Введение: Контроль качества и круговая экономика
Рециклаты принципиально отличаются от первичных полимеров. В то время как первичные материалы производятся в строго контролируемых условиях с четко определенными спецификациями, рециклаты часто представляют собой неизвестные системы материалов. Даже если они продаются как "ПП" или "смесь ПП", остается значительная неопределенность в отношении загрязнения, смешанных фракций, пакетов добавок, истории деградации и изменчивости от поставщика к поставщику. Технические паспорта, если они имеются, часто неполны и ненадежны. Small Композиционные вариации в полимерных смесях могут привести к непропорционально large влиянию на поведение при переработке и конечные характеристики, включая механическую нестабильность, разрушение при переработке или долгосрочное ухудшение свойств. Эта неопределенность заставляет принимать консервативные решения, такие как чрезмерная инженерия, снижение качества материала или полный отказ от использования рециклата. Такая практика ограничивает экономическую ценность переработанных материалов и замедляет переход к циркулярной экономике пластмасс.
Proteus® Now Quantify
Для устранения этого пробела в аналитике компания NETZSCH разработала Proteus® Now Quantify- решение на основе дифференциальной сканирующей калориметрии (ДСК) с поддержкой искусственного интеллекта для идентификации и количественного определения состава полимеров в неизвестных материалах. Ключевое знание, полученное в ходе разработки, заключается в том, что надежность количественной оценки на основе ИИ в значительной степени зависит от качества, согласованности и стандартизации обучающих данных.
ИИ не компенсирует низкое качество данных
Алгоритмы машинного обучения не могут исправить непоследовательные эксперименты, систематические ошибки измерений или неверные данные. Вместо этого они изучают статистические взаимосвязи, присутствующие в наборе данных, независимо от того, отражают ли эти взаимосвязи физическое поведение материала или экспериментальные артефакты. Если параметры измерений меняются, калибровки дрейфуют или метки непоследовательны, модель воспринимает эти несоответствия как достоверные закономерности.
Для успешного внедрения Quantify потребовалось не только собрать набор данных large. Необходимо было также обеспечить, чтобы все обучающие данные были получены в идентичных, четко определенных экспериментальных условиях. Это требование обусловлено фундаментальными характеристиками измерений ДСК и тем, как их сигналы интерпретируются моделями машинного обучения.
Кривые ДСК позволяют получить тепловой отпечаток полимерных систем, включая переходы плавления, поведение при кристаллизации и особенности стеклования. Эти характеристики очень информативны для идентификации и количественного определения полимеров. Однако они также чувствительны к экспериментальным параметрам. С точки зрения машинного обучения, изменчивость, вносимая изменением параметров измерения, статистически неотличима от изменчивости, вызванной различиями в составе материала.
Следовательно: Обучающие данные и неизвестные образцы должны быть измерены в одинаковых, строго стандартизированных условиях для физически значимой и промышленно надежной количественной оценки на основе ИИ.
Стандартизированные условия измерения для Proteus® Now Quantify
Масса образца
Масса образца напрямую влияет на ширину и форму пика:
- Высокая масса приводит к возникновению тепловых градиентов и увеличению теплового запаздывания, что приводит к уширению пиков, температурным сдвигам и снижению разрешения между перекрывающимися переходами.
- Низкая масса увеличивает соотношение сигнал/шум, повышая чувствительность базовой линии и погрешность измерений.
Схематическое представление этого эффекта показано на рисунке 1, а реальный пример полимерной смеси - на рисунке 2.
На сайте Proteus® Now Quantify использовано стандартизированное значение 10 мг. Этот параметр использовался в качестве условия обучения для ML-моделей Quantify, и отклонения влияют на силу сигнала или форму пика.
Скорости нагрева и охлаждения
Скорость нагрева и охлаждения влияет на положение и форму пика. Даже идентичные материалы демонстрируют систематические сдвиги в положении и морфологии пиков при различных скоростях.
