バージンデータでのトレーニングが有効な理由グレード間の自然な広がりは、劣化によるシフトよりも大きい。劣化による
リサイクル、劣化、DSCが適している理由識別
リサイクル素材は、必然的に「加工と初期使用」の履歴を持つ。熱応力、熱酸化応力、機械的応力に加え、環境的影響（温度サイクル、紫外線、化学物質）により、鎖の切断、枝分かれや架橋、分子量分布の変化が引き起こされることがある。その結果、メルトフローが変化し、色や臭いが変化することもある。例えば、PPやHIPSの場合、繰り返し押出成形を行うと、鎖の切断によりMFIが上昇することがありますが、LDPEの場合、何度も押出成形を行うと架橋が優勢になり、MFIが低下することがあります。これらの劣化様式は、リサイクルに関する文献でよく知られています。[1].
DSCは、劣化が発生してもポリマーファミリーを特定するのに適しています：多くのポリマー、特にポリオレフィンでは、溶融／結晶化フィンガープリントは、適度な再処理の下では比較的堅牢です。測定可能な劣化シグナルは、一般的にファミリー内の自然なグレード間変動よりも小さい。
これらの課題に対処し、DSCを用いたポリマー組成の頑健で再現性のある評価を可能にするため、Proteus® Now Quantify 。このソフトウエアは、機械学習ベースのモデルを使用し、試料が現実的な経時変化や劣化を示した場合でも、DSC曲線から正確な組成、品質、混合比を導き出します。これは、試料が現実的な経時変化や劣化状態を示す場合でも、DSC曲線から理解しやすい混合比に基づいています。これは、包括的で入念に管理されたトレーニングデータセットと、ポリマー環境における機械学習への特別に開発されたアプローチによるものです。
Proteus® Now Quantify は、ラベルの品質が重要であるため、バージン材料と較正済みブレンド（既知の成分、既知の質量分率）を使用してトレーニングされました。消費者使用後のデータセットや「劣化した」データセットには、不確かな組成（未知のブレンド、多層、過去の安定剤、汚染）が含まれていることがよくあります。
このような較正済みブレンドデータを使用することで、真のファミリー・スプレッドを捉えることができる。この設計上の選択により、モデルは、潜在的に不正確な劣化ラベルに依存することなく、現実的に劣化した試料に一般化することができます。
キーポイント 新しい材料を用いて訓練されたMLモデルの使用は、校正されたブレンドデータに存在する幅広い品質を学習するため、正当化される。分解によって生じる一般的なシフトは、この変動性の範囲内に収まる。
PPを例にしたDSCにおける劣化の現れ方
ポリマーの融解挙動は、その分子量とラメラ構造に影響される。鎖の切断はポリマー鎖を短くし、融解温度(Tm)を下げる傾向がある。PPの場合、この低下は、未加工材と複数加工材との間で一般的に2～3℃である。DSCの感度を考慮すると、このシフトは控えめではあるが、それでも重要である。
Estelaら[2]は、バージンPPと再加工PPの吸熱（吸熱性）が、複数の押出サイクルにわたってピーク位置もエンタルピーもほぼ同じままであることを実証し、これを確認した。このことは、最終的な結晶構造／結晶化度がほぼ維持されていることを示しており、繰り返し熱応力や機械的応力下での分子構造の安定性を反映している。
対照的に、冷却中の結晶化発熱（発熱性）はより敏感である。再処理されたPPは、分子量分布と核形成の変化と一致するように、結晶化の開始、結晶化温度、ピーク形状に微妙なシフトを示す。これらは分子量分布や核形成の変化と一致しており、Kinetics Neo [2]を用いたカイネティクスの研究で証明されている。
Estelaの最も過酷な加工条件（押出機250℃、50rpm）では、溶融曲線はバージンから1-6倍の再加工までほとんど変化しないが、冷却曲線はより高い結晶化温度/開始温度へわずかにシフトする。最も大きな変化は、バージン→1×→2×の間で起こる。それ以上のシフトは、粘度と結晶化の両方においてわずかであり、これらの条件下で分子量／ラメラ構造の下限に近づき、より材料と一致している。この準プラトーに達すると、それ以上の分解は進行が遅いか、DSCの感度を下回る影響を引き起こす。DSCの結果は図1にまとめられ、再プロットされている。
要点 PPの再加工は、～2～3℃低いTmと、冷却発熱（発熱性）の微妙なシフトという範囲で、控えめなDSC効果を示す。また、一般的な劣化シフトはそのばらつきの範囲内に収まる。
学年間のばらつきと劣化（なぜヴァージン・トレーニングが有効なのか？バージン・トレーニングの効果）
PPの再加工効果をグレードのばらつきの隣に置くことで、我々のトレーニング戦略の理論的根拠が浮き彫りになる。Identify （KIMWデータベースの1200以上のポリマーグレードを含む）のlarge 参照セットでは、PPグレードのTmは~159.5から168.7℃、ΔHm ≈ 73から114 J/gの範囲であり、これは再処理による~2-3℃のシフトよりもはるかに広い範囲である。このように、再生PPはバージンPPとあまり違わないことが多く、無関係な2つのバージンPPグレードが互いに異なるのと同じである。Identify 、これらのデータセットの抜粋を図1のバージンPPと比較して図2に示す。
ポリアミドの場合、劣化の影響は一般により顕著です。PAのような縮合系ポリマーは、鎖の切断、水分の取り込み、加水分解の影響を特に受けやすく、結晶化度をより大きく変化させる可能性があるためです。
しかし、このような影響があったとしても、測定された変化は一般的にPA6グレード間で観察される幅広いばらつきの範囲内に留まっている。図3は、融解ピークが215.2～223.8℃、融解エンタルピーが≈53～≈112 J/g（約60 J/gの広がり）であるPA6グレード間のこのグレード変動を示している。
要点 グレードの広がりが支配的：Tm（～159.5～168.7℃）とΔHm（≒73～114 J/g）のPPグレードのばらつきは、一般的な再加工シフトを上回る。
結論
リサイクルによる劣化がDSCフィンガープリントにどのような影響を与えるかを理解することは、データ駆動型分析にとって極めて重要である。新しいProteus® Now Quantify ソフトウェアは、可能な限り広範なポリマーグレードとキャリブレーションされたブレンドをカバーする、キュレートされたデータセットを使用してトレーニングされています。これにより、MLモデルはグレード固有のばらつきと、劣化によって生じる小さいながらも系統的なシフトの両方を確実に捉えることができます。すでに1,500を超える混合包装用ポリマーのデータセットが収録されており、Quantify Nowは、追加参照データが利用可能になるにつれて改良を続けています。
透明性を確保するため、ポリマーのクラスごとにRMSE（二乗平均平方根誤差）を報告し、検証に基づいてそのクラスに対するモデルの予想誤差を要約しています。RMSEが低いほど、そのファミリーに対するモデルの期待精度が高いことを示します。(このRMSEはモデル品質の指標であり、試料ごとの信頼性スコアではありません。) 適用リスクが高い場合やDSCシグナルが曖昧な場合は、TGA、FTIR、レオロジーなどの補完的手法をNow Quantifyの結果と並行して使用する必要があります。