BR112020020417A2 - Método para determinar a qualidade de um polímero com base em um espectro raman do polímero, meio legível por computador não transitório, e, dispositivo de computação de propriedade de polímero. - Google Patents
Método para determinar a qualidade de um polímero com base em um espectro raman do polímero, meio legível por computador não transitório, e, dispositivo de computação de propriedade de polímero. Download PDFInfo
- Publication number
- BR112020020417A2 BR112020020417A2 BR112020020417-0A BR112020020417A BR112020020417A2 BR 112020020417 A2 BR112020020417 A2 BR 112020020417A2 BR 112020020417 A BR112020020417 A BR 112020020417A BR 112020020417 A2 BR112020020417 A2 BR 112020020417A2
- Authority
- BR
- Brazil
- Prior art keywords
- polymer
- resources
- properties
- computing device
- raman spectrum
- Prior art date
Links
- 229920000642 polymer Polymers 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 55
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 56
- -1 more particularly Polymers 0.000 claims abstract description 21
- 229920000098 polyolefin Polymers 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims description 45
- 239000000126 substance Substances 0.000 claims description 33
- 239000004743 Polypropylene Substances 0.000 claims description 13
- 229920001155 polypropylene Polymers 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 8
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 239000008096 xylene Substances 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 238000007670 refining Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000001052 transient effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 38
- 229920001577 copolymer Polymers 0.000 description 24
- 230000008569 process Effects 0.000 description 16
- 230000005855 radiation Effects 0.000 description 15
- 230000005284 excitation Effects 0.000 description 13
- 230000003595 spectral effect Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 10
- 239000005977 Ethylene Substances 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004383 yellowing Methods 0.000 description 7
- 239000000178 monomer Substances 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 229920000181 Ethylene propylene rubber Polymers 0.000 description 3
- 239000004698 Polyethylene Substances 0.000 description 3
- 125000004432 carbon atom Chemical group C* 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 229920001519 homopolymer Polymers 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229920000573 polyethylene Polymers 0.000 description 3
- 229920005604 random copolymer Polymers 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000004711 α-olefin Substances 0.000 description 3
- VXNZUUAINFGPBY-UHFFFAOYSA-N 1-Butene Chemical compound CCC=C VXNZUUAINFGPBY-UHFFFAOYSA-N 0.000 description 2
- AFFLGGQVNFXPEV-UHFFFAOYSA-N 1-decene Chemical compound CCCCCCCCC=C AFFLGGQVNFXPEV-UHFFFAOYSA-N 0.000 description 2
- CRSBERNSMYQZNG-UHFFFAOYSA-N 1-dodecene Chemical compound CCCCCCCCCCC=C CRSBERNSMYQZNG-UHFFFAOYSA-N 0.000 description 2
- GQEZCXVZFLOKMC-UHFFFAOYSA-N 1-hexadecene Chemical compound CCCCCCCCCCCCCCC=C GQEZCXVZFLOKMC-UHFFFAOYSA-N 0.000 description 2
- LIKMAJRDDDTEIG-UHFFFAOYSA-N 1-hexene Chemical compound CCCCC=C LIKMAJRDDDTEIG-UHFFFAOYSA-N 0.000 description 2
- KWKAKUADMBZCLK-UHFFFAOYSA-N 1-octene Chemical compound CCCCCCC=C KWKAKUADMBZCLK-UHFFFAOYSA-N 0.000 description 2
- HFDVRLIODXPAHB-UHFFFAOYSA-N 1-tetradecene Chemical compound CCCCCCCCCCCCC=C HFDVRLIODXPAHB-UHFFFAOYSA-N 0.000 description 2
- DCTOHCCUXLBQMS-UHFFFAOYSA-N 1-undecene Chemical compound CCCCCCCCCC=C DCTOHCCUXLBQMS-UHFFFAOYSA-N 0.000 description 2
- WSSSPWUEQFSQQG-UHFFFAOYSA-N 4-methyl-1-pentene Chemical compound CC(C)CC=C WSSSPWUEQFSQQG-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- IAQRGUVFOMOMEM-UHFFFAOYSA-N but-2-ene Chemical compound CC=CC IAQRGUVFOMOMEM-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- CCCMONHAUSKTEQ-UHFFFAOYSA-N octadec-1-ene Chemical compound CCCCCCCCCCCCCCCCC=C CCCMONHAUSKTEQ-UHFFFAOYSA-N 0.000 description 2
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- YWAKXRMUMFPDSH-UHFFFAOYSA-N pentene Chemical compound CCCC=C YWAKXRMUMFPDSH-UHFFFAOYSA-N 0.000 description 2
- 239000006069 physical mixture Substances 0.000 description 2
- 229920002959 polymer blend Polymers 0.000 description 2
- 230000000379 polymerizing effect Effects 0.000 description 2
- 229920005629 polypropylene homopolymer Polymers 0.000 description 2
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 2
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000001644 13C nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- YHQXBTXEYZIYOV-UHFFFAOYSA-N 3-methylbut-1-ene Chemical compound CC(C)C=C YHQXBTXEYZIYOV-UHFFFAOYSA-N 0.000 description 1
- LDTAOIUHUHHCMU-UHFFFAOYSA-N 3-methylpent-1-ene Chemical compound CCC(C)C=C LDTAOIUHUHHCMU-UHFFFAOYSA-N 0.000 description 1
- FSWNZCWHTXTQBY-UHFFFAOYSA-N 4,6-dimethylhept-1-ene Chemical compound CC(C)CC(C)CC=C FSWNZCWHTXTQBY-UHFFFAOYSA-N 0.000 description 1
- 239000005995 Aluminium silicate Substances 0.000 description 1
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 208000003929 Familial Partial Lipodystrophy Diseases 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 229920002367 Polyisobutene Polymers 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical group [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 239000004699 Ultra-high molecular weight polyethylene Substances 0.000 description 1
- 239000004708 Very-low-density polyethylene Substances 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 235000012211 aluminium silicate Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004630 atomic force microscopy Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229920001400 block copolymer Polymers 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- XNMQEEKYCVKGBD-UHFFFAOYSA-N dimethylacetylene Natural products CC#CC XNMQEEKYCVKGBD-UHFFFAOYSA-N 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940069096 dodecene Drugs 0.000 description 1
