Introduktion: Kvalitetskontroll möter cirkulär ekonomi
Återvunna material skiljer sig fundamentalt från jungfruliga polymerer. Medan jungfruliga material produceras under strikt kontrollerade förhållanden med väldefinierade specifikationer, representerar återvunna material ofta okända materialsystem. Även när de marknadsförs som "PP" eller "PP-mix" kvarstår betydande osäkerhet om kontaminering, blandade fraktioner, tillsatsförpackningar, nedbrytningshistorik och variabilitet mellan leverantörer. Tekniska datablad, om sådana finns, är ofta ofullständiga och otillförlitliga. Small Variationer i sammansättningen av polymerblandningar kan leda till oproportionerligt large stora effekter på bearbetningsbeteende och slutprestanda, inklusive mekanisk instabilitet, bearbetningsfel eller långsiktig försämring av egenskaper. Denna osäkerhet leder till konservativa beslut, t.ex. överkonstruktion, nedgradering av material eller att återvunna produkter helt förkastas. Dessa metoder begränsar det ekonomiska värdet av återvunnet material och bromsar övergången till en cirkulär plastekonomi.
Proteus® Now Quantify
För att åtgärda detta analytiska gap har NETZSCH utvecklat Proteus® Now Quantify, en AI-stödd lösning baserad på DSC (Differential Scanning Calorimetry) för identifiering och kvantifiering av polymersammansättningar i okända material. Den viktigaste kunskapen från utvecklingen är att tillförlitligheten hos AI-baserad kvantifiering i grunden beror på kvaliteten, konsekvensen och standardiseringen av träningsdata.
AI kompenserar inte för dålig datakvalitet
Algoritmer för maskininlärning kan inte korrigera för inkonsekventa experiment, systematiska mätfel eller felaktiga data. Istället lär de sig de statistiska samband som finns i datasetet - oavsett om dessa samband återspeglar fysiskt materialbeteende eller experimentella artefakter. Om mätparametrar varierar, kalibreringar avviker eller etiketter är inkonsekventa, kommer modellen att internalisera dessa inkonsekvenser som giltiga mönster.
För att Quantify skulle lyckas med implementeringen krävdes mer än att bara sammanställa ett dataset från large. Det krävdes också att alla träningsdata genererades under identiska, väldefinierade experimentella förhållanden. Detta krav härrör från de grundläggande egenskaperna hos DSC-mätningar och hur deras signaler tolkas av maskininlärningsmodeller.
DSC-kurvor ger ett termiskt fingeravtryck av polymersystem, inklusive smältövergångar, kristallisationsbeteende och glasövergångsfunktioner. Dessa egenskaper är mycket informativa för identifiering och kvantifiering av polymerer. De är dock också känsliga för experimentella parametrar. Ur ett maskininlärningsperspektiv är den variabilitet som uppstår när mätparametrarna ändras statistiskt sett omöjlig att skilja från den variabilitet som orsakas av skillnader i materialsammansättning.
Följaktligen: Träningsdata och okända prover måste mätas under samma, strikt standardiserade förhållanden för en fysiskt meningsfull och industriellt tillförlitlig AI-baserad kvantifiering.
Standardiserade mätförhållanden för Proteus® Now Quantify
Provets massa
Provets massa påverkar direkt toppens bredd och form:
- Hög massa leder till termiska gradienter och ökar den termiska fördröjningen, vilket resulterar i toppbreddning, temperaturförskjutningar och minskad upplösning mellan överlappande övergångar.
- Låg massa ökar signal/brusförhållandet, vilket ökar baslinjekänsligheten och mätosäkerheten.
En schematisk bild av denna effekt visas i figur 1, medan ett verkligt exempel på en polymerblandning visas i figur 2.
I Proteus® Now Quantify används ett standardiserat värde på 10 mg. Denna parameter användes som ett träningsförhållande för Quantifys ML-modeller, och avvikelser påverkar signalstyrkan eller toppens form.
Uppvärmnings- och avkylningshastigheter
Uppvärmnings- och kylningshastigheter påverkar toppens position och form. Även identiska material uppvisar systematiska förskjutningar i topposition och morfologi vid olika hastigheter.
- Högre uppvärmningshastigheter flyttar övergångar till högre temperaturer och kan bredda topparna, vilket minskar upplösningen mellan nära varandra liggande termiska händelser.
