Inleiding: Kwaliteitscontrole en circulaire economie
Recyclaten verschillen fundamenteel van nieuwe polymeren. Terwijl nieuwe materialen worden geproduceerd onder streng gecontroleerde omstandigheden met goed gedefinieerde specificaties, zijn recyclaten vaak onbekende materiaalsystemen. Zelfs wanneer ze als "PP" of "PP-mix" op de markt worden gebracht, blijft er een grote onzekerheid bestaan over vervuiling, gemengde fracties, additievenpakketten, degradatiegeschiedenis en variabiliteit tussen leveranciers. Technische datasheets, indien beschikbaar, zijn vaak onvolledig en onbetrouwbaar. Small Variaties in de samenstelling van polymeermengsels kunnen leiden tot onevenredig large effecten op het verwerkingsgedrag en de uiteindelijke prestaties, waaronder mechanische instabiliteit, verwerkingsfalen of degradatie van eigenschappen op de lange termijn. Deze onzekerheid leidt tot conservatieve beslissingen zoals overengineering, materiaaldegradatie of regelrechte afwijzing van recyclaten. Deze praktijken beperken de economische waarde van gerecyclede materialen en vertragen de overgang naar een circulaire kunststofeconomie.
Proteus® Now Quantify
Om deze analytische leemte op te vullen, ontwikkelde NETZSCH Proteus® Now Quantify , een AI-ondersteunde oplossing op basis van Differential Scanning Calorimetry (DSC) voor de identificatie en kwantificering van polymeercomposities in onbekende materialen. De belangrijkste kennis die is opgedaan tijdens de ontwikkeling is dat de betrouwbaarheid van AI-gebaseerde kwantificering fundamenteel afhangt van de kwaliteit, consistentie en standaardisatie van trainingsgegevens.
AI compenseert slechte datakwaliteit niet
Algoritmen voor machinaal leren kunnen niet corrigeren voor inconsistente experimenten, systematische meetfouten of onjuiste gegevens. In plaats daarvan leren ze de statistische relaties die aanwezig zijn in de dataset - of die relaties nu fysiek materiaalgedrag of experimentele artefacten weerspiegelen. Als meetparameters variëren, kalibraties afwijken of labels inconsistent zijn, zal het model deze inconsistenties internaliseren als geldige patronen.
Voor Quantify was voor een succesvolle implementatie meer nodig dan alleen het samenstellen van een large dataset. Er moest ook voor worden gezorgd dat alle trainingsgegevens werden gegenereerd onder identieke, goed gedefinieerde experimentele omstandigheden. Deze vereiste komt voort uit de fundamentele kenmerken van DSC-metingen en hoe hun signalen worden geïnterpreteerd door machine-learning modellen.
DSC-curves geven een thermische vingerafdruk van polymeersystemen, inclusief smeltovergangen, kristallisatiegedrag en glasovergangskenmerken. Deze kenmerken zijn zeer informatief voor polymeeridentificatie en kwantificering. Ze zijn echter ook gevoelig voor experimentele parameters. Vanuit het oogpunt van machine-leren is de variabiliteit die wordt geïntroduceerd door het veranderen van de meetparameters statistisch niet te onderscheiden van variabiliteit die wordt veroorzaakt door verschillen in materiaalsamenstelling.
Bijgevolg: Trainingsgegevens en onbekende monsters moeten worden gemeten onder dezelfde, strikt gestandaardiseerde omstandigheden voor een fysisch zinvolle en industrieel betrouwbare AI-gebaseerde kwantificering.
Gestandaardiseerde meetomstandigheden voor Proteus® Now Quantify
Monstermassa
De massa van het monster heeft een directe invloed op de piekbreedte en -vorm:
- Een hoge massa leidt tot thermische gradiënten en een grotere thermische vertraging, wat resulteert in piekverbreding, temperatuurverschuivingen en een verminderde resolutie tussen overlappende overgangen.
- Een lage massa verhoogt de signaal-ruisverhouding, waardoor de gevoeligheid van de basislijn en de meetonzekerheid toenemen.
Een schematische weergave van dit effect wordt geïllustreerd in figuur 1, terwijl een echt voorbeeld van een polymeermengsel in figuur 2 wordt getoond.
In Proteus® Now Quantify wordt een gestandaardiseerde waarde van 10 mg toegepast. Deze parameter werd gebruikt als trainingsconditie voor de ML-modellen van Quantify en afwijkingen beïnvloeden de signaalsterkte of piekvorm.
Opwarm- en afkoelsnelheden
Verwarmings- en koelsnelheden beïnvloeden de piekpositie en -vorm. Zelfs identieke materialen vertonen systematische verschuivingen in piekpositie en morfologie bij verschillende snelheden.
- Hogere verhittingssnelheden verschuiven overgangen naar hogere temperaturen en kunnen pieken verbreden, waardoor de resolutie tussen dicht bij elkaar liggende thermische gebeurtenissen afneemt.
