Introduction : Le contrôle de la qualité et l'économie circulaire
Les produits recyclés diffèrent fondamentalement des polymères vierges. Alors que les matériaux vierges sont produits dans des conditions étroitement contrôlées avec des spécifications bien définies, les recyclats représentent souvent des systèmes de matériaux inconnus. Même lorsqu'ils sont commercialisés en tant que "PP" ou "mélange de PP", une grande incertitude demeure quant à la contamination, aux fractions mélangées, aux paquets d'additifs, à l'historique de la dégradation et à la variabilité d'un fournisseur à l'autre. Les fiches techniques, lorsqu'elles sont disponibles, sont souvent incomplètes et peu fiables. Small Les variations de composition dans les mélanges de polymères peuvent avoir des effets disproportionnés large sur le comportement de transformation et les performances finales, y compris l'instabilité mécanique, l'échec de la transformation ou la dégradation des propriétés à long terme. Cette incertitude conduit à des décisions conservatrices telles que la suringénierie, le déclassement des matériaux ou le rejet pur et simple des produits recyclés. Ces pratiques limitent la valeur économique des matériaux recyclés et ralentissent la transition vers une économie circulaire des plastiques.
Proteus® Now Quantify
Pour combler cette lacune analytique, NETZSCH a mis au point Proteus® Now Quantify, une solution assistée par ordinateur basée sur la calorimétrie différentielle à balayage (DSC) pour l'identification et la quantification de la composition des polymères dans des matériaux inconnus. Les connaissances clés acquises au cours de son développement sont que la fiabilité de la quantification basée sur l'IA dépend fondamentalement de la qualité, de la cohérence et de la normalisation des données d'entraînement.
L'IA ne compense pas la mauvaise qualité des données
Les algorithmes d'apprentissage automatique ne peuvent pas corriger les expériences incohérentes, les erreurs de mesure systématiques ou les données incorrectes. Au lieu de cela, ils apprennent les relations statistiques présentes dans l'ensemble des données - que ces relations reflètent le comportement physique des matériaux ou des artefacts expérimentaux. Si les paramètres de mesure varient, si les étalonnages dérivent ou si les étiquettes sont incohérentes, le modèle intériorisera ces incohérences comme des modèles valides.
Pour Quantify, la réussite de la mise en œuvre ne s'est pas limitée à l'assemblage d'un ensemble de données ( large ). Il fallait également s'assurer que toutes les données d'entraînement étaient générées dans des conditions expérimentales identiques et bien définies. Cette exigence découle des caractéristiques fondamentales des mesures DSC et de la manière dont leurs signaux sont interprétés par les modèles d'apprentissage automatique.
Les courbes DSC fournissent une empreinte thermique des systèmes polymères, y compris les transitions de Températures et enthalpies de fusionL'enthalpie de fusion d'une substance, également connue sous le nom de chaleur latente, est une mesure de l'apport d'énergie, généralement de la chaleur, nécessaire pour convertir une substance de l'état solide à l'état liquide. Le point de fusion d'une substance est la température à laquelle elle passe de l'état solide (cristallin) à l'état liquide (fusion isotrope). fusion, le comportement de CristallisationLa cristallisation est le processus physique de durcissement au cours de la formation et de la croissance des cristaux. Au cours de ce processus, la chaleur de cristallisation est libérée.cristallisation et les caractéristiques de transition vitreuse. Ces caractéristiques sont très instructives pour l'identification et la quantification des polymères. Cependant, elles sont également sensibles aux paramètres expérimentaux. Du point de vue de l'apprentissage automatique, la variabilité introduite par la modification des paramètres de mesure est statistiquement impossible à distinguer de la variabilité causée par les différences de composition des matériaux.
Par conséquent, les données d'apprentissage et les échantillons inconnus doivent être mesurés : Les données d'entraînement et les échantillons inconnus doivent être mesurés dans les mêmes conditions, strictement normalisées, pour que la quantification basée sur l'IA soit physiquement significative et industriellement fiable.
Conditions de mesure normalisées pour les Proteus® Now Quantify
Masse de l'échantillon
La masse de l'échantillon affecte directement la largeur et la forme du pic :
- Une masse élevée entraîne des gradients thermiques et augmente le décalage thermique, ce qui se traduit par un élargissement du pic, des décalages de température et une réduction de la résolution entre les transitions qui se chevauchent.
- Une faible masse augmente le rapport signal/bruit, ce qui accroît la sensibilité de la ligne de base et l'incertitude des mesures.
Une représentation schématique de cet effet est illustrée à la figure 1, tandis qu'un exemple réel de mélange de polymères est présenté à la figure 2.
Sur le site Proteus® Now Quantify, une valeur normalisée de 10 mg est appliquée. Ce paramètre a été utilisé comme condition d'entraînement pour les modèles ML de Quantify, et les écarts affectent l'intensité du signal ou la forme du pic.
Taux de chauffage et de refroidissement
Les vitesses de chauffage et de refroidissement influencent la position et la forme des pics. Même des matériaux identiques présentent des changements systématiques dans la position et la morphologie des pics à des vitesses différentes.