- 239000005038 ethylene vinyl acetate Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- CPBQJMYROZQQJC-UHFFFAOYSA-N helium neon Chemical compound [He].[Ne] CPBQJMYROZQQJC-UHFFFAOYSA-N 0.000 description 1
- 125000005842 heteroatom Chemical group 0.000 description 1
- 229920001903 high density polyethylene Polymers 0.000 description 1
- 239000004700 high-density polyethylene Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 description 1
- 229940056932 lead sulfide Drugs 0.000 description 1
- 229910052981 lead sulfide Inorganic materials 0.000 description 1
- 229920000092 linear low density polyethylene Polymers 0.000 description 1
- 239000004707 linear low-density polyethylene Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229920001684 low density polyethylene Polymers 0.000 description 1
- 239000004702 low-density polyethylene Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229920001179 medium density polyethylene Polymers 0.000 description 1
- 239000004701 medium-density polyethylene Substances 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N n-Octanol Natural products CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- JFNLZVQOOSMTJK-KNVOCYPGSA-N norbornene Chemical compound C1[C@@H]2CC[C@H]1C=C2 JFNLZVQOOSMTJK-KNVOCYPGSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920001200 poly(ethylene-vinyl acetate) Polymers 0.000 description 1
- 229920005638 polyethylene monopolymer Polymers 0.000 description 1
- 238000004184 polymer manufacturing process Methods 0.000 description 1
- 239000002685 polymerization catalyst Substances 0.000 description 1
- 229920005606 polypropylene copolymer Polymers 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000001350 scanning transmission electron microscopy Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000000454 talc Substances 0.000 description 1
- 229910052623 talc Inorganic materials 0.000 description 1
- XBFJAVXCNXDMBH-UHFFFAOYSA-N tetracyclo[6.2.1.1(3,6).0(2,7)]dodec-4-ene Chemical compound C1C(C23)C=CC1C3C1CC2CC1 XBFJAVXCNXDMBH-UHFFFAOYSA-N 0.000 description 1
- 238000004627 transmission electron microscopy Methods 0.000 description 1
- 229920000785 ultra high molecular weight polyethylene Polymers 0.000 description 1
- 229920001866 very low density polyethylene Polymers 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
- C08L23/00—Compositions of homopolymers or copolymers of unsaturated aliphatic hydrocarbons having only one carbon-to-carbon double bond; Compositions of derivatives of such polymers
- C08L23/02—Compositions of homopolymers or copolymers of unsaturated aliphatic hydrocarbons having only one carbon-to-carbon double bond; Compositions of derivatives of such polymers not modified by chemical after-treatment
- C08L23/04—Homopolymers or copolymers of ethene
- C08L23/08—Copolymers of ethene
- C08L23/0807—Copolymers of ethene with unsaturated hydrocarbons only containing more than three carbon atoms
- C08L23/0815—Copolymers of ethene with aliphatic 1-olefins
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
- C08L23/00—Compositions of homopolymers or copolymers of unsaturated aliphatic hydrocarbons having only one carbon-to-carbon double bond; Compositions of derivatives of such polymers
- C08L23/02—Compositions of homopolymers or copolymers of unsaturated aliphatic hydrocarbons having only one carbon-to-carbon double bond; Compositions of derivatives of such polymers not modified by chemical after-treatment
- C08L23/10—Homopolymers or copolymers of propene
- C08L23/12—Polypropene
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
- G01J3/4412—Scattering spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
- C08L2203/00—Applications
- C08L2203/10—Applications used for bottles
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
- C08L2205/00—Polymer mixtures characterised by other features
- C08L2205/02—Polymer mixtures characterised by other features containing two or more polymers of the same C08L -group
- C08L2205/025—Polymer mixtures characterised by other features containing two or more polymers of the same C08L -group containing two or more polymers of the same hierarchy C08L, and differing only in parameters such as density, comonomer content, molecular weight, structure
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8411—Application to online plant, process monitoring
- G01N2021/8416—Application to online plant, process monitoring and process controlling, not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
- G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Organic Chemistry (AREA)
- Polymers & Plastics (AREA)
- Medicinal Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
método para determinar a qualidade de um polímero com base em um espectro raman do polímero, meio legível por computador não transitório, e, dispositivo de computação de propriedade de polímero. esta descrição se refere a métodos para determinar a qualidade de polímeros, mais particularmente, poliolefinas. os métodos envolvem espectroscopia raman e inteligência artificial para computar propriedades e/ou recursos do polímero.
Description
1 / 26
[001] Este pedido reivindica prioridade, sob 35 U.S.C. § 119(e), para o Pedido Provisório U.S. nº 62/653.791, depositado em 6 de abril de 2018, aqui incorporado por referência em sua totalidade.
[002] A presente invenção se refere geralmente a métodos para determinar a qualidade de polímeros, mais particularmente, poliolefinas. Os métodos envolvem espectroscopia Raman e inteligência artificial.
[003] Nos processos de fabricação de polímeros, a qualidade do polímero é tipicamente testada em um laboratório onde as propriedades do polímero, como fluidez, solúveis de xileno, densidade e propriedades mecânicas, são medidas de acordo com os procedimentos ASTM. Todo o processo de amostragem e teste pode levar várias horas. Se o polímero não atender às especificações, o lote de fabricação é rejeitado e os engenheiros de processo tomam as ações corretivas. Como tal, esse processo é caro, trabalhoso e lento. Além disso, devido às taxas de produção tipicamente altas nas fábricas, um lapso de tempo de várias horas significa que várias toneladas de produtos são coletadas antes que qualquer problema seja detectado.