- Högre kylhastigheter förskjuter kristalliseringen till lägre temperaturer och kan förändra topparnas form och skenbara Kristallinitet / Grad av kristallinitetMed kristallinitet avses graden av strukturell ordning i ett fast ämne. I en kristall är arrangemanget av atomer eller molekyler konsekvent och repetitivt. Många material, t.ex. glaskeramik och vissa polymerer, kan framställas på ett sådant sätt att en blandning av kristallina och amorfa områden uppstår.kristallinitet.
Dessa effekter visas schematiskt i figur 3, medan figurerna 4 och 5 visar ett exempel på en polymerblandning.
För att säkerställa jämförbarheten mellan träningsdata och applikationsmätningar är både värme- och kylhastigheterna fasta. I Proteus® Now Quantify används ett värde på 10 K/min. Denna parameter representerar en optimerad balans mellan upplösning och mättid och valdes specifikt för att säkerställa robust och reproducerbar modellprestanda.
Krav på kalibrering av DSC-instrument
Förutom standardiserade mätparametrar är korrekt instrumentkalibrering avgörande för att säkerställa att extraherade DSC-egenskaper är fysiskt meningsfulla och jämförbara över tid och instrument.
- Värmeflödeskalibrering (känslighet): Ger korrekta entalpivärden (J/g), vilket är avgörande för sammansättningen.
- Temperaturkalibrering (TempCal): Levererar korrekta starttemperaturer, smältpunkter och glasövergångstemperaturer som används för materialidentifiering.
- Baslinjekalibrering (BeFlat®): Stabiliserar baslinjen för att förhindra artefakter som kan misstolkas som materialrelaterade egenskaper av maskininlärningsmodellen.
Utan dessa kalibreringar kan systematiska mätfel kodas in i modellen under utbildningen och därefter misstolkas som skillnader i sammansättning.
Utbildning i dataintegritet: Kontrollerad data är bättre än Large data
Quantify tränades med hjälp av jungfruliga polymerblandningar med kända sammansättningar, vilket gav tillförlitlig grundinformation för övervakad inlärning.
En viktig slutsats var att etikettintegritet är viktigare än datasetets storlek. Att öka mängden data förbättrar inte nödvändigtvis prestandan; i själva verket kan modellens robusthet försämras om ytterligare data introducerar inkonsekventa etiketter, varierande mätförhållanden eller tvetydiga klassdefinitioner. Tillförlitlig AI-baserad kvantifiering kräver därför:
- Spårbara referensmaterial
- Konsekventa klassdefinitioner/gränser
- Expertvalidering och granskning av träningsdataset
- Strikt efterlevnad av standardiserade mätprotokoll
Utsikter
Proteus® Now Quantify stöder för närvarande polyolefiner och håller på att utvidgas till ytterligare polymerfamiljer. Utvecklingen fortsätter genom strukturerad datainsamling, iterativ omskolning och feedback från utvecklingspartners och tidiga användare.
AI kommer inte ensamt att lösa utmaningarna inom återvinning. Men i kombination med standardiserade mätprotokoll, korrekt kalibrering och högkvalitativa utbildningsdata blir AI ett kraftfullt verktyg för att göra avancerad materialanalys tillgänglig, reproducerbar och skalbar inom industriella kvalitetskontrollmiljöer.
Snabb checklista: Mätförhållanden för Proteus® Now Quantify
Innan du analyserar okända prover ska du se till att följande villkor är uppfyllda:
Mätningsparametrar
✅Provets massa: 10 mg ± 1 mg
✅Uppvärmningshastighet: 10 K/min
✅Kylningshastighet: 10 K/min
Kalibreringsstatus
✅Värmeflödeskalibrering (känslighet) aktuell
✅Temperaturkalibrering (TempCal) aktuell
✅Baslinjekalibrering (BeFlat®) tillämpad
Ytterligare läsning
Ämnen som variabilitet mellan kvaliteter och leverantörer inom en polymerklass, förhållandet mellan jungfrulig utbildningsdata och återvinningsanalys samt blandningskomplexitet (inklusive överlappande toppar och samkristallisationsgränser) behandlas i följande Application Notes:
Använda DSC för att kvantifiera polymerblandningar - möjligheter och utmaningar
DSC-mätningar på återvinningsmaterial: Objektiv tolkning med hjälp av Proteus® Now Quantify