Introdução: O controle de qualidade encontra a economia circular
Os reciclados diferem fundamentalmente dos polímeros virgens. Enquanto os materiais virgens são produzidos sob condições rigorosamente controladas e com especificações bem definidas, os reciclados geralmente representam sistemas de materiais desconhecidos. Mesmo quando comercializados como "PP" ou "mistura de PP", permanece uma incerteza significativa com relação à contaminação, frações misturadas, pacotes de aditivos, histórico de degradação e variabilidade de fornecedor para fornecedor. large As fichas técnicas, quando disponíveis, geralmente são incompletas e não confiáveis. Small variações de composição nas misturas de polímeros podem resultar em efeitos desproporcionais no comportamento do processamento e no desempenho final, incluindo instabilidade mecânica, falha no processamento ou degradação da propriedade a longo prazo. Essa incerteza leva a decisões conservadoras, como engenharia excessiva, desclassificação de materiais ou rejeição total de reciclados. Essas práticas limitam o valor econômico dos materiais reciclados e retardam a transição para uma economia circular de plásticos.
Proteus® Now Quantify
Para resolver essa lacuna analítica, o site NETZSCH desenvolveu o Proteus® Now Quantify, uma solução com suporte de IA baseada na Calorimetria Exploratória Diferencial (DSC) para a identificação e quantificação de composições de polímeros em materiais desconhecidos. O principal conhecimento adquirido com seu desenvolvimento é que a confiabilidade da quantificação baseada em IA depende fundamentalmente da qualidade, da consistência e da padronização dos dados de treinamento.
A IA não compensa a baixa qualidade dos dados
Os algoritmos de aprendizado de máquina não podem corrigir experimentos inconsistentes, erros de medição sistemáticos ou dados incorretos. Em vez disso, eles aprendem as relações estatísticas presentes no conjunto de dados, quer essas relações reflitam o comportamento físico do material ou artefatos experimentais. Se os parâmetros de medição variarem, as calibrações se desviarem ou os rótulos forem inconsistentes, o modelo internalizará essas inconsistências como padrões válidos.
Para a Quantify, a implementação bem-sucedida exigiu mais do que apenas a montagem de um conjunto de dados large. Também foi necessário garantir que todos os dados de treinamento fossem gerados sob condições experimentais idênticas e bem definidas. Esse requisito decorre das características fundamentais das medições de DSC e de como seus sinais são interpretados pelos modelos de aprendizado de máquina.
As curvas de DSC fornecem uma impressão digital térmica dos sistemas de polímeros, incluindo transições de Temperaturas e entalpias de fusãoA entalpia de fusão de uma substância, também conhecida como calor latente, é uma medida da entrada de energia, normalmente calor, necessária para converter uma substância do estado sólido para o líquido. O ponto de fusão de uma substância é a temperatura na qual ela muda de estado, passando do sólido (cristalino) para o líquido (fusão isotrópica). fusão, comportamento de CristalizaçãoA cristalização é o processo físico de endurecimento durante a formação e o crescimento de cristais. Durante esse processo, o calor da cristalização é liberado.cristalização e características de transição vítrea. Essas características são altamente informativas para a identificação e quantificação de polímeros. No entanto, elas também são sensíveis aos parâmetros experimentais. De uma perspectiva de aprendizado de máquina, a variabilidade introduzida pela alteração dos parâmetros de medição é estatisticamente indistinguível da variabilidade causada por diferenças na composição do material.
Consequentemente: Os dados de treinamento e as amostras desconhecidas devem ser medidos sob as mesmas condições estritamente padronizadas para que a quantificação baseada em IA seja fisicamente significativa e industrialmente confiável.
Condições de medição padronizadas para Proteus® Now Quantify
Massa da amostra
A massa da amostra afeta diretamente a largura e a forma do pico:
- A alta massa leva a gradientes térmicos e aumenta a defasagem térmica, resultando em alargamento do pico, mudanças de temperatura e resolução reduzida entre transições sobrepostas.
- A baixa massa aumenta a relação sinal/ruído, aumentando a sensibilidade da linha de base e a incerteza da medição.
Uma representação esquemática desse efeito é ilustrada na figura 1, enquanto um exemplo real de uma mistura de polímeros é mostrado na figura 2.
Em Proteus® Now Quantify, é aplicado um valor padronizado de 10 mg. Esse parâmetro foi usado como condição de treinamento para os modelos ML da Quantify, e os desvios afetam a intensidade do sinal ou a forma do pico.
Taxas de aquecimento e resfriamento
As taxas de aquecimento e resfriamento influenciam a posição e a forma do pico. Até mesmo materiais idênticos apresentam mudanças sistemáticas na posição e na morfologia do pico em taxas diferentes.
- Taxas de aquecimento mais altas deslocam as transições para temperaturas mais altas e podem ampliar os picos, reduzindo a resolução entre eventos térmicos com espaçamento próximo.
