مترجم: کاوه ممی زاده
این مقاله، بخش تکمیلی و تخصصیتری است از مجموعه مطالب ما در خصوص هوش مصنوعی در صنعت پلیمر. در مقاله جامعتر “هوش مصنوعی در صنعت پلیمر: دگرگونی از پایه تا سودآوری” به بررسی تمامی کاربردهای این فناوری در بخشهای مختلف صنعت میپردازیم. لازم به ذکر است که این مقاله ترجمهای از مقالهی “Artificial intelligence make its way into compounding” است که در شماره آگوست ۲۰۲۵ مجله تخصصی Compounding World به چاپ رسیده است. نویسنده اصلی مقاله جنیفر مارکاریان است که به بررسی چگونگی نفوذ هوش مصنوعی در صنعت کامپاندینگ پرداخته است. (منبع: www.compoundingworld.com)
هوش مصنوعی (AI) و یادگیری ماشین (ML) کاربردهای جدیدی در صنعت کامپاند پلاستیک پیدا کردهاند. کاربردهای پیشین شامل نگهداری پیشبینیکننده و ابزارهای دیجیتال برای خودکارسازی وظایف عملیاتی مؤثر و کارآمد بود.
و اکنون برنامههای کاربردی جدید و کاربرپسندتر شامل رابطهای زبان طبیعی و مدلهای یادگیری ماشینی هستند که دادههای حاصل از آزمایشهای خطی را به اطلاعات محصول و فرآیند تبدیل میکنند. با ظهور این فناوریها، داده و نقش آن در کسبوکارها اهمیت فزایندهای یافته است.
به عنوان مثال، ابزار خودکار آزمایش برای اندازهگیریهای آزمایشگاهی را در نظر بگیرید. این ابزار کار دستی و خطای انسانی را کاهش میدهند، کارایی آزمایشگاهها را افزایش میدهند و جمعآوری دادهها را آسانتر میکنند که برای استفاده از دادهها جهت بهبود فرآیندها بسیار حیاتی است. خالد بوقیله، مدیر عامل LabsCubed میگوید: «آزمایش کشش خودکار، حجم زیادی از دادههای دقیق را تولید میکند. این دادهها زیربنای کاربردهای مؤثر هوش مصنوعی/یادگیری ماشین در بهینهسازی فرآیند تولید و رفع عیوب محصولات هستند.« در زمینه توسعه بازار تجهیزات هوش مصنوعی میتوانیم به شما کمک کنیم.
شرکت LabsCubed که دفتر مرکزی آن در انتاریو کانادا قرار دارد، مجموعهای از سیستمهای خودکار آزمایش خواص فیزیکی را ارائه میدهد، از جمله سیستم CubeTen برای آزمایش خواص فیزیکی پلاستیکها. این سیستمها اندازهگیری خودکار مقاومت کششی، مقاومت پارگی، مدول خمشی و سختی را امکانپذیر میسازند. قابلیت اجرای این آزمایشهای مختلف بدون نیاز به تغییر دستگاه یا تنظیمات، زمان توقف را کاهش میدهد. نرمافزار میتواند به گونهای تنظیم شود که به طور خودکار گزارش تولید کرده و ناهنجاریها را در دادههای آزمایش علامتگذاری کند، که این امر امکان پاسخ سریع به مواد خارج از مشخصات را فراهم میآورد. بوقیله میگوید: «این سیستم آزمایش مدرن با چشمانداز صنعت 4.0 برای تولید هوشمند همراستا است.«
الگوریتمهای یادگیری ماشین و دادهکاوی صنعتی میتوانند برای شناسایی همبستگیها بین پارامترهای کامپاندینگ و خواص محصول استفاده شوند، اما به مقادیر زیادی داده نیاز است، از جمله فرادادههایی (metadata) که جزئیات شرایط محیطی در زمان جمعآوری دادهها را شامل میشوند. در حالی که تجهیزات آزمایش قدیمیتر موجود در صنعت ممکن است قادر به جمعآوری یا انتقال این دادهها نباشند، سیستم LabsCubed برای صنعت 4.0 طراحی شده و میتواند با سیستمهای مدیریت اطلاعات آزمایشگاهی (LIMS) و سیستمهای اجرایی تولید (MES) یکپارچه شود. در آینده، با چنین سیستمهایی، دادهها میتوانند به مدلهای هوش مصنوعی/یادگیری ماشین وارد شوند تا انحرافات احتمالی کیفیت را در طول فرآیند کامپاندینگ پیشبینی کنند و سپس پارامترهای فرآیند میتوانند برای حفظ کیفیت محصول خروجی تنظیم شوند.
