comercializan como "PP" o "mezcla de PP", sigue existiendo una gran incertidumbre con respecto a la contaminación, las fracciones mezcladas, los paquetes de aditivos, el historial de degradación y la variabilidad entre proveedores. Las fichas técnicas, si están disponibles, suelen ser incompletas y poco fiables. Small Las variaciones de composición en las mezclas de polímeros pueden tener efectos desproporcionados large sobre el comportamiento de procesamiento y el rendimiento final, incluida la inestabilidad mecánica, el fallo de procesamiento o la degradación de las propiedades a largo plazo. Esta incertidumbre lleva a tomar decisiones conservadoras como la sobreingeniería, la degradación del material o el rechazo directo de los reciclados. Estas prácticas limitan el valor económico de los materiales reciclados y ralentizan la transición hacia una economía circular de los plásticos.
Proteus® Now Quantify
Para colmar esta laguna analítica, NETZSCH ha desarrollado Proteus® Now Quantify, una solución basada en la Calorimetría Diferencial de Barrido (DSC) para la identificación y cuantificación de composiciones poliméricas en materiales desconocidos. El conocimiento clave obtenido de su desarrollo es que la fiabilidad de la cuantificación basada en IA depende fundamentalmente de la calidad, consistencia y estandarización de los datos de entrenamiento.
La IA no compensa la mala calidad de los datos
Los algoritmos de aprendizaje automático no pueden corregir experimentos incoherentes, errores sistemáticos de medición o datos incorrectos. En su lugar, aprenden las relaciones estadísticas presentes en el conjunto de datos, ya reflejen estas relaciones el comportamiento físico del material o artefactos experimentales. Si los parámetros de medición varían, las calibraciones se desvían o las etiquetas son incoherentes, el modelo interiorizará estas incoherencias como patrones válidos.
Para Quantify, el éxito de la aplicación requería algo más que reunir un conjunto de datos en large. También fue necesario garantizar que todos los datos de entrenamiento se generaran en condiciones experimentales idénticas y bien definidas. Este requisito surge de las características fundamentales de las mediciones de DSC y de cómo interpretan sus señales los modelos de aprendizaje automático.
Las curvas DSC proporcionan una huella térmica de los sistemas poliméricos, incluyendo transiciones de fusión, comportamiento de CristalizaciónLa cristalización es el proceso físico de endurecimiento durante la formación y el crecimiento de cristales. Durante este proceso se libera calor de cristalización.cristalización y características de transición vítrea. Estas características son muy informativas para la identificación y cuantificación de polímeros. Sin embargo, también son sensibles a los parámetros experimentales. Desde una perspectiva de aprendizaje automático, la variabilidad introducida por el cambio de los parámetros de medición es estadísticamente indistinguible de la variabilidad causada por las diferencias en la composición del material.
Por consiguiente: Los datos de entrenamiento y las muestras desconocidas deben medirse en las mismas condiciones, estrictamente estandarizadas, para que la cuantificación basada en IA sea físicamente significativa e industrialmente fiable.
Condiciones de medición normalizadas para Proteus® Now Quantify
Masa de la muestra
La masa de la muestra afecta directamente a la anchura y la forma de los picos:
- Una masa elevada provoca gradientes térmicos y aumenta el retardo térmico, lo que da lugar a un ensanchamiento de los picos, desplazamientos de temperatura y una resolución reducida entre transiciones superpuestas.
- Una masa baja aumenta la relación señal-ruido, incrementando la sensibilidad de la línea de base y la incertidumbre de medida.
En la figura 1 se ilustra una representación esquemática de este efecto, mientras que en la figura 2 se muestra un ejemplo real de una mezcla de polímeros.
En Proteus® Now Quantify, se aplica un valor normalizado de 10 mg. Este parámetro se utilizó como condición de entrenamiento para los modelos ML de Quantify, y las desviaciones afectan a la intensidad de la señal o a la forma del pico.
Velocidades de calentamiento y enfriamiento
Las velocidades de calentamiento y enfriamiento influyen en la posición y la forma de los picos. Incluso materiales idénticos muestran cambios sistemáticos en la posición y morfología de los picos a diferentes velocidades.
- Las velocidades de calentamiento más elevadas desplazan las transiciones a temperaturas más altas y pueden ensanchar los picos, reduciendo la resolución entre eventos térmicos poco espaciados.