- Des vitesses de chauffage plus élevées déplacent les transitions vers des températures plus élevées et peuvent élargir les pics, réduisant ainsi la résolution entre des événements thermiques très rapprochés.
- Des vitesses de refroidissement plus élevées déplacent la CristallisationLa cristallisation est le processus physique de durcissement au cours de la formation et de la croissance des cristaux. Au cours de ce processus, la chaleur de cristallisation est libérée.cristallisation vers des températures plus basses et peuvent modifier la forme des pics et la cristallinité apparente.
Ces effets sont représentés schématiquement dans la figure 3, tandis que les figures 4 et 5 montrent un exemple de mélange de polymères.
Pour assurer la comparabilité entre les données de formation et les mesures d'application, les vitesses de chauffage et de refroidissement sont fixes. Dans Proteus® Now Quantify, une valeur de 10 K/min est appliquée. Ce paramètre représente un équilibre optimal entre la résolution et le temps de mesure et a été spécifiquement sélectionné pour garantir la robustesse et la reproductibilité des performances du modèle.
Exigences en matière d'étalonnage des instruments DSC
Outre les paramètres de mesure normalisés, un étalonnage correct de l'instrument est essentiel pour garantir que les caractéristiques DSC extraites sont physiquement significatives et comparables dans le temps et d'un instrument à l'autre.
- Étalonnage du flux thermique (sensibilité) : Fournit des valeurs d'enthalpie correctes (J/g), qui sont essentielles pour la composition.
- Étalonnage de la température (TempCal) : Fournit des températures d'apparition, des points de Températures et enthalpies de fusionL'enthalpie de fusion d'une substance, également connue sous le nom de chaleur latente, est une mesure de l'apport d'énergie, généralement de la chaleur, nécessaire pour convertir une substance de l'état solide à l'état liquide. Le point de fusion d'une substance est la température à laquelle elle passe de l'état solide (cristallin) à l'état liquide (fusion isotrope). fusion et des températures de transition vitreuse exacts, utilisés pour l'identification des matériaux.
- Étalonnage de la ligne de base (BeFlat®) : Stabilise la ligne de base afin d'éviter les artefacts qui pourraient être mal interprétés par le modèle d'apprentissage automatique comme des caractéristiques liées aux matériaux.
Sans ces étalonnages, des erreurs de mesure systématiques peuvent être encodées dans le modèle au cours de l'apprentissage et être ensuite interprétées à tort comme des différences de composition.
Formation à l'intégrité des données : Les données contrôlées l'emportent sur les données Large
Quantify a été entraîné à l'aide de mélanges de polymères vierges dont la composition est connue, ce qui a permis d'obtenir une vérité de base fiable pour l'apprentissage supervisé.
L'une des principales conclusions est que l'intégrité des étiquettes est plus importante que la taille de l'ensemble de données. L'augmentation de la quantité de données n'améliore pas nécessairement les performances ; en fait, la robustesse du modèle peut se détériorer si des données supplémentaires introduisent des étiquettes incohérentes, des conditions de mesure variables ou des définitions de classe ambiguës. Une quantification fiable basée sur l'IA nécessite donc
- Des matériaux de référence traçables
- Des définitions/limites de classe cohérentes
- La validation et l'examen des ensembles de données de formation par des experts
- Un respect strict des protocoles de mesure normalisés
Perspectives
Proteus® Now Quantify prend actuellement en charge les polyoléfines et est en cours d'extension à d'autres familles de polymères. Le développement se poursuit grâce à la collecte structurée de données, au recyclage itératif et au retour d'information des partenaires de développement et des premiers utilisateurs.
L'IA ne résoudra pas à elle seule les problèmes de recyclage. Toutefois, lorsqu'elle est associée à des protocoles de mesure normalisés, à un étalonnage correct et à des données de formation de haute qualité, l'IA devient un outil puissant pour rendre l'analyse avancée des matériaux accessible, reproductible et évolutive dans les environnements de contrôle de la qualité industrielle.
Liste de contrôle rapide : Conditions de mesure pour les Proteus® Now Quantify
Avant d'analyser des échantillons inconnus, il convient de s'assurer que les conditions suivantes sont remplies :
Paramètres de mesure
masse de l'échantillon : 10 mg ± 1 mg
✅Rythme de chauffage : 10 K/min
✅Rythme de refroidissement : 10 K/min
État de l'étalonnage
✅Calibrage du flux de chaleur (sensibilité) à jour
✅Calibrage de la température (TempCal) à jour
✅Calibrage de base (BeFlat®) appliqué
Pour en savoir plus
Des sujets tels que la variabilité entre les grades et les fournisseurs au sein d'une classe de polymères, la relation entre les données d'entraînement vierges et l'analyse des produits recyclés, et la complexité des mélanges (y compris le chevauchement des pics et les limites de cocristallisation) sont abordés dans les notes d'application suivantes :
Utilisation de la DSC pour quantifier les mélanges de polymères - Possibilités et défis
Mesures DSC sur les matériaux de recyclage : Interprétation objective avec Proteus® Now Quantify