- Taxas de resfriamento mais altas deslocam a CristalizaçãoA cristalização é o processo físico de endurecimento durante a formação e o crescimento de cristais. Durante esse processo, o calor da cristalização é liberado.cristalização para temperaturas mais baixas e podem alterar a forma do pico e a Cristalinidade / Grau de cristalinidadeA cristalinidade refere-se ao grau de ordem estrutural de um sólido. Em um cristal, o arranjo de átomos ou moléculas é consistente e repetitivo. Muitos materiais, como vidro, cerâmica e alguns polímeros, podem ser preparados de forma a produzir uma mistura de regiões cristalinas e amorfas. cristalinidade aparente.
Esses efeitos são representados esquematicamente na figura 3, enquanto as figuras 4 e 5 mostram um exemplo de uma mistura de polímeros.
Para garantir a comparabilidade entre os dados de treinamento e as medições de aplicação, as taxas de aquecimento e resfriamento são fixas. Em Proteus® Now Quantify, é aplicado um valor de 10 K/min. Esse parâmetro representa um equilíbrio otimizado entre resolução e tempo de medição e foi especificamente selecionado para garantir um desempenho robusto e reproduzível do modelo.
Requisitos de calibração do instrumento DSC
Além dos parâmetros de medição padronizados, a calibração adequada do instrumento é essencial para garantir que os recursos extraídos do DSC sejam fisicamente significativos e comparáveis ao longo do tempo e dos instrumentos.
- Calibração de fluxo de calor (sensibilidade): Fornece valores corretos de entalpia (J/g), que são essenciais para a composição.
- Calibração de temperatura (TempCal): Fornece temperaturas de início, pontos de Temperaturas e entalpias de fusãoA entalpia de fusão de uma substância, também conhecida como calor latente, é uma medida da entrada de energia, normalmente calor, necessária para converter uma substância do estado sólido para o líquido. O ponto de fusão de uma substância é a temperatura na qual ela muda de estado, passando do sólido (cristalino) para o líquido (fusão isotrópica). fusão e temperaturas de transição vítrea precisas usadas para a identificação de materiais.
- Calibração de linha de base (BeFlat®): Estabiliza a linha de base para evitar artefatos que poderiam ser interpretados erroneamente como características relacionadas ao material pelo modelo de aprendizado de máquina.
Sem essas calibrações, erros sistemáticos de medição podem ser codificados no modelo durante o treinamento e, posteriormente, interpretados erroneamente como diferenças de composição.
Integridade dos dados de treinamento: Dados controlados são melhores que dados Large
O Quantify foi treinado com o uso de misturas de polímeros virgens com composições conhecidas, fornecendo uma verdade básica confiável para o aprendizado supervisionado.
Uma descoberta importante foi que a integridade do rótulo é mais importante do que o tamanho do conjunto de dados. Aumentar a quantidade de dados não melhora necessariamente o desempenho; de fato, a robustez do modelo pode se deteriorar se os dados adicionais introduzirem rótulos inconsistentes, condições de medição variáveis ou definições de classe ambíguas. Portanto, a quantificação confiável baseada em IA requer:
- Materiais de referência rastreáveis
- Definições/limites de classe consistentes
- Validação especializada e revisão de conjuntos de dados de treinamento
- Cumprimento rigoroso de protocolos de medição padronizados
Perspectivas
Proteus® Now Quantify atualmente, o sistema suporta poliolefinas e está sendo expandido para outras famílias de polímeros. O desenvolvimento continua por meio de coleta de dados estruturada, retreinamento iterativo e feedback dos parceiros de desenvolvimento e dos primeiros usuários.
A IA, por si só, não resolverá os desafios da reciclagem. No entanto, quando combinada com protocolos de medição padronizados, calibração adequada e dados de treinamento de alta qualidade, a IA torna-se uma ferramenta poderosa para tornar a análise avançada de materiais acessível, reproduzível e dimensionável em ambientes de controle de qualidade industrial.
Lista de verificação rápida: Condições de medição para Proteus® Now Quantify
Antes de analisar amostras desconhecidas, certifique-se de que as seguintes condições sejam atendidas:
Parâmetros de medição
massa da amostra: 10 mg ± 1 mg
✅ Taxa de aquecimento: 10 K/min
✅ Taxa de resfriamento: 10 K/min
Status da calibração
calibração de fluxo de calor (sensibilidade) atualizada
✅ Calibração de temperatura (TempCal) atualizada
✅ Calibração de linha de base (BeFlat®) aplicada
Leitura adicional
Tópicos como variabilidade entre graus e fornecedores em uma classe de polímero, a relação entre dados de treinamento virgem e análise de reciclados e a complexidade da mistura (incluindo picos sobrepostos e limites de co-CristalizaçãoA cristalização é o processo físico de endurecimento durante a formação e o crescimento de cristais. Durante esse processo, o calor da cristalização é liberado.cristalização) são abordados nas Notas de Aplicação a seguir:
Usando DSC para quantificar misturas de polímeros - Possibilidades e desafios
Medições de DSC em materiais de reciclagem: Interpretação objetiva com Proteus® Now Quantify