[004] Portanto, há uma necessidade não atendida na técnica de acelerar o processo de controle de qualidade para reduzir custos e prover um feedback rápido e confiável para engenheiros de processo.
[005] Um aspecto da invenção refere-se a um método para determinar a qualidade de um polímero com base em um espectro Raman do
2 / 26 polímero, o método inclui: (i) obter, por um dispositivo de computação de propriedade de polímero, um espectro Raman de uma amostra de polímero de um espectrômetro Raman, onde o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; (ii) computar, pelo dispositivo de computação de propriedade de polímero, uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, onde a etapa de computação é realizada executando, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados; e (iii) determinar, pelo dispositivo de computação de propriedade de polímero, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
[006] Outro aspecto da invenção refere-se a um dispositivo de computação de propriedade de polímero incluindo um processador e uma memória, onde a memória é acoplada ao processador configurado para executar instruções programadas armazenadas na memória incluindo: (i) obter um espectro Raman de uma amostra de polímero de um espectrômetro Raman, em que o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; (ii) computar as uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, em que a etapa de computação é realizada executando um ou mais algoritmos de aprendizado de máquina treinados; e (iii) determinar, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
3 / 26
[007] Um outro aspecto da invenção refere-se a um meio legível por computador não transitório com instruções armazenadas para determinar a qualidade de um polímero com base em um espectro Raman do polímero compreendendo código executável por máquina que, quando executado por pelo menos um processador, faz com que o processador execute etapas incluindo: (i) obter um espectro Raman de uma amostra de polímero de um espectrômetro Raman, onde o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; (ii) computar as uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, em que a etapa de computação é realizada executando, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados; e (iii) determinar, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
[008] A Figura 1 é um espectro Raman indicando que a região de baixa frequência, que corresponde às frequências terahertz (THz), provê informações estruturais sobre o polímero, enquanto uma região de frequência mais alta provê uma impressão digital química do polímero.
[009] A Figura 2 é um diagrama de blocos que ilustra o método descrito na fase de implantação.
[0010] A Figura 3 é um diagrama de blocos de um dispositivo de computação de propriedades de polímero.
[0011] A Figura 4 é um fluxograma que ilustra uma modalidade da implementação do método descrito.
4 / 26
[0012] A Figura 5 é um fluxograma que ilustra uma modalidade do treinamento do algoritmo de aprendizado de máquina.
[0013] A Figura 6 mostra um gráfico que representa a fluidez conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus a fluidez verdadeira medida em laboratório. A linha pontilhada ilustra uma combinação perfeita entre a previsão e o valor real. As linhas sólidas representam um desvio de +/- 20%.
[0014] A Figura 7 mostra um gráfico que representa a % de etileno conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus a % verdadeira de etileno medida em laboratório. A linha pontilhada ilustra uma combinação perfeita entre a previsão e o valor real. As linhas sólidas representam um desvio de +/- 20%.
[0015] A Figura 8 mostra um gráfico que representa o módulo de flexão conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus o módulo de flexão verdadeiro medido em laboratório. A linha pontilhada ilustra uma combinação perfeita entre a previsão e o valor real. As linhas sólidas representam um desvio de +/- 20%.
[0016] A Figura 9 mostra um gráfico que representa o índice de amarelecimento conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus o índice de amarelecimento verdadeiro medido em laboratório. A linha pontilhada ilustra uma combinação perfeita entre a previsão e o valor real. As linhas sólidas representam um desvio de +/- 20%.
[0017] A espectroscopia Raman é uma técnica analítica atraente para materiais poliméricos porque é reproduzível, não requer preparação de amostra e provê espectros com picos e vales nítidos e bem resolvidos contendo informações estruturais e químicas. A espectroscopia Raman usa luz de laser monocromática e se baseia em espalhamento inelástico. A luz de
5 / 26 laser interage com as vibrações moleculares do polímero, resultando no deslocamento da energia dos fótons do laser.
[0018] Desenvolvimentos recentes em filtros holográficos de alto desempenho e fontes de laser estabilizadas por comprimento de onda permitem o acesso ao regime Raman de baixa frequência (ou seja, nas frequências THz). Ver a Figura 1. Nesse regime, as cadeias poliméricas vibram em modos acústicos longos (LAMs). Essas vibrações ocorrem em escalas de tempo de aproximadamente 0,1 a 10 ps e apresentam espectros de aproximadamente 0,3 a 3,0 THz ou 10 cm-1 a 100 cm-1. Além disso, essas vibrações podem ser correlacionadas com parâmetros estruturais, como comprimento da cadeia (Mw, fluidez), espessura lamelar (cristalinidade, % de solúveis de xileno) e campos de tensão (propriedades mecânicas).
[0019] Apesar da riqueza de informações estruturais e químicas no espectro Raman, é difícil criar modelos paramétricos que correlacionem de forma confiável o espectro Raman com propriedades/recursos dos polímeros. A principal dificuldade é a dimensionalidade dos dados. Cada ponto de um espectro representa a intensidade registrada em um determinado comprimento de onda. Um conjunto de dados Raman, portanto, tem um atributo para cada ponto em seus espectros constituintes, com um espectro Raman típico tendo
1.000 a 3.000 pares de pontos de dados (cerca de 3.000 dimensões). Normalmente, as bandas relevantes são selecionadas manualmente com base no conhecimento especializado do comportamento espectroscópico do material e o resto da informação é descartada.
[0020] Essa avaliação espectral manual é, portanto, inadequada para a caracterização online de produtos. Além disso, embora os dados espectrais possam ser correlacionados às propriedades do polímero, como densidades de índices de fluidez, distribuições de peso molecular, essa informação não está facilmente aparente simplesmente olhando para os espectros e fazendo observações visuais.
6 / 26
[0021] Em vez disso, o método descrito usa inteligência artificial, mais especificamente técnicas de aprendizado de máquina, para desenvolver um modelo capaz de prever propriedades/recursos de polímero relevantes a partir do espectro Raman. Além disso, ao utilizar um método online não destrutivo de impressão digital e inteligência artificial, podem ser obtidas estimativas em tempo real das especificações do produto, reduzindo assim o tempo e os custos associados ao uso de equipamentos convencionais de laboratório para controle de qualidade.
[0022] Por conseguinte, um aspecto da invenção refere-se a um método para determinar a qualidade de um polímero com base em um espectro Raman do polímero, o método inclui: (i) obter, por um dispositivo de computação de propriedade de polímero, um espectro Raman de uma amostra de polímero de um espectrômetro Raman, onde o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; (ii) computar, pelo dispositivo de computação de propriedade de polímero, uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, onde a etapa de computação é realizada executando, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados; e (iii) determinar, pelo dispositivo de computação de propriedade de polímero, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
[0023] A aquisição do espectro Raman da amostra de polímero pode ser iniciada manualmente ou automaticamente (por exemplo, programada no dispositivo de computação de propriedade de polímero).
7 / 26
[0024] Algoritmos exemplificativos para calcular uma ou mais propriedades ou recursos de polímero incluem, mas não estão limitados a Regressão Logística, Naive Bayes, Redes Neurais, Aprendizado Profundo e métodos de Máquina de Kernel, como Regressão de Máquinas de Vetor de Suporte de Kernel, Processos Gaussianos e Regressão de Kernel Ridge. Combinações desses algoritmos também podem ser usadas.
[0025] No treinamento do algoritmo de aprendizado de máquina, espectros Raman de amostras conhecidas são adquiridos, e as propriedades/recursos do polímero das amostras conhecidas são medidas em laboratório. As propriedades/recursos do polímero podem ser medidos com métodos conhecidos por um versado na técnica. Por exemplo, o índice de fluidez da amostra pode ser medida por ASTM D1238 usando uma carga de 2,16 kg a 230°C. Nenhum número específico de amostras de calibração é necessário. Um versado na técnica pode determinar o número apropriado de amostras de calibração com base no desempenho do modelo e a mudança incremental no desempenho com dados de calibração adicionais. As propriedades/recursos do polímero medidos incluem aqueles que o modelo computará. As propriedades/recursos do polímero medidos e os espectros Raman adquiridos são então inseridos no dispositivo de computação de propriedades do polímero.
[0026] Para uma propriedade de polímero desejada, o conjunto de dados incluindo as propriedades/recursos de polímero medidos e os respectivos dados espectrais Raman para as amostras são ingeridos em um banco de dados legível por máquina tabulado, acessível por uma interface de programação de aplicativo (API) ou uma interface gráfica de usuário.
[0027] Como a maioria dos métodos de aprendizado de máquina normalmente tem um desempenho ruim se as variáveis de entrada não têm média zero e variância unitária, as variáveis de entrada são normalmente dimensionadas para obter média zero e desvio padrão igual a um. Em outras
8 / 26 palavras, os dados são transformados para torná-los legíveis pelos algoritmos de aprendizado de máquina. Esse processo é conhecido como engenharia de recursos ou engenharia variável. Durante as etapas de coleta e engenharia de recursos/variáveis, muitas variáveis possíveis são geradas, mesmo que algumas delas sejam irrelevantes. Por exemplo, novas variáveis podem ser geradas aplicando operações aritméticas básicas entre os recursos originais. O processo de engenharia de recursos/variável também pode incluir: excluir os exemplos com valores ausentes ou substituir os valores ausentes pela média da variável fornecida e identificar e remover dados discrepantes. Uma vez que as operações de engenharia de recursos adequadas foram identificadas, uma “sequência de transformações de dados” pode ser escrita para aplicar as mesmas operações de variáveis aos dados apresentados ao algoritmo de aprendizado de máquina. Os dados podem ser obtidos a partir de amostras conhecidas com propriedades/recursos de polímero medidos ou amostras desconhecidas.
[0028] A próxima etapa na fase de treinamento envolve a seleção de recursos e redução de dimensionalidade. Um determinado recurso de entrada pode ser fortemente relevante (tem informações que não existem em nenhum outro recurso), relevante, pouco relevante (algumas informações que outros recursos incluem) ou irrelevante. Durante a seleção de recursos, um subconjunto de recursos fortemente relevantes é usado na construção do modelo. Nessa etapa, um ou mais picos e/ou vales são correlacionados com as propriedades/recursos medidos para formar uma parte dos dados de propriedade do polímero e recursos. Por exemplo, picos a 810 cm-1, 841 cm-1, 900 cm-1, 974 cm-1, 999 cm-1, 1152 cm-1, 1168 cm-1, 1220 cm-1, 1329 cm-1, 1359 cm-1, 1436 cm-1, e 1459 cm-1 podem ser úteis para caracterizar a cristalinidade, propriedades mecânicas e taticidade do polipropileno (Ver Julio Banquet-Teran et al., Applied Spectroscopy, 2016, p. 1118-1127, para uma discussão de certos picos atribuíveis a certas propriedades do polímero).
9 / 26 Bandas de baixa frequência THz a 106 cm-1, 171 cm-1, 250 cm-1, 320 cm-1, 398 cm-1, 460 cm-1, e 530 cm-1 podem ser usadas para identificar modificações cristalinas de polipropileno isotático (α, β, e γ), espessura lamelar, propriedades mecânicas, o comprimento dos segmentos isotáticos na conformação helicoidal e teor de comonômero (Ver A Materny at al., Journal of Physics: Conference Series, 2017, p. 1-9, para uma descrição geral de bandas úteis).