در دانشگاه ینا، رباتهای سنتز در حال تحقیق بر روی بازیافت پلیمرها هستند.
چرا دادهها در کامپاندینگ پلاستیک حیاتی هستند؟
شرکت LabsCubed یک پورتال هوش مصنوعی ارائه میدهد که از یک رابط زبان طبیعی برای انتقال نتایج تحلیل داده به کاربران استفاده میکند. این ابزارها بخشی از راهکارهای هوش تجاری هستند. کاربران میتوانند با پرسیدن از یک چتبات، مثلاً پرسیدن “بالاترین مقدار تنش را به من نشان بده”، به دنبال روندها یا خطاها در دادهها باشند. ما در زمینه مشاوره و پیادهسازی سیستمهای هوش مصنوعی به شما کمک میکنیم.
دیگر قابلیتهای مبتنی بر هوش مصنوعی که در حال توسعه هستند، آزمایشها را بیشتر بهبود خواهند بخشید. به عنوان مثال، یک سیستم بینایی با پشتیبانی هوش مصنوعی درون دستگاه میتواند دقت اندازهگیری ازدیاد طول را افزایش دهد. و همچنین ویژگیهای نگهداری پیشبینیکننده سلامت دستگاه را زیر نظر گرفته و به طور خودکار مشکلات جزئی را حل میکند.
بوقیله گفت امروزه که تحلیل داده مبتنی بر هوش مصنوعی در زمینههایی با متغیرهای زیاد، از جمله پرینت سهبعدی و همچنین در توسعه کامپاندهای زیستتخریبپذیر و کامپاندهای حاوی پلاستیک بازیافتی، کاربرد پیدا کرده و مزیت رقابتی ایجاد میکند. او تأکید کرد که دادههای با کیفیت بالا بسیار حیاتی هستند: «اگر دادهها خوب نباشند، پیشبینیها هم خوب نخواهند بود.«
سیستمهای اندازهگیری خطی مبتنی بر اسپکتروسکوپی (رنگ سنجی)میتوانند دادههای لحظهای را ارائه دهند که کل فرآیند تولید را نظارت میکند و این پتانسیل را دارد که اصلاح انحرافات را بدون تأخیر آزمایشگاه ممکن سازد و انحرافاتی را شناسایی کند که ممکن است در یک سیستم نمونهبرداری نادیده گرفته شوند.
همانطور که در نسخه اوت ۲۰۲۴ مجله Compounding World بحث شد، شرکت ColVisTec از پروبهای فیبر نوری در خط (In-Line) خود با اسپکتروسکوپی فرابنفش-مرئی (UV-Vis)، فروسرخ نزدیک (NIR) و رامان برای اندازهگیری و کنترل رنگ و همچنین شناسایی ناخالصیها استفاده میکند. این ابزارها به ویژه برای کامپاند کردن مواد بازیافتی مفید هستند، زیرا میتوانند تغییرات در مواد اولیه را شناسایی کنند.
سیستمهای اسپکتروفتومتر در خط UV-Vis شرکت Equitech International برای اندازهگیری رنگ، از یک پروب فیبر نوری استفاده میکنند که درون مواد مذاب قرار میگیرد تا دادههای لحظهای از تولید را فراهم آورد. این شرکت اعلام کرد که پس از ارزیابی مجدد فناوری خود در سال گذشته برای قابلیت سرویسدهی و تولید، و بهبود طراحیهای مربوط به پروبها، اسپکترومتر، الکترونیک و نرمافزار، این اسپکتروفتومتر اکنون قادر است نتایجی همتراز با دقت آزمایشگاهی ارائه دهد، و همچنین دارای پیکربندیها و عملکردهای اضافی نیز خواهد بود.