- Las velocidades de enfriamiento más altas desplazan la CristalizaciónLa cristalización es el proceso físico de endurecimiento durante la formación y el crecimiento de cristales. Durante este proceso se libera calor de cristalización.cristalización a temperaturas más bajas y pueden alterar la forma de los picos y la Cristalinidad / Grado de cristalinidadLa cristalinidad se refiere al grado de orden estructural de un sólido. En un cristal, la disposición de los átomos o moléculas es coherente y repetitiva. Muchos materiales, como la vitrocerámica y algunos polímeros, pueden prepararse de forma que produzcan una mezcla de regiones cristalinas y amorfas.cristalinidad aparente.
Estos efectos se representan esquemáticamente en la figura 3, mientras que las figuras 4 y 5 muestran un ejemplo de una mezcla de polímeros.
Para garantizar la comparabilidad entre los datos de entrenamiento y las mediciones de la aplicación, se fijan las velocidades de calentamiento y enfriamiento. En Proteus® Now Quantify, se aplica un valor de 10 K/min. Este parámetro representa un equilibrio optimizado entre resolución y tiempo de medición y se seleccionó específicamente para garantizar un rendimiento robusto y reproducible del modelo.
Requisitos de calibración del instrumento DSC
Además de los parámetros de medición estandarizados, la calibración adecuada del instrumento es esencial para garantizar que las características DSC extraídas sean físicamente significativas y comparables a través del tiempo y de los instrumentos.
- Calibración del flujo de calor (Sensibilidad): Proporciona valores correctos de entalpía (J/g), que son críticos para la composición.
- Calibración de temperatura (TempCal): Proporciona temperaturas de inicio, puntos de fusión y temperaturas de transición vítrea precisas utilizadas para la identificación de materiales.
- Calibración de la línea de base (BeFlat®): Estabiliza la línea de base para evitar artefactos que podrían ser malinterpretados como características relacionadas con el material por el modelo de aprendizaje automático.
Sin estas calibraciones, los errores sistemáticos de medición pueden ser codificados en el modelo durante el entrenamiento y posteriormente malinterpretados como diferencias de composición.
Integridad de los datos de formación: Los datos controlados superan a los de Large
Quantify se entrenó utilizando mezclas de polímeros vírgenes con composiciones conocidas, lo que proporcionó una verdad básica fiable para el aprendizaje supervisado.
Un hallazgo clave fue que la integridad de las etiquetas es más importante que el tamaño del conjunto de datos. Aumentar la cantidad de datos no mejora necesariamente el rendimiento; de hecho, la solidez del modelo puede deteriorarse si los datos adicionales introducen etiquetas incoherentes, condiciones de medición variables o definiciones de clase ambiguas. Por lo tanto, una cuantificación fiable basada en la IA requiere
- Materiales de referencia trazables
- Definiciones y límites de clase coherentes
- Validación y revisión por expertos de los conjuntos de datos de entrenamiento
- Cumplimiento estricto de protocolos de medición estandarizados
Outlook
Proteus® Now Quantify es actualmente compatible con las poliolefinas y se está ampliando a otras familias de polímeros. El desarrollo continúa mediante la recopilación estructurada de datos, el reciclaje iterativo y los comentarios de los socios de desarrollo y los primeros usuarios.
La IA por sí sola no resolverá los retos del reciclado. Sin embargo, cuando se combina con protocolos de medición estandarizados, una calibración adecuada y datos de formación de alta calidad, la IA se convierte en una poderosa herramienta para hacer que el análisis avanzado de materiales sea accesible, reproducible y escalable dentro de los entornos industriales de control de calidad.
Lista de comprobación rápida: Condiciones de medición para Proteus® Now Quantify
Antes de analizar muestras desconocidas, asegúrese de que se cumplen las siguientes condiciones:
Parámetros de medición
masa de la muestra: 10 mg ± 1 mg
✅ Velocidad de calentamiento: 10 K/min
✅Tasa de enfriamiento: 10 K/min
Estado de calibración
✅Calibración de flujo de calor (sensibilidad) actualizada
✅Calibración de temperatura (TempCal) actualizada
✅Calibración de base (BeFlat®) aplicada
Lecturas complementarias
Temas como la variabilidad entre grados y proveedores dentro de una clase de polímero, la relación entre los datos de formación virgen y el análisis de reciclado, y la complejidad de la mezcla (incluyendo picos superpuestos y límites de co-CristalizaciónLa cristalización es el proceso físico de endurecimiento durante la formación y el crecimiento de cristales. Durante este proceso se libera calor de cristalización.cristalización) se abordan en las siguientes Notas de Aplicación:
Uso del DSC para cuantificar mezclas de polímeros - Posibilidades y desafíos
Mediciones DSC en materiales de reciclado: Interpretación objetiva con Proteus® Now Quantify