Bevezetés: A minőségellenőrzés találkozik a körforgásos gazdasággal
Az újrahasznosított termékek alapvetően különböznek a szűz polimerektől. Míg a szűz anyagokat szigorúan ellenőrzött körülmények között, jól meghatározott specifikációkkal állítják elő, addig az újrahasznosított anyagok gyakran ismeretlen anyagrendszereket képviselnek. Még akkor is, ha "PP" vagy "PP mix" néven forgalmazzák, jelentős bizonytalanság marad a szennyeződések, a kevert frakciók, az adalékanyag-csomagok, a lebomlási előzmények és a beszállítótól beszállítóig terjedő változékonyság tekintetében. A műszaki adatlapok, ha rendelkezésre állnak is, gyakran hiányosak és megbízhatatlanok. Small A polimerkeverékek összetételének eltérései aránytalanul nagy large hatást gyakorolhatnak a feldolgozási viselkedésre és a végső teljesítményre, beleértve a mechanikai instabilitást, a feldolgozási hibát vagy a hosszú távú tulajdonságromlást. Ez a bizonytalanság olyan konzervatív döntések meghozatalára késztet, mint a túltervezés, az anyagminőség csökkentése vagy az újrahasznosított anyagok teljes elutasítása. Ezek a gyakorlatok korlátozzák az újrahasznosított anyagok gazdasági értékét, és lassítják a körkörös műanyaggazdaság felé való átmenetet.
Proteus® Now Quantify
Ennek az analitikai hiányosságnak a kiküszöbölésére a NETZSCH kifejlesztette a Proteus® Now Quantify, egy mesterséges intelligenciával támogatott, differenciál pásztázó kalorimetrián (DSC) alapuló megoldást az ismeretlen anyagok polimerösszetételének azonosítására és mennyiségi meghatározására. A fejlesztés során szerzett legfontosabb ismeretek szerint a mesterséges intelligencia alapú mennyiségi meghatározás megbízhatósága alapvetően a képzési adatok minőségétől, konzisztenciájától és szabványosításától függ.
Az AI nem kompenzálja a rossz adatminőséget
A gépi tanulási algoritmusok nem tudják korrigálni a következetlen kísérleteket, a szisztematikus mérési hibákat vagy a hibás adatokat. Ehelyett az adathalmazban jelen lévő statisztikai összefüggéseket tanulják meg - függetlenül attól, hogy ezek az összefüggések fizikai anyagviselkedést vagy kísérleti leleteket tükröznek. Ha a mérési paraméterek változnak, a kalibrációk eltérnek, vagy a címkék következetlenek, a modell ezeket az ellentmondásokat érvényes mintaként internalizálja.
A Quantify esetében a sikeres megvalósításhoz többre volt szükség, mint a large adatkészlet összeállítása. Azt is biztosítani kellett, hogy minden képzési adat azonos, jól meghatározott kísérleti körülmények között keletkezzen. Ez a követelmény a DSC-mérések alapvető jellemzőiből és abból adódik, hogy a jeleket hogyan értelmezik a gépi tanulási modellek.
A DSC-görbék a polimerrendszerek termikus ujjlenyomatát adják, beleértve az olvadási átmeneteket, a kristályosodási viselkedést és az üvegesedési átmenet jellemzőit. Ezek a jellemzők rendkívül informatívak a polimerek azonosítása és mennyiségi meghatározása szempontjából. Ugyanakkor érzékenyek a kísérleti paraméterekre is. A gépi tanulás szempontjából a mérési paraméterek változása által bevezetett változékonyság statisztikailag megkülönböztethetetlen az anyagösszetétel különbségei által okozott változékonyságtól.
Következésképpen: A fizikailag értelmezhető és iparilag megbízható AI-alapú mennyiségi meghatározáshoz a képzési adatokat és az ismeretlen mintákat azonos, szigorúan szabványosított körülmények között kell mérni.
Szabványosított mérési feltételek a Proteus® Now Quantify
Minta Tömeg
A minta tömege közvetlenül befolyásolja a csúcs szélességét és alakját:
- A nagy tömeg termikus gradiensekhez vezet és növeli a termikus késleltetést, ami a csúcs kiszélesedését, hőmérsékleteltolódást és az átfedő átmenetek közötti felbontás csökkenését eredményezi.
- Az alacsony tömeg növeli a jel-zaj arányt, növelve az alapvonal érzékenységét és a mérési bizonytalanságot.
E hatás sematikus ábrázolása az 1. ábrán látható, míg egy polimerelegy valós példája a 2. ábrán látható.
A Proteus® Now Quantify oldalon 10 mg-os standardizált értéket alkalmazunk. Ezt a paramétert a Quantify ML-modellek képzési feltételeként használták, és az eltérések a jelerősséget vagy a csúcs alakját befolyásolják.
Fűtési és hűtési díjak
A fűtési és hűtési sebességek befolyásolják a csúcsok helyzetét és alakját. Még azonos anyagoknál is szisztematikus elmozdulások figyelhetők meg a csúcsok helyzetében és morfológiájában különböző sebességek mellett.