سال گذشته، هیئت مدیره Equitech بازسازی جامعی را در عملیات خود آغاز کرد. این شرکت اعلام کرد: «هدف ما همچنان ارائه فناوریهای پیشرفته و مقرونبهصرفهای است که نه تنها با سیستمهای نظارتی سنتی آزمایشگاهی رقابت میکنند، بلکه انتظارات قیمتی مشتریان ما را نیز برآورده میسازند.» این شرکت در یک همکاری با دانشگاه کارولینای شمالی در شارلوت (UNCC)، در را برای تکامل مدیریت در عصر فناوری، با یکپارچهسازی آینده فناوریهای نوظهور هوش مصنوعی باز میکند. علاوه بر این، یک توافقنامه استراتژیک با شرکت M&M Technology به Equitech امکان دسترسی به فضای تولید مقیاسپذیر، پرسنل ماهر و منابع مهندسی و فنی را میدهد تا از تلاشها برای رشد در آینده پشتیبانی کند.
تحول در بازیافت: چگونه هوش مصنوعی ثبات کیفیت را تضمین میکند؟
چالش دستیابی به خواص کیفی ثابت در کامپاندهای پلاستیکی هنگام استفاده از پلاستیکهای گرانول شده بازیافتی که ذاتا دارای ثبات کیفی نیستند، فرصتی برای راهحلهای مبتنی بر هوش مصنوعی است.
در این راستا، پروژههای تحقیق و توسعه مشترک به یک روند کلیدی در همکاری بین شرکتها و دانشگاهها تبدیل شدهاند. شرکای پروژه SpecReK، با بودجه اضافی از وزارت آموزش و تحقیقات فدرال آلمان (BMBF)، در حال بررسی چگونگی استفاده از آزمایش لحظهای مواد بازیافتی در ترکیب با مدلهای هوش مصنوعی برای بهبود این محصولات هستند. همکاریکنندگان شامل BASF، Endress+Hauser، TechnoCompound، دانشگاه بایروث و دانشگاه فریدریش شیلر ینا هستند.
برنهارد فون واکانو، رئیس برنامه تحقیقاتی «اقتصاد چرخشی پلاستیک» در BASF گفت: «ما در حال حاضر ابزارهای تحلیل لازم را نداریم که بتوانیم ، دقیقاً مشخص کنیم که در طول فرآیند چه اجزایی در پلاستیکهای بازیافتی وجود دارد. با این حال، این اطلاعات برای ارزیابی و بهبود کیفیت پلاستیکهای بازیافتی ضروری است.«
مواد ورودی میتوانند حاوی انواع مختلفی از پلاستیکها و همچنین افزودنیها یا آلایندههای متفاوت باشند. در این پروژه، این مواد در طول فرآیند با استفاده از روشهای اسپکتروسکوپی، به ویژه اسپکتروسکوپی رامان که “اثر انگشت” پلیمرها، آلیاژها و اجزای خاص را ارائه میدهد، به صورت لحظهای شناسایی میشوند. این اطلاعات با دادههای ابزاری و فرآیندی ترکیب خواهد شد. از هوش مصنوعی برای شناسایی الگوها در دادههای اندازهگیری و توصیه برای اقدامات اصلاحی، مانند افزودن اجزا یا تغییرات در فرآیند بازیافت، برای بهبود کیفیت محصول پلاستیک بازیافتی استفاده خواهد شد.
شرکت BASF اعلام کرد که پروژه SpecReK طبق برنامه سه ساله تا اوت ۲۰۲۷ اجرایی خواهد شد. تمرکز کنونی بر روی مفاهیم حسگر، پردازش داده و ایجاد مجموعههای داده مورد نیاز برای چارچوب یادگیری ماشین (ML) است.
فون واکانو گفت: “با افزایش تقاضا برای مواد بازیافتی با کیفیت بالا و با توجه به چارچوب قانونی فعلی، درک کامل خواص مواد و ترکیب پلاستیکهای بازیافتی و بهینهسازی فرآیند بسیار حیاتی خواهد بود. به این ترتیب، ما اقتصاد چرخشی را تقویت خواهیم کرد.”
