소개: 품질 관리와 순환 경제의 만남
재활용 소재는 버진 폴리머와 근본적으로 다릅니다. 버진 소재는 잘 정의된 사양으로 엄격하게 통제된 조건에서 생산되는 반면, 재활용 소재는 종종 알려지지 않은 소재 시스템을 나타냅니다. "PP" 또는 "PP 믹스"로 판매되는 경우에도 오염, 혼합 비율, 첨가제 패키지, 분해 이력, 공급업체 간 변동성과 관련하여 상당한 불확실성이 남아 있습니다. 기술 데이터시트가 있는 경우에도 불완전하고 신뢰할 수 없는 경우가 많습니다. Small 폴리머 혼합물의 구성 변화는 기계적 불안정, 가공 실패 또는 장기적인 특성 저하를 포함하여 가공 동작 및 최종 성능에 불균형적인 large 영향을 미칠 수 있습니다. 이러한 불확실성은 과잉 엔지니어링, 재료 다운그레이드 또는 재활용품의 전면적인 거부와 같은 보수적인 결정을 내리게 합니다. 이러한 관행은 재활용 소재의 경제적 가치를 제한하고 순환 플라스틱 경제로의 전환을 더디게 합니다.
Proteus® Now Quantify
이러한 분석 격차를 해소하기 위해 NETZSCH 는 미지의 물질에서 폴리머 성분을 식별하고 정량화하기 위해 시차 주사 열량 측정법(DSC)을 기반으로 하는 AI 지원 솔루션( Proteus® Now Quantify)을 개발했습니다. 개발을 통해 얻은 핵심 지식은 AI 기반 정량화의 신뢰성은 근본적으로 학습 데이터의 품질, 일관성 및 표준화에 달려 있다는 것입니다.
AI는 열악한 데이터 품질을 보완하지 못합니다
머신러닝 알고리즘은 일관되지 않은 실험, 체계적인 측정 오류 또는 잘못된 데이터를 수정할 수 없습니다. 대신 데이터 세트에 존재하는 통계적 관계, 즉 그 관계가 물리적 물질의 거동을 반영하든 실험적 아티팩트를 반영하든 간에 통계적 관계를 학습합니다. 측정 매개변수가 다르거나 보정 드리프트 또는 레이블이 일관되지 않은 경우, 모델은 이러한 불일치를 유효한 패턴으로 내재화합니다.
Quantify의 경우, 성공적인 구현을 위해서는 large 데이터 집합을 조립하는 것 이상의 것이 필요했습니다. 또한 모든 학습 데이터가 동일하고 잘 정의된 실험 조건에서 생성되었는지 확인해야 했습니다. 이러한 요구 사항은 DSC 측정의 기본 특성과 머신러닝 모델에서 신호를 해석하는 방식에서 비롯됩니다.
DSC 곡선은 용융 전이, 결정화 거동 및 유리 전이 특징을 포함한 폴리머 시스템의 열 지문을 제공합니다. 이러한 특성은 폴리머 식별 및 정량화에 매우 유용한 정보를 제공합니다. 하지만 실험 파라미터에 민감하게 반응하기도 합니다. 머신러닝 관점에서 볼 때, 측정 매개변수 변경으로 인한 변동성은 재료 구성의 차이로 인한 변동성과 통계적으로 구분할 수 없습니다.
결과적으로 물리적으로 의미 있고 산업적으로 신뢰할 수 있는 AI 기반 정량화를 위해서는 학습 데이터와 알 수 없는 샘플을 동일하고 엄격하게 표준화된 조건에서 측정해야 합니다.
다음에 대한 표준화된 측정 조건 Proteus® Now Quantify
샘플 질량
샘플 질량은 피크 폭과 모양에 직접적인 영향을 미칩니다:
- 질량이 높으면 열 구배가 발생하고 열 지연이 증가하여 피크가 넓어지고 온도 변화가 발생하며 겹치는 전이 사이의 분해능이 감소합니다.
- 질량이 낮으면 신호 대 잡음비가 증가하여 기준 감도 및 측정 불확실성이 증가합니다.
이 효과의 개략적인 표현은 그림 1에 나와 있고, 폴리머 혼합물의 실제 예는 그림 2에 나와 있습니다.
Proteus® Now Quantify 에서는 표준화된 값인 10mg이 적용됩니다. 이 매개변수는 Quantify의 ML 모델의 훈련 조건으로 사용되었으며 편차는 신호 강도 또는 피크 모양에 영향을 미칩니다.
