Johdanto: Laadunvalvonta kohtaa kiertotalouden
Kierrätysmateriaalit eroavat olennaisesti neitseellisistä polymeereistä. Neitseellisiä materiaaleja valmistetaan tiukasti valvotuissa olosuhteissa ja tarkoin määritellyin eritelmin, kun taas kierrätysmateriaalit ovat usein tuntemattomia materiaalijärjestelmiä. Jopa silloin, kun niitä markkinoidaan "PP:nä" tai "PP-sekoituksena", jää huomattavaa epävarmuutta kontaminaatiosta, sekajakeista, lisäainepaketeista, hajoamishistoriasta ja toimittajan ja toimittajan välisestä vaihtelusta. Tekniset tietolehdet, jos niitä on saatavilla, ovat usein puutteellisia ja epäluotettavia. Small Polymeeriseosten koostumusvaihtelut voivat johtaa suhteettoman suuriin large vaikutuksiin prosessointikäyttäytymiseen ja lopulliseen suorituskykyyn, kuten mekaaniseen epävakauteen, prosessointivirheisiin tai ominaisuuksien pitkäaikaiseen heikkenemiseen. Tämä epävarmuus johtaa konservatiivisiin päätöksiin, kuten ylisuunnitteluun, materiaalin luokituksen alentamiseen tai kierrätysmateriaalien hylkäämiseen. Nämä käytännöt rajoittavat kierrätysmateriaalien taloudellista arvoa ja hidastavat siirtymistä kohti muovin kiertotaloutta.
Proteus® Now Quantify
Tämän analyyttisen puutteen korjaamiseksi NETZSCH kehitti Proteus® Now Quantify, joka on tekoälyn tukema DSC:hen (Differential Scanning Calorimetry) perustuva ratkaisu tuntemattomien materiaalien polymeerikoostumusten tunnistamiseen ja kvantifiointiin. Keskeinen kehitystyössä saatu tieto on, että tekoälyyn perustuvan kvantifioinnin luotettavuus riippuu olennaisesti harjoitustietojen laadusta, johdonmukaisuudesta ja standardoinnista.
Tekoäly ei kompensoi heikkoa tiedon laatua
Koneoppimisalgoritmit eivät voi korjata epäjohdonmukaisia kokeita, järjestelmällisiä mittausvirheitä tai virheellisiä tietoja. Sen sijaan ne oppivat tietokokonaisuudessa esiintyvät tilastolliset suhteet - riippumatta siitä, kuvastavatko nämä suhteet materiaalin fyysistä käyttäytymistä vai kokeellisia artefakteja. Jos mittausparametrit vaihtelevat, kalibroinnit ajautuvat tai merkinnät ovat epäjohdonmukaisia, malli sisäistää nämä epäjohdonmukaisuudet kelvollisina malleina.
Quantifyn onnistunut toteutus vaati muutakin kuin vain large -tietokannan kokoamisen. Se edellytti myös sen varmistamista, että kaikki harjoitusaineisto tuotettiin identtisissä, hyvin määritellyissä koeolosuhteissa. Tämä vaatimus johtuu DSC-mittausten perusominaisuuksista ja siitä, miten koneoppimismallit tulkitsevat niiden signaaleja.
DSC-käyrät tarjoavat polymeerijärjestelmien termisen sormenjäljen, mukaan lukien sulamissiirtymät, kiteytymiskäyttäytyminen ja lasisiirtymäominaisuudet. Nämä ominaisuudet ovat erittäin informatiivisia polymeerien tunnistamisessa ja kvantifioinnissa. Ne ovat kuitenkin myös herkkiä kokeellisille parametreille. Koneoppimisen näkökulmasta mittausparametrien muuttamisen aiheuttama vaihtelu on tilastollisesti erottamaton materiaalin koostumuksen eroista johtuvasta vaihtelusta.
Näin ollen: Harjoitusaineisto ja tuntemattomat näytteet on mitattava samoissa, tiukasti standardoiduissa olosuhteissa, jotta tekoälyyn perustuva kvantifiointi olisi fysikaalisesti mielekästä ja teollisesti luotettavaa.
Standardoidut mittausolosuhteet Proteus® Now Quantify
Näytteen massa
Näytteen massa vaikuttaa suoraan piikin leveyteen ja muotoon:
- Tämä johtaa piikin levenemiseen, lämpötilasiirtymiin ja päällekkäisten siirtymien välisen erotuskyvyn heikkenemiseen.
- Pieni massa lisää signaali-kohinasuhdetta, mikä lisää perusviivan herkkyyttä ja mittausepävarmuutta.
Kaaviollinen esitys tästä vaikutuksesta on esitetty kuvassa 1, kun taas todellinen esimerkki polymeeriseoksesta on esitetty kuvassa 2.
Osoitteessa Proteus® Now Quantify käytetään standardoitua arvoa 10 mg. Tätä parametria käytettiin Quantifyn ML-mallien harjoitusehtona, ja poikkeamat vaikuttavat signaalin voimakkuuteen tai piikin muotoon.
Lämmityksen ja jäähdytyksen hinnat
Lämmitys- ja jäähdytysnopeudet vaikuttavat piikin sijaintiin ja muotoon. Jopa identtisillä materiaaleilla esiintyy systemaattisia muutoksia piikin sijainnissa ja morfologiassa eri nopeuksilla.