[0029] O modelo pode ser treinado usando métodos conhecidos na técnica. Por exemplo, os dados coletados são geralmente divididos em dois conjuntos: um conjunto de dados de treinamento (normalmente cerca de 80% dos dados coletados) e um conjunto de dados de teste (normalmente cerca de 20% dos dados coletados). O conjunto de dados de treinamento é usado para desenvolver o modelo, onde o algoritmo de aprendizado de máquina é executado para analisar o conjunto de dados de treinamento e produzir uma função inferida. Visto que a propriedade/o recurso do polímero escolhido para as amostras do conjunto de dados de treinamento é calculado e medido, a eficácia do modelo pode ser avaliada comparando os valores calculados e medidos. Um algoritmo de otimização é normalmente usado para minimizar o risco empírico ou o risco estrutural. Isso pode ser feito ajustando os parâmetros da função inferida (conhecidos como hiperparâmetros) para que o erro entre as saídas conhecidas e a previsão do modelo seja minimizado.
[0030] Subsequentemente, o modelo treinado (isto é, algoritmo de aprendizado de máquina) é encarregado de computar as propriedades/os recursos do polímero a partir do conjunto de dados de teste. Isso é feito para avaliar a capacidade de generalização do modelo.
[0031] O modelo treinado pode então ser aplicado a espectros de amostra desconhecidos para computar a propriedade ou o recurso do polímero desejado.
10 / 26
[0032] O modelo pode ser treinado para prever uma ou mais propriedades/recursos do polímero. Em algumas modalidades, modelos separados são desenvolvidos para cada propriedade/recurso do polímero. Em outras modalidades, múltiplas propriedades/múltiplos recursos do polímero podem ser determinados simultaneamente usando o modelo.
[0033] Os modelos treinados podem ser aprimorados por técnicas de ensemble, nas quais o objetivo é combinar as previsões de vários estimadores de base construídos com um determinado algoritmo de aprendizado, a fim de melhorar a generalização/robustez em um único estimador. Alguns métodos de ensemble incluem métodos de bagging, florestas de árvores aleatórias, AdaBoost, Gradient Tree Boosting e classificadores de votação.
[0034] Em algumas modalidades, o método compreende adicionalmente, antes da etapa de computação, classificar, pelo dispositivo de computação de propriedade de polímero, os picos e/ou vales nas impressões digitais químicas e estruturais obtidas como um recurso de polímero relevante ou um recurso de polímero não relevante. Como um exemplo ilustrativo, picos a 810 cm-1, 974 cm-1, e 1168 cm-1 podem ser classificados como recursos relevantes do polímero porque esses picos se relacionam com a cristalinidade e taticidade do polipropileno.
[0035] Em algumas modalidades, o método compreende adicionalmente, após a etapa de determinação, relatar, pelo dispositivo de computação de propriedade de polímero, uma ou mais propriedades ou recursos de polímero computados. Por exemplo, uma ou mais propriedades ou recursos de polímero computados podem ser exibidos em uma tela de um computador (por exemplo, desktop, laptop, tablet, telefone celular e relógios inteligentes).
[0036] Em algumas modalidades, o método compreende adicionalmente refinar, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados pelo
11 / 26 menos por repetição da etapa de execução e da etapa de ajuste usando os dados em processo. O algoritmo de aprendizado de máquina é então continuamente refinado conforme a roda do produto muda, melhorando assim sua capacidade de previsão ao longo do tempo.
[0037] O dispositivo de computação de propriedade de polímero pode determinar, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado, que inclui tipicamente variações aceitáveis de lote para lote.
[0038] Quando uma ou mais propriedades ou recursos de polímero computados estão dentro da faixa aceitável, a amostra de polímero pode ser considerada como atingindo o limite de qualidade, e o processo de produção de polímero pode ser continuado sem ajustes adicionais.
[0039] Quando uma ou mais propriedades ou recursos de polímero computados estão fora da faixa aceitável, a amostra de polímero, então, não atende o limite de qualidade predeterminado. Por conseguinte, os parâmetros para o processo de produção de polímero podem ser ajustados pelo dispositivo de computação de propriedade de polímero para obter o polímero com as propriedades ou recursos desejados. Esses parâmetros incluem, mas não estão limitados a quantidade/concentração dos reagentes (por exemplo, propileno, etileno, hidrogênio), aditivos e catalisador de polimerização; temperatura; e pressão. Espectroscopia Raman
[0040] A espectroscopia Raman é uma ferramenta analítica bem conhecida para caracterização, identificação e quantificação molecular. A espectroscopia Raman usa radiação espalhada inelasticamente de uma fonte de radiação não ressonante e não ionizante, tipicamente uma fonte de radiação visível ou infravermelha próxima, como um laser, para obter informações sobre os estados vibracionais rotacionais moleculares. O espectro Raman
12 / 26 inclui informações direta ou indiretamente relacionadas a várias propriedades da amostra de poliolefina. Os espectros Raman são normalmente mostrados como gráficos de intensidade (unidades arbitrárias) versus “deslocamento Raman”, onde o deslocamento Raman é a diferença de energia ou comprimento de onda entre a radiação de excitação e a radiação espalhada. O deslocamento Raman é tipicamente relatado em unidades de números de onda (cm-1). A faixa espectral do espectro Raman adquirido não é particularmente limitada, mas uma faixa útil inclui deslocamentos Raman (Stokes e/ou anti- Stokes) na região da impressão digital química correspondente a uma faixa típica de frequências vibracionais poliatômicas e na região da impressão digital estrutural correspondendo a modos vibracionais. A faixa espectral geralmente varia de cerca de -200 cm-1 a cerca de 4.000 cm-1. Deve ser reconhecido, no entanto, que informações espectrais úteis também podem estar presentes em regiões de frequência mais alta. Por exemplo, vibrações de sobretom (harmônicas) contribuem para o espalhamento Raman na região acima do deslocamento Raman de 4.000 cm-1. Assim, se desejado, a aquisição e o uso de um espectro Raman, conforme descrito neste documento, podem incluir regiões espectrais de frequência mais alta.
