버진 데이터에 대한 학습이 효과적인 이유: 자연스러운 등급 간 스프레드가 성능 저하로 인한 변화보다 더 큼성능 저하로 인한 변화보다 큽니다
재활용, 성능 저하 및 DSC가 적합한 이유신원 확인
재활용품은 필연적으로 '처리 및 초기 서비스' 이력을 가지고 있습니다. 열, 열 산화, 기계적 스트레스와 환경적 영향(온도 주기, 자외선, 화학물질)은 사슬 절단, 때때로 분지 또는 가교, 분자량 분포의 변화를 유발할 수 있습니다. 그 결과 용융 흐름의 변화와 때때로 색상/냄새가 발생할 수 있습니다. 예를 들어, 반복적인 압출은 사슬 분절로 인해 PP 또는 HIPS에서 MFI를 증가시킬 수 있는 반면, LDPE에서는 여러 사이클 후에 가교가 지배적이어서 MFI가 낮아질 수 있습니다. 이러한 분해 모드는 재활용 문헌에서 잘 확립되어 있습니다. [1].
DSC는 분해가 발생하더라도 폴리머 제품군을 식별하는 데 여전히 적합합니다: 많은 폴리머, 특히 폴리올레핀의 경우 용융/결정화 지문은 중간 정도의 재처리에서 비교적 견고합니다. 측정 가능한 열화 신호는 일반적으로 제품군 내의 자연적인 등급 간 변동성보다 작으며, 이는 아래 PP 결과를 해석하는 데 있어 중요한 맥락입니다.
이러한 문제를 해결하고 DSC를 사용하여 폴리머 조성의 강력하고 재현 가능한 평가를 가능하게 하기 위해 Proteus® Now Quantify 이 개발되었습니다. 이 소프트웨어는 머신 러닝 기반 모델을 사용하여 샘플이 실제 노화 또는 열화를 보이는 경우에도 DSC 곡선에서 정확한 조성, 품질 및 혼합 비율을 도출합니다. 이는 샘플이 실제와 같은 노화 또는 성능 저하 상태를 보이는 경우에도 DSC 곡선으로부터 종합적인 구성과 혼합 비율을 기반으로 합니다. 이는 신중하게 선별된 포괄적인 훈련 데이터 세트와 폴리머 환경에서 머신 러닝을 위해 특별히 개발된 접근 방식 덕분입니다.
Proteus® Now Quantify 라벨 품질이 중요하기 때문에 버진 재료와 보정된 혼합물(알려진 성분, 알려진 질량 비율)을 사용하여 학습했습니다. 소비 후 또는 "저하된" 데이터 세트는 종종 불확실한 구성(알 수 없는 혼합물, 다층, 레거시 안정제, 오염)을 가지고 있습니다.
이러한 보정된 블렌드 데이터를 사용하면 실제 제품군 확산을 파악할 수 있습니다. 이러한 설계 선택을 통해 모델은 잠재적으로 부정확한 품질 저하 라벨에 의존하지 않고도 현실적으로 품질이 저하된 샘플로 일반화할 수 있습니다.
주요 요점: 보정된 혼합 데이터에 존재하는 다양한 품질을 학습하기 때문에 새로운 재료를 사용하여 학습된 ML 모델을 사용하는 것이 타당합니다. 분해로 인한 일반적인 변화는 이러한 가변성의 범위에 속합니다.
PP의 예를 사용하여 DSC에서 성능 저하가 나타나는 방식
폴리머의 용융 거동은 분자량과 라멜라 구조의 영향을 받습니다. 사슬 절단은 폴리머 사슬을 짧게 만들고 용융 온도(Tm)를 낮추는 경향이 있습니다. PP의 경우, 이 감소는 일반적으로 버진 소재와 다중 가공된 소재 사이에서 2~3°C 정도 발생합니다. 미미한 변화이기는 하지만 DSC의 감도를 고려할 때 이러한 변화는 여전히 중요합니다.
에스텔라 등[2]은 여러 압출 사이클에 걸쳐 버진과 재가공 PP의 용융 흡열이 피크 위치와 엔탈피 모두에서 거의 동일하게 유지된다는 사실을 입증함으로써 이를 확인했습니다. 이는 최종 결정 구조와 결정화 정도가 대체로 보존되어 반복적인 열 및 기계적 스트레스 하에서 분자 구조의 안정성을 반영합니다.
반면, 냉각 중 결정화 발열은 더 민감합니다. 재처리된 PP는 분자량 분포 및 핵 형성의 변화와 일치하는 시작, 결정화 온도 및 피크 모양에서 미묘한 변화를 보입니다. 이는 분자량 분포 또는 핵 형성의 변화와 일치하며, 이는 Kinetics Neo [2]를 사용한 동역학 연구에서 입증된 바 있습니다.