- Suuremmat lämmitysnopeudet siirtävät siirtymiä korkeampiin lämpötiloihin ja voivat leventää piikkejä, mikä heikentää erottelukykyä lähekkäisten lämpötapahtumien välillä.
- Suuremmat jäähdytysnopeudet siirtävät kiteytymistä matalampiin lämpötiloihin ja voivat muuttaa piikin muotoa ja näennäistä kiteisyyttä.
Nämä vaikutukset on esitetty kaaviomaisesti kuvassa 3, ja kuvissa 4 ja 5 on esimerkki polymeeriseoksesta.
Koulutustietojen ja sovellusmittausten vertailukelpoisuuden varmistamiseksi sekä lämmitys- että jäähdytysnopeudet ovat kiinteitä. Osoitteessa Proteus® Now Quantify käytetään arvoa 10 K/min. Tämä parametri edustaa optimaalista tasapainoa resoluution ja mittausaikojen välillä, ja se valittiin erityisesti mallin vankan ja toistettavan suorituskyvyn varmistamiseksi.
DSC-laitteen kalibrointivaatimukset
Standardoitujen mittausparametrien lisäksi laitteen asianmukainen kalibrointi on olennaisen tärkeää sen varmistamiseksi, että DSC-ominaisuudet ovat fysikaalisesti mielekkäitä ja vertailukelpoisia eri aikoina ja eri laitteilla.
- Lämpövirtakalibrointi (herkkyys): Antaa oikeat entalpia-arvot (J/g), jotka ovat kriittisiä koostumuksen kannalta.
- Lämpötilakalibrointi (TempCal): Tuottaa tarkat alkamislämpötilat, sulamispisteet ja lasittumislämpötilat, joita käytetään materiaalien tunnistamiseen.
- Perusviivakalibrointi (BeFlat®): Vakauttaa perusviivan, jotta estetään artefaktit, jotka koneoppimismalli voisi tulkita virheellisesti materiaaliin liittyviksi ominaisuuksiksi.
Ilman näitä kalibrointeja systemaattiset mittausvirheet voivat koodautua malliin koulutuksen aikana ja tulkita ne myöhemmin väärin koostumuseroiksi.
Koulutustietojen eheys: Large Data
Quantify koulutettiin käyttämällä neitseellisiä polymeerisekoituksia, joiden koostumus tunnetaan, mikä tarjoaa luotettavan perustotuuden valvottua oppimista varten.
Keskeinen havainto oli, että merkintöjen eheys on tärkeämpää kuin tietokokonaisuuden koko. Datan määrän lisääminen ei välttämättä paranna suorituskykyä; itse asiassa mallin kestävyys voi heikentyä, jos lisädatan mukana tulee epäjohdonmukaisia merkintöjä, vaihtelevia mittausolosuhteita tai epäselviä luokkamääritelmiä. Luotettava tekoälyyn perustuva kvantifiointi edellyttää siis seuraavaa:
- Jäljitettävät vertailumateriaalit
- Johdonmukaiset luokkamääritelmät/rajat
- Asiantuntijoiden suorittama validointi ja harjoitusaineistojen tarkastelu
- Standardoitujen mittausprotokollien tiukka noudattaminen
Outlook
Proteus® Now Quantify tukee tällä hetkellä polyolefiinejä, ja sitä ollaan laajentamassa muihin polymeeriperheisiin. Kehitystä jatketaan strukturoidulla tiedonkeruulla, iteratiivisella uudelleenkoulutuksella sekä kehityskumppaneilta ja varhaisilta käyttäjiltä saadulla palautteella.
Tekoäly ei yksinään ratkaise kierrätyksen haasteita. Kun tekoäly kuitenkin yhdistetään standardoituihin mittausprotokolliin, asianmukaiseen kalibrointiin ja laadukkaisiin harjoitustietoihin, siitä tulee tehokas väline, jonka avulla edistyksellinen materiaalianalyysi on helposti saatavilla, toistettavissa ja skaalattavissa teollisuuden laadunvalvontaympäristöissä.
Nopea tarkistuslista: Measurement Conditions for Proteus® Now Quantify
Ennen tuntemattomien näytteiden analysointia on varmistettava, että seuraavat ehdot täyttyvät:
Mittausparametrit
✅Näytteen massa: 10 mg ± 1 mg
✅Lämmitysnopeus: 10 K/min
✅Jäähdytysnopeus: 10 K/min
Kalibroinnin tila
✅Lämpövirtakalibrointi (sensitivity) ajan tasalla
✅Lämpötilakalibrointi (TempCal) ajan tasalla
✅Baseline-kalibrointi (BeFlat®) sovellettu
Lisälukemista
Seuraavissa sovellusohjeissa käsitellään muun muassa polymeeriluokan eri laatuluokkien ja toimittajien välistä vaihtelua, neitseellisten harjoitustietojen ja kierrätysanalyysin välistä suhdetta sekä seosten monimutkaisuutta (mukaan lukien päällekkäiset piikit ja yhteiskiteytymisrajat):
DSC:n käyttö polymeeriseosten kvantifiointiin - mahdollisuudet ja haasteet
Kierrätysmateriaalien DSC-mittaukset: Objektiivinen tulkinta Proteus® Now Quantify