- Hogere afkoelsnelheden verschuiven KristallisatieKristallisatie is het fysieke proces van verharding tijdens de vorming en groei van kristallen. Tijdens dit proces komt kristallisatiewarmte vrij.kristallisatie naar lagere temperaturen en kunnen de piekvorm en schijnbare Kristalliniteit / KristalliniteitsgraadKristalliniteit verwijst naar de mate van structurele orde van een vaste stof. In een kristal is de ordening van atomen of moleculen consistent en repetitief. Veel materialen zoals glaskeramiek en sommige polymeren kunnen zo worden bereid dat er een mengsel ontstaat van kristallijne en amorfe gebieden. kristalliniteit veranderen.
Deze effecten worden schematisch weergegeven in figuur 3, terwijl de figuren 4 en 5 een voorbeeld van een polymeermengsel laten zien.
Om de vergelijkbaarheid tussen trainingsgegevens en toepassingsmetingen te garanderen, zijn zowel de verwarmings- als de koelsnelheden vastgesteld. In Proteus® Now Quantify wordt een waarde van 10 K/min toegepast. Deze parameter vertegenwoordigt een optimale balans tussen resolutie en meettijd en werd specifiek gekozen om robuuste en reproduceerbare modelprestaties te garanderen.
Vereisten voor DSC-instrumentkalibratie
Naast gestandaardiseerde meetparameters is een juiste kalibratie van het instrument essentieel om ervoor te zorgen dat de geëxtraheerde DSC-eigenschappen fysisch zinvol en vergelijkbaar zijn tussen verschillende tijden en instrumenten.
- Warmtestroomkalibratie (Gevoeligheid): Zorgt voor correcte enthalpie-waarden (J/g), die cruciaal zijn voor de samenstelling.
- Temperatuurkalibratie (TempCal): Levert nauwkeurige begintemperaturen, smeltpunten en glasovergangstemperaturen die worden gebruikt voor materiaalidentificatie.
- Baseline kalibratie (BeFlat®): Stabiliseert de basislijn om artefacten te voorkomen die door het machine-learning model verkeerd geïnterpreteerd kunnen worden als materiaalgerelateerde kenmerken.
Zonder deze kalibraties kunnen systematische meetfouten in het model worden gecodeerd tijdens de training en vervolgens verkeerd worden geïnterpreteerd als compositieverschillen.
Integriteit van trainingsgegevens: Gecontroleerde gegevens zijn beter dan Large gegevens
Quantify werd getraind met zuivere polymeermengsels met bekende samenstellingen, waardoor een betrouwbare basis voor supervised learning werd verkregen.
Een belangrijke bevinding was dat labelintegriteit belangrijker is dan de grootte van de dataset. Het vergroten van de hoeveelheid gegevens leidt niet noodzakelijkerwijs tot betere prestaties; in feite kan de robuustheid van het model verslechteren als aanvullende gegevens inconsistente labels, variabele meetomstandigheden of dubbelzinnige klassedefinities introduceren. Betrouwbare, op AI gebaseerde kwantificering vereist daarom
- Herleidbare referentiematerialen
- Consistente klassendefinities/grenzen
- Deskundige validatie en beoordeling van trainingsdatasets
- Strikte naleving van gestandaardiseerde meetprotocollen
Outlook
Proteus® Now Quantify ondersteunt momenteel polyolefinen en wordt uitgebreid naar andere polymeerfamilies. De ontwikkeling gaat verder door gestructureerde gegevensverzameling, iteratieve bijscholing en feedback van ontwikkelingspartners en early adopters.
AI alleen zal de uitdagingen van recycling niet oplossen. In combinatie met gestandaardiseerde meetprotocollen, de juiste kalibratie en hoogwaardige trainingsgegevens wordt AI echter een krachtig hulpmiddel om geavanceerde materiaalanalyses toegankelijk, reproduceerbaar en schaalbaar te maken binnen industriële omgevingen voor kwaliteitscontrole.
Snelle checklist: Meetvoorwaarden voor Proteus® Now Quantify
Voordat u onbekende monsters analyseert, moet u ervoor zorgen dat aan de volgende voorwaarden is voldaan:
Meetparameters
✅Monstermassa: 10 mg ± 1 mg
✅Verwarmingssnelheid: 10 K/min
✅Koelsnelheid: 10 K/min
Kalibratiestatus
✅Warmtestroomkalibratie (gevoeligheid) bijgewerkt
✅Temperatuurkalibratie (TempCal) bijgewerkt
✅Basislijnkalibratie (BeFlat®) toegepast
Verder lezen
Onderwerpen zoals variabiliteit tussen kwaliteiten en leveranciers binnen een polymeerklasse, de relatie tussen zuivere trainingsgegevens en recyclaatanalyse, en complexiteit van mengsels (inclusief overlappende pieken en co-kristallisatiegrenzen) worden behandeld in de volgende toepassingsnoten:
DSC gebruiken om polymeermengsels te kwantificeren - mogelijkheden en uitdagingen
DSC metingen op recyclagematerialen: Objectieve interpretatie met Proteus® Now Quantify