در انستیتوی فرانهوفر دوام سازه و قابلیت اطمینان سیستم (LBF)، پروژه COMPASS (بهینهسازی مداوم مواد و محصولات برای راهحلهای پایدار) با هدف بهبود ثبات کیفی بازیافتیهای پلیالفینی دنبال میشود. هنوز جای خالی برای شرکای صنعتی در این پروژه تحقیقاتی سه ساله وجود دارد که با تکمیل کنسرسیوم، احتمالاً در اوایل سال ۲۰۲۶، آغاز خواهد شد. این انستیتو اعلام کرد که اندازهگیریهای کیفیت بازیافت شامل رئومتری به عنوان شاخصی برای خواص مکانیکی و قابلیت فرآیندپذیری، زمان القای اکسیداسیون(OIT) برای نشان دادن محتوای پایدارکننده باقیمانده، و کالریسنجی روبشی تفاضلی (DSC) و تجزیه و تحلیل حرارتی-وزنی (TGA) برای ارزیابی پایداری حرارتی و قابلیت فرآیند خواهد بود. پیشنهاد شده که ترکیب هدفمند بازیافتیهای با کیفیت متفاوت از منابع مختلف میتواند برای ایجاد کیفیت ثابت به صورت مقرونبهصرفه استفاده شود. علاوه بر این، ممکن است از رئولوژی و اسپکتروسکوپی برخط نیز برای اندازهگیری ترکیبهای حاصل استفاده شود.
IdeoPak، یک شرکت مشاوره مستقر در ایالات متحده، خدمات آزمایش سفارشی برای صنایع بستهبندی ارائه میدهد و فناوری ثبت اختراع شدهای برای نظارت لحظهای بر مواد بازیافتی دارد. این فناوری شامل آزمایش برخط محتوای ترکیبات آلی فرار (VOC) و آلایندههای آلی و معدنی در مواد بازیافتی میشود. در کنفرانس بازیافت پلاستیک AMI در لانگ بیچ کالیفرنیا، IdeoPak در مورد همکاری خود در زمینه فناوری نظارت مستمر با شرکت آمریکایی Revolution Sustainable Solutions صحبت کرد. شرکت Revolution Sustainable Solutions رزین بازیافتی را دوباره فرآوری کرده و به مجموعهای از محصولات از قبیل فیلم و ورق تبدیل میکند و همچنین رزینهای پساصنعتی و مواد اولیه بازیافتی را به برندهای جهانی و تولیدکنندگان تجهیزات اصلی (OEM) ارائه میدهد. در حال حاضر، یک مجموعه حسگر ثبت اختراع شده از IdeoPak در مرحله آزمایش در یکی از تاسیسات Revolution است.
شرکت آساهی کاسی از نرمافزار هوش مصنوعی PolymRize متعلق به Matmerize، برای طراحی پلیمرهایی جهت کاربردهای الکترونیکی و انرژی استفاده میکند.
ابزارهای پیشگام: نسل جدید سیستمهای خودکار و سنسورهای لحظهای
این فناوری برای شناسایی فلزات سنگین (مانند کادمیوم، کروم، سرب و جیوه) و VOCهای عامل بو طراحی شده است. هدف اصلی آن ارائه تضمین کیفیت و انطباق به صاحبان برند یا سایر کاربران نهایی، از طریق آزمایش برخط و گزارشدهی محصولات پلاستیکی حاوی بازیافتی که از آنها استفاده میکنند، میباشد. یک فرآیندکار یا آمیزه ساز میتواند به طور همزمان از این سیستم برای نظارت بر فرآیند خود استفاده کرده و در صورت خارج شدن از مشخصات، اقدامات اصلاحی انجام دهد.
کیت وُرست، شریک در IdeoPak، میگوید: «این سیستم برای ممیزی از راه دور طراحی شده است که شفافیت و پاسخگویی را برای کاربران نهایی فراهم میکند. از آنجایی که شرکتها به دنبال استفاده بیشتر از مواد بازیافتی هستند، فراتر از اتکای صرف به «نامه عدم اعتراض FDA « یا گزارش آزمایشگاهی یک نمونه انتخاب شده، به دنبال اطمینان بیشتری از کیفیت مواد اولیه محصولشان هستند. سیستم آزمایش برخط ما برای آزمایشهای مکرر راهاندازی شده است، به طوری که به طور معمول هر ۱۵ دقیقه یک اندازهگیری توسط مجموعه حسگر انجام میشود. مشتریان یک تولیدکننده میتوانند وارد سیستم شده و گزارشی از نتایج آزمایش محصول پلاستیکی خریداری شده خود تهیه کنند تا تأیید کنند که محصول از نظر فلزات سنگین و مواد شیمیایی مورد نگرانی، در محدوده مشخصات است.»
مجموعه حسگرها شامل اشعه ایکس فلورسانس (X-ray Flourescence) برای اندازهگیری فلزات سنگین، و همچنین شناسایی فوتویونیزاسیون(Photoionisation)، شناسایی یونیزاسیون شعله و حسگرهای الکتروشیمیایی برای اندازهگیری VOCها است. از آزمایشهای آزمایشگاهی (مانند کروماتوگرافی و طیفسنجی جرمی با پلاسمای جفتشده القایی) برای آموزش حسگرها و مدلها استفاده میشود تا پروفایل بوی یک آلاینده مشخص را شناسایی کنند.
وُرست همچنین گفت: «این سیستم میتواند به صورت در خط در هر خط فرآوری برای اندازهگیری ترکیبات فرار از مواد مذاب—مثلاً در قالبگیری تزریقی یا تبدیل ورق و یا تولید گرانول—استفاده شود. ما فکر میکنیم این ابزار خلاء اطلاعاتی را که در حال حاضر در فرآوری مواد اولیه بازیافتی وجود دارد، پر خواهد کرد.»
نقش هوش مصنوعی در فرمولاسیون: از پیشبینی خواص تا کاهش هزینهها
ابزارهای دیجیتال برای توسعه فرمولاسیون مدتی است که وجود دارند، اما به نظر میرسد زمان آنها بالاخره در صنعت کامپاند پلاستیک فرا رسیده است.
شرکت Premix Group از یک پلتفرم جدید هوش مصنوعی برای تسریع فرآیند توسعه محصول خود به منظور بهینهسازی فرمولها برای کامپاندهای رسانای الکتریکی استفاده میکند. تیم تحقیق و توسعه، ابزار PERTTI 3.0 را به صورت داخلی با استفاده از دادههای شرکت آموزش داده است. این ابزار میتواند خواص یک فرمول مشخص را پیشبینی کند. همچنین میتوان با استفاده از یک داشبورد هوش تجاری، به شبیهسازی هزینه رویکردهای مختلف و شناسایی بهترین راهحل برای هر پروژه کمک کرد.
ویل مایاری، مدیر توسعه محصول در Premix در وبلاگ شرکت میگوید: «یادگیری ماشین به خودی خود چیز جدیدی نیست. آنچه تغییر کرده، دسترسیپذیری آن است. با ظهور ابزارهای متنباز، حتی تولیدکنندگان تخصصی مانند ما نیز میتوانند مدلهای هوش مصنوعی قدرتمندی را با هزینه نسبتاً کم و انعطافپذیری بالا بسازند.«
مایاری افزود: «این یک مدل منحصر به فرد برای پلاستیکهای رسانا است و معماری آن باید با دقت بهینهسازی و آزمایش میشد. تاریخچه بیش از ۴۰ ساله و پایگاه داده عظیم Premix، توسعه چنین مدل جامعی را ممکن ساخت.«
از آنجا که این پلتفرم با استفاده از چارچوبهای متنباز و یک معماری مدولار ساخته شده است، میتواند با انواع مختلف پلیمرها و کاربردها تطبیق یابد. این شرکت اعلام کرد که این ابزار را کلیدی برای ادامه تنوع بخشیدن به سبد محصولات خود و گسترش نفوذ به کارخانهها در ایالات متحده میبیند، به همین علت در ژوئن یک کارخانه کامپاندینگ جدید در کارولینای شمالی افتتاح کرد.
مایاری گفت: «گامهای بعدی ما شامل گسترش خانوادههای پلیمرهای پشتیبانیشده و گسترش مدل برای پشتیبانی از مناطق جدید است. هدف جایگزینی تخصص انسان نیست، بلکه ارائه ابزارهای سریعتر و هوشمندتر به توسعهدهندگان محصول است تا نتایج بهتری را برای مشتریانمان به ارمغان بیاورند.«
او اضافه کرد که یادگیری ماشین در آینده میتواند برای بهینهسازی پارامترهای فرآیند کامپاندینگ نیز گسترش یابد.