[0041] Por outro lado, a região espectral adquirida pode ser menor do que toda a região de -200 cm-1 a 4.000 cm-1. Para muitas poliolefinas, a maioria dos dados de intensidade de espalhamento Raman úteis para impressões digitais químicas estarão presentes em uma região que varia de cerca de 500 cm-1 a cerca de 3.500 cm-1 ou de cerca de 1.000 cm-1 a cerca de
3.000 cm-1; enquanto os dados na região espectral úteis para informações estruturais estão tipicamente presentes em uma região que varia de cerca de - 200 cm-1 a cerca de 500 cm-1. A região adquirida também pode incluir uma pluralidade de sub-regiões que não precisam ser contíguas. Por exemplo, os dados espectrais Raman adquiridos podem incluir uma pluralidade de frequência ou deslocamento de comprimento de onda, medições de
13 / 26 intensidade de espalhamento (x, y) em regiões espectrais relativamente largas, incluindo regiões convencionalmente identificadas como bandas espectrais e regiões convencionalmente identificadas como interbandas ou regiões não resolvidas.
[0042] O espaçamento de frequência dos dados adquiridos pode ser prontamente determinado por um versado na técnica, com base em considerações de resolução e capacidade da máquina, tempo de aquisição, tempo de análise de dados, densidade de informação e outros fatores reconhecidos por um versado na técnica. Da mesma forma, a quantidade de média de sinal usada pode ser prontamente determinada por um versado na técnica com base na máquina e nas eficiências e limitações do processo.
[0043] Com referência agora à Figura 2, a instrumentação usada para coletar e processar dados Raman normalmente inclui um espectrômetro Raman, uma fonte de laser, um filtro de baixa frequência, uma sonda Raman em comunicação com o processo de produção de polímero e o algoritmo de aprendizado de máquina.
[0044] Um espectrômetro Raman inclui uma fonte de excitação que dispensa radiação de excitação para a sonda Raman. A radiação espalhada é coletada dentro da sonda Raman, filtrada da luz espalhada de Raleigh e dispersa via monocromador. A luz espalhada Raman dispersa é, então, gerada em um detector e subsequentemente processada pelo dispositivo de computação de propriedade de polímero, conforme descrito abaixo.
[0045] A fonte de excitação e a frequência podem ser facilmente determinadas com base em considerações bem conhecidas na técnica. Tipicamente, a fonte de excitação é um laser visível ou infravermelho próximo, como um laser Nd:YAG de frequência dupla (532 nm), um laser hélio-neon (633 nm) ou um laser de diodo de estado sólido (como 785 nm). O laser pode ser pulsado ou de onda contínua (CW), polarizado conforme desejado ou polarizado aleatoriamente e, preferivelmente, monomodo. Lasers
14 / 26 de excitação típicos terão potência de 100 a 400 mW (CW), embora potência inferior ou superior possa ser usada conforme desejado. Fontes de luz diferentes dos lasers podem ser usadas, e comprimentos de onda e tipos de laser e parâmetros diferentes dos listados acima também podem ser usados. É bem conhecido que o espalhamento, incluindo o espalhamento Raman, é proporcional à quarta potência da frequência de excitação, sujeito à limitação prática de que a fluorescência normalmente supera o sinal Raman relativamente fraco em frequências mais altas. Assim, fontes de frequência mais alta (comprimento de onda mais curto) são preferidas para maximizar o sinal, enquanto fontes de frequência mais baixa (comprimento de onda mais longo) são preferidas para minimizar a fluorescência. Um versado na técnica pode facilmente determinar a fonte de excitação apropriada com base nessas e outras considerações, tais como estabilidade do modo, tempo e custos de manutenção, custos de capital e outros fatores bem compreendidos na técnica.
[0046] A radiação de excitação pode ser distribuída à sonda Raman, e a radiação espalhada coletada da sonda Raman, por qualquer meio conveniente conhecido na técnica, tal como óptica de manipulação de feixe convencional ou cabos de fibra óptica. Para uma medição de processo online, é particularmente conveniente dispensar a radiação de excitação e coletar a radiação espalhada por fibra óptica. É uma vantagem particular da espectroscopia Raman que a radiação de excitação tipicamente usada seja facilmente manipulada por fibra óptica e, assim, a fonte de excitação pode ser posicionada remotamente da região de amostragem. Uma sonda de fibra óptica particular é descrita abaixo; no entanto, um versado na técnica reconhecerá que o sistema Raman não está limitado a qualquer meio particular de manipulação de radiação.
[0047] A radiação espalhada é coletada e dispersa por qualquer meio conveniente conhecido na técnica, tal como uma sonda de fibra óptica conforme descrito abaixo. A radiação espalhada coletada é filtrada para
15 / 26 remover o espalhamento de Raleigh, por exemplo, através de um filtro de baixa frequência e, opcionalmente, filtrada para remover a fluorescência, então a frequência (comprimento de onda) dispersa usando um elemento dispersivo adequado, como um gradeamento queimado ou um gradeamento holográfico, ou interferometricamente (por exemplo, usando transformadas de Fourier). O gradeamento pode ser fixo ou escaneado, dependendo do tipo de detector usado. O monocromador pode ser qualquer um desses elementos dispersivos, juntamente com filtros associados e óptica de manipulação de feixe.