- A nagyobb fűtési sebességek magasabb hőmérsékletre tolják az átmeneteket, és kiszélesíthetik a csúcsokat, csökkentve a felbontóképességet a közeli termikus események között.
- A nagyobb hűtési sebességek a kristályosodást alacsonyabb hőmérsékletre tolják, és megváltoztathatják a csúcsok alakját és a látszólagos kristályosságot.
Ezeket a hatásokat a 3. ábra vázlatosan ábrázolja, míg a 4. és 5. ábra egy polimerelegy példáját mutatja.
A képzési adatok és az alkalmazási mérések összehasonlíthatóságának biztosítása érdekében a fűtési és hűtési sebességek rögzítettek. A Proteus® Now Quantify oldalon 10 K/perc értéket alkalmazunk. Ez a paraméter optimális egyensúlyt jelent a felbontás és a mérési idő között, és kifejezetten a robusztus és reprodukálható modellteljesítmény biztosítása érdekében választottuk ki.
DSC műszer kalibrálási követelmények
A szabványosított mérési paraméterek mellett a megfelelő műszerkalibráció is elengedhetetlen annak biztosításához, hogy a kivont DSC jellemzők fizikailag értelmezhetőek és összehasonlíthatóak legyenek az egyes időpontokban és műszerekben.
- Hőáram-kalibrálás (érzékenység): Helyes entalpiaértékeket (J/g) biztosít, amelyek kritikusak az összetétel szempontjából.
- Hőmérséklet-kalibrálás (TempCal): Pontos kezdeti hőmérsékleteket, olvadáspontokat és üvegesedési átmeneti hőmérsékleteket biztosít, amelyeket az anyagazonosításhoz használnak.
- Alapvonal-kalibrálás (BeFlat®): Stabilizálja az alapvonalat, hogy megelőzze az olyan leleteket, amelyeket a gépi tanulással működő modell tévesen anyaggal kapcsolatos jellemzőkként értelmezhet.
E kalibrációk nélkül a szisztematikus mérési hibák a képzés során bekódolódhatnak a modellbe, és ezt követően összetételbeli különbségként tévesen értelmezhetők.
Képzési adatok integritása: Large adatok
A Quantify-t ismert összetételű szűz polimer keverékekkel képeztük ki, ami megbízható alapigazságot biztosít a felügyelt tanuláshoz.
Az egyik legfontosabb megállapítás az volt, hogy a címkék integritása fontosabb, mint az adathalmaz mérete. Az adatmennyiség növelése nem feltétlenül javítja a teljesítményt; valójában a modell robusztussága romolhat, ha a további adatok következetlen címkéket, változó mérési feltételeket vagy kétértelmű osztálydefiníciókat eredményeznek. A megbízható AI-alapú számszerűsítéshez ezért szükség van:
- Nyomon követhető referenciaanyagok
- Következetes osztálydefiníciók/határok
- Szakértői validálás és a képzési adatkészletek felülvizsgálata
- A szabványosított mérési protokollok szigorú betartása
Outlook
Proteus® Now Quantify jelenleg a poliolefineket támogatja, és további polimercsaládokra is kiterjesztik. A fejlesztés strukturált adatgyűjtéssel, iteratív átképzéssel, valamint a fejlesztési partnerek és a korai alkalmazók visszajelzéseivel folytatódik.
A mesterséges intelligencia önmagában nem fogja megoldani az újrahasznosítás kihívásait. Ha azonban szabványosított mérési protokollokkal, megfelelő kalibrációval és kiváló minőségű képzési adatokkal kombináljuk, a mesterséges intelligencia hatékony eszközzé válik a fejlett anyagelemzés hozzáférhetővé, reprodukálhatóvá és méretezhetővé tételéhez az ipari minőségellenőrzési környezetekben.
Gyors ellenőrzőlista: Mérési feltételek a Proteus® Now Quantify
Ismeretlen minták elemzése előtt győződjön meg arról, hogy a következő feltételek teljesülnek:
Mérési paraméterek
✅Minta tömege: 10 mg ± 1 mg
✅Fűtési sebesség:
✅Hűtési sebesség: 10 K/perc ✅Hűtési sebesség: 10 K/perc: 10 K/min
Kalibrálási állapot
✅Hőáram-kalibrálás (érzékenység) naprakész
✅Hőmérséklet-kalibrálás (TempCal) naprakész
✅Báziskalibrálás (BeFlat®) alkalmazva
További olvasnivalók
Az olyan témákat, mint a polimerosztályon belüli minőségek és beszállítók közötti változékonyság, a szűz képzési adatok és az újrahasznosított anyagok elemzése közötti kapcsolat, valamint a keverékek összetettsége (beleértve az átfedő csúcsokat és az együttkristályosodási határértékeket) a következő alkalmazási megjegyzések tárgyalják:
A DSC használata polimer keverékek számszerűsítésére - lehetőségek és kihívások
DSC-mérések újrahasznosított anyagokon: Objektív értelmezés Proteus® Now Quantify