난방 및 냉각 속도
가열 및 냉각 속도는 피크 위치와 형태에 영향을 미칩니다. 동일한 재료라도 피크 위치와 형태는 서로 다른 속도로 체계적으로 변화합니다.
- 가열 속도가 높을수록 더 높은 온도로 전이가 이동하고 피크가 넓어져 간격이 가까운 열 이벤트 사이의 해상도가 떨어질 수 있습니다.
- 냉각 속도가 높으면 결정화가 더 낮은 온도로 이동하고 피크 모양과 겉보기 결정성이 변경될 수 있습니다.
이러한 효과는 그림 3에 개략적으로 표시되어 있으며, 그림 4와 5는 폴리머 혼합물의 예를 보여줍니다.
학습 데이터와 애플리케이션 측정 간의 비교 가능성을 보장하기 위해 가열 및 냉각 속도가 모두 고정되어 있습니다. Proteus® Now Quantify 에서는 10 K/min의 값이 적용됩니다. 이 매개변수는 해상도와 측정 시간 간의 최적화된 균형을 나타내며, 강력하고 재현 가능한 모델 성능을 보장하기 위해 특별히 선택되었습니다.
DSC 기기 캘리브레이션 요구 사항
표준화된 측정 매개변수 외에도, 추출된 DSC 특징이 물리적으로 의미 있고 시간 및 기기 간에 비교 가능한지 확인하려면 적절한 기기 보정이 필수적입니다.
- 열 흐름 보정(감도): 구성에 중요한 정확한 엔탈피 값(J/g)을 제공합니다.
- 온도 보정(TempCal): 재료 식별에 사용되는 정확한 시작 온도, 융점 및 유리 전이 온도를 제공합니다.
- 기준선 보정(BeFlat®): 머신러닝 모델이 재료 관련 특징으로 잘못 해석할 수 있는 아티팩트를 방지하기 위해 기준선을 안정화합니다.
이러한 보정을 수행하지 않으면 체계적인 측정 오류가 학습 중에 모델에 인코딩되어 나중에 구성 차이로 잘못 해석될 수 있습니다.
데이터 무결성 교육: 제어된 데이터가 Large 데이터를 능가합니다
Quantify는 알려진 구성의 버진 폴리머 블렌드를 사용하여 학습되어 지도 학습을 위한 신뢰할 수 있는 기준 정보를 제공합니다.
핵심 발견은 데이터 세트 크기보다 레이블 무결성이 더 중요하다는 것이었습니다. 데이터 양을 늘린다고 해서 반드시 성능이 향상되는 것은 아니며, 오히려 추가 데이터로 인해 일관되지 않은 라벨, 가변 측정 조건 또는 모호한 클래스 정의가 도입되면 모델 견고성이 저하될 수 있습니다. 따라서 신뢰할 수 있는 AI 기반 정량화가 필요합니다:
- 추적 가능한 참조 자료
- 일관된 클래스 정의/경계
- 훈련 데이터 세트에 대한 전문가 검증 및 검토
- 표준화된 측정 프로토콜의 엄격한 준수
Outlook
Proteus® Now Quantify 는 현재 폴리올레핀을 지원하며 추가적인 폴리머 제품군으로 확장되고 있습니다. 구조화된 데이터 수집, 반복적인 재교육, 개발 파트너와 얼리 어답터의 피드백을 통해 개발이 계속되고 있습니다.
AI만으로는 재활용 문제를 해결할 수 없습니다. 그러나 표준화된 측정 프로토콜, 적절한 보정 및 고품질 학습 데이터와 결합하면 AI는 산업 품질 관리 환경 내에서 고급 재료 분석에 대한 접근성, 재현성 및 확장성을 제공하는 강력한 도구가 될 수 있습니다.
빠른 체크리스트: 측정 조건 Proteus® Now Quantify
알 수 없는 샘플을 분석하기 전에 다음 조건이 충족되는지 확인하세요:
측정 파라미터
✅시료 질량: 10 mg ± 1 mg
✅가열 속도: 10 K/min
✅냉각 속도: 10 K/min
교정 상태
✅열 유량 교정(감도) 최신 상태
✅온도 교정(TempCal) 최신 데이터
✅베이스라인 교정(BeFlat®) 적용됨
추가 읽기
폴리머 클래스 내 등급 및 공급업체 간 변동성, 버진 트레이닝 데이터와 재활용 분석 간의 관계, 혼합물 복잡성(중복 피크 및 공결정화 한계 포함)과 같은 주제는 다음 애플리케이션 노트에서 다룹니다: