Introduzione: Il controllo qualità incontra l'economia circolare
I riciclati differiscono fondamentalmente dai polimeri vergini. Mentre i materiali vergini sono prodotti in condizioni strettamente controllate e con specifiche ben definite, i riciclati rappresentano spesso sistemi di materiali sconosciuti. Anche quando sono commercializzati come "PP" o "PP mix", rimane una significativa incertezza riguardo alla contaminazione, alle frazioni miste, ai pacchetti di additivi, alla storia di degradazione e alla variabilità da fornitore a fornitore. Le schede tecniche, se disponibili, sono spesso incomplete e inaffidabili. Small variazioni compositive nelle miscele di polimeri possono avere effetti sproporzionati large sul comportamento di lavorazione e sulle prestazioni finali, tra cui instabilità meccanica, fallimento della lavorazione o degrado delle proprietà a lungo termine. Questa incertezza spinge a prendere decisioni conservative come l'overengineering, il declassamento dei materiali o il rifiuto totale dei riciclati. Queste pratiche limitano il valore economico dei materiali riciclati e rallentano la transizione verso un'economia circolare della plastica.
Proteus® Now Quantify
Per colmare questa lacuna analitica, NETZSCH ha sviluppato Proteus® Now Quantify, una soluzione supportata dall'intelligenza artificiale e basata sulla calorimetria differenziale a scansione (DSC) per l'identificazione e la quantificazione della composizione dei polimeri nei materiali sconosciuti. La conoscenza chiave acquisita con lo sviluppo è che l'affidabilità della quantificazione basata sull'IA dipende fondamentalmente dalla qualità, dalla coerenza e dalla standardizzazione dei dati di addestramento.
L'intelligenza artificiale non compensa la scarsa qualità dei dati
Gli algoritmi di apprendimento automatico non possono correggere esperimenti incoerenti, errori di misurazione sistematici o dati errati. Apprendono invece le relazioni statistiche presenti nel set di dati, sia che tali relazioni riflettano il comportamento fisico dei materiali sia che riflettano artefatti sperimentali. Se i parametri di misurazione variano, le calibrazioni si allontanano o le etichette sono incoerenti, il modello interiorizzerà queste incoerenze come modelli validi.
Per Quantify, il successo dell'implementazione ha richiesto molto di più che assemblare un set di dati large. È stato necessario garantire che tutti i dati di addestramento fossero generati in condizioni sperimentali identiche e ben definite. Questo requisito deriva dalle caratteristiche fondamentali delle misure DSC e dal modo in cui i loro segnali vengono interpretati dai modelli di apprendimento automatico.
Le curve DSC forniscono un'impronta termica dei sistemi polimerici, comprese le transizioni di Temperature di fusione ed entalpieL'entalpia di fusione di una sostanza, nota anche come calore latente, è una misura dell'apporto di energia, tipicamente calore, necessario per convertire una sostanza dallo stato solido a quello liquido. Il punto di fusione di una sostanza è la temperatura alla quale essa cambia stato da solido (cristallino) a liquido (fusione isotropa). fusione, il comportamento di CristallizzazioneLa cristallizzazione è il processo fisico di indurimento durante la formazione e la crescita dei cristalli. Durante questo processo viene rilasciato il calore di cristallizzazione.cristallizzazione e le caratteristiche di transizione vetrosa. Queste caratteristiche sono altamente informative per l'identificazione e la quantificazione dei polimeri. Tuttavia, sono anche sensibili ai parametri sperimentali. Dal punto di vista dell'apprendimento automatico, la variabilità introdotta dalla modifica dei parametri di misura è statisticamente indistinguibile dalla variabilità causata da differenze nella composizione del materiale.
Di conseguenza: I dati di addestramento e i campioni sconosciuti devono essere misurati nelle stesse condizioni rigorosamente standardizzate per una quantificazione basata sull'intelligenza artificiale fisicamente significativa e industrialmente affidabile.
Condizioni di misura standardizzate per Proteus® Now Quantify
Massa del campione
La massa del campione influisce direttamente sull'ampiezza e sulla forma del picco:
- Una massa elevata porta a gradienti termici e aumenta il ritardo termico, con conseguente allargamento dei picchi, spostamenti di temperatura e riduzione della risoluzione tra transizioni sovrapposte.
- Una massa bassa aumenta il rapporto segnale/rumore, aumentando la sensibilità della linea di base e l'incertezza di misura.
Una rappresentazione schematica di questo effetto è illustrata nella figura 1, mentre un esempio reale di una miscela di polimeri è mostrato nella figura 2.
In Proteus® Now Quantify viene applicato un valore standardizzato di 10 mg. Questo parametro è stato utilizzato come condizione di addestramento per i modelli ML di Quantify e le deviazioni influenzano l'intensità del segnale o la forma del picco.
Tassi di riscaldamento e raffreddamento
Le velocità di riscaldamento e raffreddamento influenzano la posizione e la forma del picco. Anche materiali identici presentano spostamenti sistematici nella posizione dei picchi e nella morfologia a velocità diverse.
