Wprowadzenie: Kontrola jakości spotyka się z gospodarką o obiegu zamkniętym
Recyklaty różnią się zasadniczo od pierwotnych polimerów. Podczas gdy materiały pierwotne są produkowane w ściśle kontrolowanych warunkach z dobrze zdefiniowanymi specyfikacjami, recyklaty często stanowią nieznane systemy materiałowe. Nawet jeśli są sprzedawane jako "PP" lub "mieszanka PP", pozostaje znaczna niepewność co do zanieczyszczenia, mieszanych frakcji, pakietów dodatków, historii degradacji i zmienności między dostawcami. Arkusze danych technicznych, jeśli są dostępne, są często niekompletne i niewiarygodne. Small Różnice w składzie mieszanek polimerów mogą powodować nieproporcjonalnie large duży wpływ na zachowanie podczas przetwarzania i końcową wydajność, w tym niestabilność mechaniczną, awarię przetwarzania lub długoterminową degradację właściwości. Ta niepewność prowadzi do konserwatywnych decyzji, takich jak nadmierna inżynieria, obniżanie jakości materiałów lub całkowite odrzucenie recyklatów. Praktyki te ograniczają wartość ekonomiczną materiałów pochodzących z recyklingu i spowalniają Punkt przecięciaW teście reologicznym, takim jak przemiatanie częstotliwości lub przemiatanie czas/temperatura, punkt przecięcia jest wygodnym punktem odniesienia wskazującym punkt "przejścia" próbki. przejście w kierunku gospodarki o obiegu zamkniętym tworzyw sztucznych.
Proteus® Now Quantify
Aby wypełnić tę lukę analityczną, firma NETZSCH opracowała Proteus® Now Quantify, rozwiązanie wspierane przez sztuczną inteligencję oparte na różnicowej kalorymetrii skaningowej (DSC) do identyfikacji i kwantyfikacji składu polimerów w nieznanych materiałach. Kluczową wiedzą zdobytą podczas jego rozwoju jest to, że niezawodność kwantyfikacji opartej na sztucznej inteligencji zależy zasadniczo od jakości, spójności i standaryzacji danych szkoleniowych.
Sztuczna inteligencja nie rekompensuje niskiej jakości danych
Algorytmy uczenia maszynowego nie mogą korygować niespójnych eksperymentów, systematycznych błędów pomiarowych lub nieprawidłowych danych. Zamiast tego uczą się zależności statystycznych obecnych w zbiorze danych - niezależnie od tego, czy zależności te odzwierciedlają fizyczne zachowanie materiału, czy artefakty eksperymentalne. Jeśli parametry pomiarowe różnią się, kalibracje dryfują lub etykiety są niespójne, model zinternalizuje te niespójności jako prawidłowe wzorce.
W przypadku Quantify pomyślne wdrożenie wymagało czegoś więcej niż tylko zebrania zestawu danych large. Wymagało to również zapewnienia, że wszystkie dane treningowe zostały wygenerowane w identycznych, dobrze zdefiniowanych warunkach eksperymentalnych. Wymóg ten wynika z podstawowych cech pomiarów DSC i sposobu, w jaki ich sygnały są interpretowane przez modele uczenia maszynowego.
Krzywe DSC zapewniają termiczny odcisk palca systemów polimerowych, w tym przejścia topnienia, zachowanie krystalizacji i cechy przejścia szklistego. Charakterystyki te są bardzo przydatne do identyfikacji i kwantyfikacji polimerów. Są one jednak również wrażliwe na parametry eksperymentalne. Z perspektywy uczenia maszynowego zmienność wprowadzona przez zmianę parametrów pomiarowych jest statystycznie nieodróżnialna od zmienności spowodowanej różnicami w składzie materiału.
W konsekwencji: Dane treningowe i nieznane próbki muszą być mierzone w tych samych, ściśle znormalizowanych warunkach, aby kwantyfikacja oparta na sztucznej inteligencji była fizycznie znacząca i niezawodna w przemyśle.
Znormalizowane warunki pomiaru dla Proteus® Now Quantify
Masa próbki
Masa próbki ma bezpośredni wpływ na szerokość i kształt piku:
- Wysoka masa prowadzi do gradientów termicznych i zwiększa opóźnienie termiczne, powodując poszerzenie piku, przesunięcia temperatury i zmniejszoną rozdzielczość między nakładającymi się przejściami.
- Niska masa zwiększa stosunek sygnału do szumu, zwiększając czułość linii bazowej i niepewność pomiaru.
Schematyczne przedstawienie tego efektu zilustrowano na rysunku 1, a rzeczywisty przykład mieszaniny polimerów pokazano na rysunku 2.
Na stronie Proteus® Now Quantify zastosowano znormalizowaną wartość 10 mg. Parametr ten został użyty jako warunek treningowy dla modeli ML Quantify, a odchylenia wpływają na siłę sygnału lub kształt piku.