[0048] O espalhamento Raman disperso é capturado em um detector. A escolha do detector é facilmente feita por um versado na técnica, levando em consideração vários fatores, tais como resolução, sensibilidade para a faixa de frequência apropriada e tempo de resposta. Os detectores típicos incluem detectores de arranjo geralmente usados com monocromadores dispersivos fixos, como arranjos de diodos ou dispositivos de carga acoplada (CCDs), ou detectores de elemento único geralmente usados com monocromadores dispersivos de varredura, como detectores de sulfeto de chumbo e detectores de índio-gálio-arseneto. No caso de detectores de arranjo, o detector é calibrado de modo que a frequência (comprimento de onda) correspondente a cada elemento detector seja conhecida. A resposta do detector é dispensada ao subsistema de dados que gera um conjunto de pontos de dados de deslocamento de frequência e intensidade (x, y) que constituem o espectro Raman.
[0049] A sonda Raman acopla o espectrômetro Raman ao processo de fabricação. Como observado acima, a radiação de excitação pode ser dispensada e coletada da amostra de polímero por qualquer meio conveniente, como o uso de ópticas convencionais ou cabos de fibra óptica. A sonda Raman pode ser uma sonda Raman convencional, uma sonda THz-Raman ou ambas. A sonda Raman pode ou não ter óptica de imersão. As sondas Raman
16 / 26 com óptica de imersão podem ser imersas em amostras líquidas, como polímeros fundidos na extrusora ou polímeros dissolvidos em um solvente. Para amostragem de amostras sólidas (por exemplo, grânulos, glóbulos ou pó), as sondas Raman tipicamente não têm óptica de imersão.
[0050] A sonda Raman é tipicamente colocada em um ponto de acesso no processo de produção do polímero. Por exemplo, os pontos de acesso podem ser próximos de onde os engenheiros fazem a amostragem dos polímeros para controle de qualidade, como imediatamente após o globulizador e/ou após o depósito de purga. A sonda Raman pode estar localizada em um tubo ou em um pequeno recipiente localizado no ponto de acesso. Polímero
[0051] O polímero pode ser um homopolímero, um copolímero ou uma mistura de polímeros. Conforme entendido por um versado na técnica, o termo “polímero” refere-se a um composto polimérico preparado por polimerização de monômeros, sejam do mesmo tipo ou de um tipo diferente. O termo genérico “polímero” inclui, portanto, o termo “homopolímero”, que se refere a polímeros preparados a partir de apenas um tipo de monômero, bem como o termo “copolímero” que se refere a polímeros preparados a partir de dois ou mais monômeros diferentes. Conforme usado neste documento, o termo “mistura” ou “mistura de polímero” geralmente se refere a uma mistura física de dois ou mais polímeros que não são quimicamente combinados. Essa mistura pode ser miscível e pode ou não ser separada por fases. A mistura de polímero pode conter uma ou mais configurações de domínio, que são criadas pelas morfologias dos polímeros. As configurações de domínio podem ser determinadas por difração de raios X, microscopia eletrônica de transmissão, microscopia eletrônica de transmissão de varredura, microscopia eletrônica de varredura e microscopia de força atômica ou outros métodos conhecidos na técnica.
17 / 26
[0052] O polímero pode ser uma poliolefina. Poliolefinas exemplificativas incluem, mas não estão limitadas a polietileno, polipropileno, poli-isobutileno e homopolímeros e copolímeros dos mesmos. Em algumas modalidades, a poliolefina é homopolímero de polipropileno ou um copolímero à base de polipropileno, como um copolímero de impacto ou um polímero aleatório.
[0053] Como aqui usado, o copolímero à base de polipropileno refere- se a copolímeros contendo pelo menos 50% em peso de unidades de monômero de propileno, com base no peso do copolímero. Copolímeros à base de polipropileno são normalmente preparados por polimerização de propileno e pelo menos uma outra α-olefina linear, α-olefina ramificada ou olefina cíclica. A α-olefina e a olefina cíclica podem ter 2 a 20 átomos de carbono, 2 a 16 átomos de carbono ou 2 a 12 átomos de carbono, incluindo, mas não se limitando a etileno, 1-buteno, 2-buteno, 1-penteno, 3-metil-1- buteno, 1-hexeno, 4-metil-1-penteno, 3-metil-1-penteno, 4,6-dimetil-1- hepteno, 1-octeno, 1-deceno, 1-undeceno, 1-dodeceno, 1-tetradeceno, 1- hexadeceno, 1-octadeceno, 1-eicoceno, norborneno, tetraciclododeceno e combinações dos mesmos. Cada uma dessas olefinas pode conter um ou mais heteroátomos, como um átomo de oxigênio, nitrogênio e/ou silício.
[0054] O copolímero à base de polipropileno pode ser feito de cadeias poliméricas lineares e/ou ramificadas. Copolímero à base de polipropileno exemplificativo inclui um copolímero alternativo, um copolímero periódico, um copolímero em bloco, um copolímero aleatório ou um copolímero de impacto. Em algumas modalidades, o copolímero à base de polipropileno é um copolímero aleatório ou um copolímero de impacto contendo opcionalmente ramos de cadeia longa. Conforme usado aqui, o termo “copolímero aleatório” refere-se a um copolímero no qual os diferentes tipos de unidades monoméricas são estatisticamente distribuídos nas moléculas de polímero. O copolímero à base de polipropileno pode ser um copolímero
18 / 26 aleatório de polipropileno-polietileno no qual o conteúdo das unidades de monômero de etileno é tipicamente até 7% em peso, com base no peso total do copolímero.
[0055] Como aqui usado, o termo “copolímero de impacto” refere-se a um copolímero de poliolefina heterofásica em que uma poliolefina é a fase contínua (isto é, a matriz) e uma fase elastomérica está uniformemente dispersa nela. O copolímero de impacto inclui, por exemplo, um copolímero de polipropileno heterofásico em que o homopolímero de polipropileno é a fase contínua e uma fase elastomérica, tal como borracha de etileno propileno (EPR), é uniformemente distribuída nele. O copolímero de impacto resulta de um processo no reator, em vez de uma mistura física.