에스텔라의 가장 가혹한 처리 조건(압출기 250°C, 50rpm)에서 용융 곡선은 버진에서 1~6배 재처리까지 거의 변하지 않는 반면 냉각 곡선은 더 높은 결정화 온도/온도로 약간 이동합니다. 가장 큰 변화는 버진 → 1× → 2×에서 발생하며, 그 이후에는 점도와 결정화 모두에서 추가적인 변화가 미미하며, 이러한 조건에서 분자량/라멜라 구조의 하한에 가까워지면서 재료와 더 일관성을 유지합니다. 이 준고원에 도달하면 더 이상의 열화는 너무 느리게 진행되거나 DSC의 감도보다 낮은 효과를 유발합니다. DSC 결과는 그림 1에 요약되어 다시 표시되어 있습니다.
주요 요점: PP 재처리는 ~2~3°C 낮은 Tm 범위의 미미한 DSC 효과와 냉각 발열량의 미묘한 변화만을 보여줍니다. 또한 보정된 블렌드 데이터에서 광범위한 등급 스프레드를 학습하는 버진 훈련 모델은 일반적인 열화 변화가 이러한 변동성 내에 속하기 때문에 정당화됩니다.
학년 간 변동성 대 성능 저하(왜버진 트레이닝이 효과적인가)
PP 재처리 효과를 등급 변동성 옆에 배치하는 것은 교육 전략의 근거를 강조합니다. Identify 데이터베이스의 large 참조 세트(KIMW 데이터베이스의 1200개 이상의 폴리머 등급 포함)에서 PP 등급은 ~159.5 ~ 168.7°C의 Tm과ΔHm ≈ 73 ~ 114 J/g의 범위를 나타내며, 이는 재처리로 인한 ~2~3°C 변화보다 훨씬 더 넓은 범위이며 피크 모양도 등급마다 다릅니다. 따라서 재활용 PP는 서로 관련이 없는 두 개의 버진 PP 등급이 서로 다른 것보다 재활용 PP가 자체 버진 PP와 차이가 적은 경우가 많습니다. Identify 에서 발췌한 데이터 세트는 그림 1의 버진 PP와 비교하여 그림 2에 표시되어 있습니다.
폴리아미드의 경우 일반적으로 분해 효과가 더 뚜렷하게 나타납니다. 문헌 보고에 따르면 여러 재처리 단계를 거친 후 열적 특성이 더 크게 변화하는 것으로 나타났는데, 이는 PA와 같은 축합 폴리머가 특히 사슬 절단, 수분 흡수, 가수 분해에 민감하여 결정성을 더 크게 변화시킬 수 있기 때문입니다.
그러나 이러한 효과에도 불구하고 측정된 변화는 일반적으로 PA6 등급에서 관찰되는 광범위한 변동성 내에 머물러 있습니다. 그림 3은 215.2~223.8°C의 용융 피크와 ≈ 53~≈ 112 J/g의 용융 엔탈피(약 60 J/g의 스프레드)로 PA6 등급 간의 이러한 등급 변동성을 보여줍니다.
주요 요점: 등급 스프레드가 지배적입니다: Tm (~159.5 ~ 168.7°C) 및 ΔHm (≈ 73-114 J/g)의 PP 등급 변동성은 일반적인 재처리 시프트를 초과합니다.
결론
재활용으로 인한 분해가 DSC 지문에 어떤 영향을 미치는지 이해하는 것은 데이터 기반 분석을 위해 매우 중요합니다. 새로운 Proteus® Now Quantify 소프트웨어는 가능한 가장 광범위한 폴리머 등급과 보정된 블렌드를 포괄하는 선별된 데이터 세트를 사용하여 학습되었습니다. 이를 통해 ML 모델은 내재적인 등급 변동성과 열화로 인한 작지만 체계적인 변화를 모두 포착할 수 있습니다. 이미 1,500개 이상의 혼합 포장 폴리머 데이터 세트가 포함된 Quantify Now는 추가 참조 데이터를 사용할 수 있게 됨에 따라 계속 개선되고 있습니다.
투명성을 위해 폴리머 클래스별 RMSE(평균제곱근오차)를 보고하여 검증을 기반으로 해당 클래스에 대한 모델의 예상 오류를 요약합니다. RMSE가 낮을수록 해당 계열에 대한 모델의 예상 정확도가 높음을 나타냅니다. (이 RMSE는 샘플별 신뢰도 점수가 아닌 모델 품질 지표입니다.) 적용 위험이 높거나 DSC 신호가 모호한 경우, 이제 정량화 결과와 함께 TGA, FTIR 또는 유변학과 같은 보완적인 방법을 사용해야 합니다.