Szybkość ogrzewania i chłodzenia
Szybkość ogrzewania i chłodzenia wpływa na położenie i kształt piku. Nawet identyczne materiały wykazują systematyczne przesunięcia w pozycji piku i morfologii przy różnych prędkościach.
- Wyższe szybkości ogrzewania przesuwają przejścia do wyższych temperatur i mogą poszerzać piki, zmniejszając rozdzielczość między blisko rozmieszczonymi zdarzeniami termicznymi.
- Wyższe szybkości chłodzenia przesuwają krystalizację do niższych temperatur i mogą zmieniać kształt piku i pozorną krystaliczność.
Efekty te są schematycznie przedstawione na rysunku 3, podczas gdy rysunki 4 i 5 pokazują przykład mieszaniny polimerów.
Aby zapewnić porównywalność danych szkoleniowych i pomiarów aplikacji, zarówno szybkość ogrzewania, jak i chłodzenia są stałe. W witrynie Proteus® Now Quantify zastosowano wartość 10 K/min. Parametr ten reprezentuje zoptymalizowaną równowagę między rozdzielczością a czasem pomiaru i został specjalnie wybrany, aby zapewnić solidną i powtarzalną wydajność modelu.
Wymagania dotyczące kalibracji urządzenia DSC
Oprócz znormalizowanych parametrów pomiarowych, właściwa kalibracja przyrządu jest niezbędna do zapewnienia, że wyodrębnione cechy DSC są fizycznie znaczące i porównywalne w czasie i przyrządach.
- Kalibracja przepływu ciepła (czułość): Zapewnia prawidłowe wartości entalpii (J/g), które są krytyczne dla składu.
- Kalibracja temperatury (TempCal): Zapewnia dokładne temperatury początku, temperatury topnienia i temperatury zeszklenia wykorzystywane do identyfikacji materiału.
- Kalibracja linii bazowej (BeFlat®): Stabilizuje linię bazową, aby zapobiec artefaktom, które mogłyby zostać błędnie zinterpretowane przez model uczenia maszynowego jako cechy związane z materiałem.
Bez tych kalibracji systematyczne błędy pomiarowe mogą zostać zakodowane w modelu podczas uczenia, a następnie błędnie zinterpretowane jako różnice w składzie.
Integralność danych szkoleniowych: Kontrolowane dane przewyższają dane Large
Quantify został wytrenowany przy użyciu pierwotnych mieszanek polimerów o znanym składzie, zapewniając wiarygodną prawdę dla nadzorowanego uczenia się.
Kluczowym odkryciem było to, że integralność etykiet jest ważniejsza niż rozmiar zbioru danych. Zwiększenie ilości danych niekoniecznie poprawia wydajność; w rzeczywistości odporność modelu może się pogorszyć, jeśli dodatkowe dane wprowadzą niespójne etykiety, zmienne warunki pomiaru lub niejednoznaczne definicje klas. Niezawodna kwantyfikacja oparta na sztucznej inteligencji wymaga zatem:
- Identyfikowalnych materiałów referencyjnych
- Spójne definicje/granice klas
- Eksperckiej walidacji i przeglądu treningowych zestawów danych
- Ścisłego przestrzegania standardowych protokołów pomiarowych
Perspektywy
Proteus® Now Quantify obecnie obsługuje poliolefiny i jest rozszerzany na dodatkowe rodziny polimerów. Rozwój jest kontynuowany poprzez ustrukturyzowane gromadzenie danych, iteracyjne przekwalifikowanie i informacje zwrotne od partnerów rozwojowych i pierwszych użytkowników.
Sama sztuczna inteligencja nie rozwiąże wyzwań związanych z recyklingiem. Jednak w połączeniu ze znormalizowanymi protokołami pomiarowymi, odpowiednią kalibracją i wysokiej jakości danymi szkoleniowymi, sztuczna inteligencja staje się potężnym narzędziem do udostępniania, odtwarzania i skalowania zaawansowanej analizy materiałów w środowiskach przemysłowej kontroli jakości.
Skrócona lista kontrolna: Warunki pomiaru dla Proteus® Now Quantify
Przed analizą nieznanych próbek należy upewnić się, że spełnione są następujące warunki:
Parametry pomiaru
masa próbki: 10 mg ± 1 mg
✅Częstotliwość ogrzewania: 10 K/min
✅Szybkość chłodzenia: 10 K/min
Status kalibracji
✅Kalibracja przepływu ciepła (czułość) aktualna
✅Kalibracja temperatury (TempCal) aktualna
✅Zastosowano kalibrację bazową (BeFlat®)
Więcej informacji
Tematy takie jak zmienność między gatunkami i dostawcami w obrębie klasy polimerów, związek między pierwotnymi danymi szkoleniowymi a analizą recyklatu oraz złożoność mieszanki (w tym nakładające się piki i limity współkrystalizacji) zostały omówione w poniższych Notach aplikacyjnych:
Wykorzystanie DSC do kwantyfikacji mieszanin polimerów - możliwości i wyzwania
Pomiary DSC materiałów recyklingowych: Obiektywna interpretacja za pomocą Proteus® Now Quantify