Matmerize، یک شرکت نوپا از مؤسسه فناوری جورجیا در ایالات متحده، پلتفرم نرمافزاری ابری Polymerize را ایجاد کرد که از الگوریتمهای هوش مصنوعی برای شناسایی مواد و فرمولاسیونهای بهینه استفاده میکند. شرکتها میتوانند از این پلتفرم برای ساخت مدلهای اختصاصی و سفارشی خود بر اساس دادههای شرکت یا با استفاده از مدلهای از پیش ساخته شده استفاده کنند.
به عنوان مثال، Asahi Kasei از Polymerize برای تسریع توسعه فرمولاسیونهای پلیمری پایدار برای کاربردهایی مانند سلولهای سوختی، باتریها، عایقهای الکتریکی و دستگاههای الکترونیکی و الکتروشیمیایی استفاده میکند. این نرمافزار میتواند برای پیشبینی خواصی که برای این کاربردها مهم هستند، مانند رسانایی یونی، خواص نوری و دیالکتریک، به کار رود.
CJ Biomaterials، تولیدکننده بیوپلیمرهای پلیهیدروکسیآلکانوات (PHA)، سال گذشته با موفقیت پلتفرم هوش مصنوعی را آزمایش کرد. این شرکت توانست با استفاده از این پلتفرم پیشبینی و تحلیل، عملکرد مواد جدید را با کارایی بیشتری تخمین بزند.
آینده صنعت کامپاندینگ: تولید هوشمندتر و پایدارتر
Erthos، یک شرکت طراحی مواد پایدار مستقر در تورنتوی کانادا، سال گذشته پلتفرم Erthos Studio مبتنی بر هوش مصنوعی خود را راهاندازی کرد که بر اساس پلتفرم اختصاصی یادگیری ماشین ZYA است. این فناوری با همکاری برندهای برتر محصولات بستهبندی و شرکتهای تامین مواد اولیه، با هدف طراحی فرمولاسیونهای زیستمحور، به تسریع نفوذ پلاستیکهای زیستمحور کمک میکند.
این پلتفرم بر اساس ورودیهای طراحی مانند خواص مکانیکی، هزینه، نرخ تجزیه و انتشار گازهای گلخانهای، فرمولاسیونهایی را تولید میکند. این شرکت اعلام کرد که این رویکرد هزینه توسعه را کاهش داده و میتواند در عرض تنها سه تا شش ماه، یک ماده زیستمحور سفارشی و آماده برای تولید در مقیاس صنعتی ایجاد کند. نوها صدیقی، یکی از بنیانگذاران این شرکت، در رویداد بیوپلاستیکهای AMI که در ۲۶ تا ۲۷ اوت در کلیولند اوهایو برگزار میشود، این فناوری و کاربرد آن را ارائه خواهد داد.
Celanese پلتفرم دستیار دیجیتال Chemille را برای انتخاب مواد راهاندازی کرد که از یک ابزار مبتنی بر هوش مصنوعی برای جستجو در سبد محصولات شرکت Celanese با استفاده از فیلترهای مختلف، مانند کاربرد، نوع پلیمر یا نوع پرکننده، استفاده میکند.
این شرکت گفت: ” Chemille طیف گستردهای از گزینههای مواد مهندسی شده را ارائه میدهد و اطمینان میدهد که مشتریان ما بهترین انتخاب را برای محصول خود از دست نمیدهند. با دانش عمیق از کل سبد مواد Celanese ، Chemille توصیههای دقیقی را ارائه میدهد که متناسب با مشخصات و الزامات دقیق هر مشتری در هر صنعتی است. کاربران میتوانند خواص خاصی را که نیاز دارند، مانند مقاومت حرارتی، استحکام مکانیکی یا سازگاری شیمیایی، وارد کنند. سپس Chemille مرتبطترین راهحل را بر اساس این معیارها شناسایی خواهد کرد.”
هوش مصنوعی در صنعت کامپاندینگ: کلید تحول در فرمولاسیون و بازیافت پلاستیک