- Velocità di riscaldamento più elevate spostano le transizioni a temperature più elevate e possono ampliare i picchi, riducendo la risoluzione tra eventi termici strettamente distanziati.
- Velocità di raffreddamento più elevate spostano la CristallizzazioneLa cristallizzazione è il processo fisico di indurimento durante la formazione e la crescita dei cristalli. Durante questo processo viene rilasciato il calore di cristallizzazione.cristallizzazione a temperature più basse e possono alterare la forma dei picchi e la cristallinità apparente.
Questi effetti sono rappresentati schematicamente nella figura 3, mentre le figure 4 e 5 mostrano un esempio di miscela di polimeri.
Per garantire la comparabilità tra i dati di addestramento e le misurazioni dell'applicazione, sono state fissate le velocità di riscaldamento e raffreddamento. In Proteus® Now Quantify viene applicato un valore di 10 K/min. Questo parametro rappresenta un equilibrio ottimizzato tra risoluzione e tempo di misura ed è stato scelto appositamente per garantire prestazioni robuste e riproducibili del modello.
Requisiti di calibrazione dello strumento DSC
Oltre ai parametri di misura standardizzati, una corretta calibrazione dello strumento è essenziale per garantire che le caratteristiche DSC estratte siano fisicamente significative e confrontabili nel tempo e con gli strumenti.
- Calibrazione del flusso di calore (sensibilità): Fornisce valori corretti di entalpia (J/g), fondamentali per la composizione.
- Calibrazione della temperatura (TempCal): Fornisce temperature di insorgenza, punti di Temperature di fusione ed entalpieL'entalpia di fusione di una sostanza, nota anche come calore latente, è una misura dell'apporto di energia, tipicamente calore, necessario per convertire una sostanza dallo stato solido a quello liquido. Il punto di fusione di una sostanza è la temperatura alla quale essa cambia stato da solido (cristallino) a liquido (fusione isotropa). fusione e temperature di transizione vetrosa accurate, utilizzate per l'identificazione dei materiali.
- Calibrazione della linea di base (BeFlat®): Stabilizza la linea di base per evitare artefatti che potrebbero essere interpretati erroneamente come caratteristiche legate al materiale dal modello di apprendimento automatico.
Senza queste calibrazioni, gli errori di misurazione sistematici possono essere codificati nel modello durante l'addestramento e successivamente interpretati erroneamente come differenze di composizione.
Integrità dei dati di formazione: Dati controllati meglio di dati Large
Quantify è stato addestrato utilizzando miscele di polimeri vergini con composizioni note, fornendo una verità di base affidabile per l'apprendimento supervisionato.
Un dato fondamentale è che l'integrità delle etichette è più importante delle dimensioni del set di dati. L'aumento della quantità di dati non migliora necessariamente le prestazioni; infatti, la robustezza del modello può peggiorare se i dati aggiuntivi introducono etichette incoerenti, condizioni di misurazione variabili o definizioni di classi ambigue. Una quantificazione affidabile basata sull'intelligenza artificiale richiede quindi
- Materiali di riferimento tracciabili
- Definizioni/confini di classe coerenti
- Convalida e revisione da parte di esperti dei set di dati di addestramento
- Rigorosa aderenza a protocolli di misurazione standardizzati
Prospettiva
Proteus® Now Quantify attualmente supporta le poliolefine ed è in fase di espansione ad altre famiglie di polimeri. Lo sviluppo continua attraverso la raccolta di dati strutturati, la riqualificazione iterativa e il feedback dei partner di sviluppo e dei primi utilizzatori.
L'intelligenza artificiale da sola non risolverà le sfide del riciclaggio. Tuttavia, se combinata con protocolli di misura standardizzati, una calibrazione adeguata e dati di formazione di alta qualità, l'IA diventa uno strumento potente per rendere l'analisi avanzata dei materiali accessibile, riproducibile e scalabile negli ambienti di controllo della qualità industriale.
Lista di controllo rapida: Condizioni di misurazione per Proteus® Now Quantify
Prima di analizzare campioni sconosciuti, assicurarsi che siano soddisfatte le seguenti condizioni:
Parametri di misura
✅ Massa del campione: 10 mg ± 1 mg
✅ Velocità di riscaldamento: 10 K/min
✅Raffreddamento: 10 K/min
Stato della calibrazione
✅ Calibrazione del flusso di calore (sensibilità) aggiornata
✅ Calibrazione della temperatura (TempCal) aggiornata
✅ Calibrazione di base (BeFlat®) applicata
Ulteriori letture
Argomenti come la variabilità tra gradi e fornitori all'interno di una classe di polimeri, la relazione tra i dati di formazione vergini e l'analisi dei riciclati e la complessità delle miscele (compresa la sovrapposizione dei picchi e i limiti di co-CristallizzazioneLa cristallizzazione è il processo fisico di indurimento durante la formazione e la crescita dei cristalli. Durante questo processo viene rilasciato il calore di cristallizzazione.cristallizzazione) sono trattati nelle seguenti Note applicative:
Utilizzo della DSC per quantificare le miscele di polimeri - Possibilità e sfide
Misure DSC su materiali di riciclo: Interpretazione oggettiva con Proteus® Now Quantify