- Более высокие скорости нагрева смещают переход к более высоким температурам и могут расширять пики, снижая разрешение между близко расположенными термическими событиями.
- Более высокие скорости охлаждения сдвигают кристаллизацию к более низким температурам и могут изменить форму пиков и видимую кристалличность.
Эти эффекты схематично представлены на рисунке 3, а на рисунках 4 и 5 показан пример полимерной смеси.
Чтобы обеспечить сопоставимость учебных данных и результатов измерений, скорости нагрева и охлаждения фиксированы. В Proteus® Now Quantify используется значение 10 К/мин. Этот параметр представляет собой оптимальный баланс между разрешением и временем измерения и был специально выбран для обеспечения надежной и воспроизводимой работы модели.
Требования к калибровке приборов ДСК
Помимо стандартизированных параметров измерения, правильная калибровка прибора необходима для того, чтобы извлеченные характеристики ДСК были физически значимыми и сопоставимыми по времени и приборам.
- Калибровка по тепловому потоку (чувствительность): Обеспечивает правильные значения энтальпии (Дж/г), что очень важно для определения состава.
- Калибровка температуры (TempCal): Обеспечивает точные температуры начала, точки плавления и температуры стеклования, используемые для идентификации материалов.
- Калибровка базовой линии (BeFlat®): Стабилизирует базовую линию для предотвращения артефактов, которые могут быть неправильно интерпретированы моделью машинного обучения как характеристики, связанные с материалом.
Без такой калибровки систематические ошибки измерений могут быть закодированы в модели во время обучения и впоследствии неверно интерпретированы как различия в составе.
Обучение целостности данных: Контролируемые данные выигрывают у данных Large
Для обучения Quantify использовались первичные полимерные смеси с известным составом, что позволило получить надежные исходные данные для контролируемого обучения.
Ключевым выводом стало то, что целостность меток важнее, чем размер набора данных. Увеличение количества данных не обязательно улучшает производительность; более того, устойчивость модели может ухудшиться, если дополнительные данные вводят непоследовательные метки, изменяющиеся условия измерения или неоднозначные определения классов. Поэтому для надежной количественной оценки на основе ИИ необходимы:
- Прослеживаемые эталонные материалы
- Последовательные определения/границы классов
- Экспертная проверка и анализ обучающих наборов данных
- Строгое соблюдение стандартизированных протоколов измерений
Outlook
Proteus® Now Quantify в настоящее время он поддерживает полиолефины и расширяется на другие семейства полимеров. Разработка продолжается путем структурированного сбора данных, итеративного переобучения и обратной связи с партнерами по разработке и ранними последователями.
Сам по себе искусственный интеллект не решит проблемы рециклинга. Однако в сочетании со стандартизированными протоколами измерений, правильной калибровкой и высококачественными обучающими данными ИИ становится мощным инструментом, позволяющим сделать передовой анализ материалов доступным, воспроизводимым и масштабируемым в условиях промышленного контроля качества.
Быстрый контрольный список: Условия измерения для Proteus® Now Quantify
Перед анализом неизвестных образцов убедитесь, что соблюдены следующие условия:
Параметры измерения
✅Масса образца: 10 мг ± 1 мг
✅Скорость нагрева: 10 К/мин
✅ Скорость охлаждения: 10 К/мин
Состояние калибровки
✅ Калибровка теплового потока (чувствительность) до настоящего времени
✅ Калибровка температуры (TempCal) до настоящего времени
✅ Базовая калибровка (BeFlat®) применяется
Дальнейшее чтение
Такие темы, как вариативность между сортами и поставщиками в пределах класса полимеров, взаимосвязь между данными по первичной подготовке и анализом вторичного сырья, а также сложность смесей (включая перекрывающиеся пики и пределы совместной кристаллизации), рассматриваются в следующих заметках по применению:
Использование ДСК для количественной оценки полимерных смесей - возможности и проблемы
Измерения ДСК на материалах вторичной переработки: Объективная интерпретация с Proteus® Now Quantify