[0056] Em algumas modalidades, a poliolefina é homopolímero de polietileno, tal como polietileno de muito baixa densidade, polietileno de baixa densidade, polietileno linear de baixa densidade, polietileno de média densidade, polietileno de alta densidade e polietileno de peso molecular ultra- alto, ou um copolímero à base de polietileno, como copolímero de etileno acetato de vinila. Propriedades ou recursos do polímero
[0057] A propriedade do polímero pode ser qualquer propriedade relacionada ao polímero que um versado na técnica pode medir analiticamente por meio de espectroscopia Raman, incluindo peso molecular, índice de fluidez, espessura lamelar, cristalinidade, solúveis de xileno, propriedades mecânicas (por exemplo, propriedades de tração ou compressivas), e combinações dos mesmos. Como aqui usado, o termo “peso molecular” pode referir-se ao peso molecular médio numérico, peso molecular médio ponderal ou peso molecular médio Z.
[0058] As propriedades mecânicas podem ser qualquer propriedade mecânica relacionada ao polímero conhecido por um versado na técnica,
19 / 26 incluindo módulo de Young, resistência à tração no escoamento, alongamento no escoamento na tração e módulo de flexão a 1% secante.
[0059] As características do polímero podem ser a quantidade de um ou mais aditivos (por exemplo, talco, caulim, fibra de vidro), se presente, e uma quantidade de um ou mais comonômeros, se presente. Outros recursos do polímero conhecidos pelos versados na técnica também podem ser determinados por meio do processo descrito.
[0060] Conforme ilustrado na Figura 3, o dispositivo de computação de propriedade de polímero inclui processador ou unidade de processamento central (CPU), memória, lógica de hardware configurável opcional e um sistema de comunicação que são acoplados por um dispositivo de barramento, embora o dispositivo de computação de propriedade de polímero possa compreender outros tipos e número de elementos em outras configurações. Nesse exemplo, o barramento é um barramento PCI Express neste exemplo, embora outros tipos de barramento e enlaces possam ser usados.
[0061] Os processadores dentro do dispositivo de computação de propriedade de polímero podem executar uma ou mais instruções executáveis por computador armazenadas na memória para os métodos ilustrados e descritos com referência aos exemplos aqui, embora o processador possa executar outros tipos e números de instruções e executar outros tipos e números das operações. O processador pode compreender uma ou mais CPUs ou processadores de uso geral com um ou mais núcleos de processamento, como processador(es) AMD®, embora outros tipos de processador(es) possam ser usados (por exemplo, aqueles produzidos pela Intel®).
[0062] A memória dentro do dispositivo de computação de propriedade de polímero pode compreender um ou mais meios de armazenamento tangíveis, como RAM, ROM, memória flash, CD-ROM, disquete, unidade(s) de disco rígido, memória de estado sólido, DVD ou qualquer outra memória tipos ou dispositivos de armazenamento, incluindo
20 / 26 combinações dos mesmos, que são conhecidos por aqueles versados na técnica. A memória pode armazenar uma ou mais instruções legíveis por computador não transitórias dessa tecnologia, conforme ilustrado e descrito com referência aos exemplos aqui que podem ser executados pelo processador. Os fluxogramas exemplificativos mostrados nas Figuras 4 e 5 são representativos de etapas ou ações exemplificativas desta tecnologia que podem ser incorporadas ou expressas como uma ou mais instruções não transitórias legíveis por computador ou máquina armazenadas na memória que podem ser executadas pelo processador e/ou pode ser implementado pela lógica configurada na lógica configurável opcional.
[0063] Por conseguinte, a memória do dispositivo de computação de propriedade de polímero pode armazenar um ou mais aplicativos que podem incluir instruções executáveis por computador que, quando executadas pelo dispositivo de computação de propriedade de polímero, fazem com que o dispositivo de computação de propriedade de polímero execute ações, tais como transmitir, receber ou caso contrário, processar mensagens, por exemplo, e executar outras ações descritas e ilustradas com referência às Figuras 4 e 5. O(s) aplicativo(s) pode(m) ser implementado(s) como módulo ou componentes de outro aplicativo; pode(m) ser implementado(s) como extensões de sistema operacional, módulo, plug-ins ou similares; pode(m) ser implementado(s) como módulo ou componentes de outro aplicativo; pode(m) ser implementado(s) como extensões de sistema operacional, módulo, plug- ins ou similares; pode(m) ser operativo(s) em um ambiente de computação baseado em nuvem; e pode(m) ser executado(s) dentro de máquina(s) virtual(is) ou servidor(es) virtual(is) que pode(m) ser gerenciado(s) em um ambiente de computação baseado em nuvem. Além disso, o(s) aplicativo(s), incluindo o próprio dispositivo de computação de propriedade de polímero, pode(m) estar localizado(s) em servidor(es) virtual(is) em execução em um ambiente de computação baseado em nuvem, em vez de estar vinculado a um
21 / 26 ou mais dispositivos de computação de rede física específicos. Além disso, o(s) aplicativo(s) pode(m) ser executado(s) em uma ou mais máquinas virtuais (VMs) em execução no dispositivo de computação de propriedade de polímero. Em pelo menos uma das várias modalidades, as máquinas virtuais em execução no dispositivo de computação de propriedade de polímero podem ser gerenciadas ou supervisionadas por um hipervisor.
[0064] O dispositivo de lógica de hardware configurável opcional no dispositivo de computação de propriedade de polímero pode compreender hardware especializado configurado para implementar uma ou mais etapas desta tecnologia, conforme ilustrado e descrito com referência aos exemplos neste documento. Apenas a título de exemplo, o dispositivo de hardware lógico configurável opcional pode compreender uma ou mais arranjos de portas programáveis em campo (“FPGAs”), dispositivos lógicos programáveis em campo (“FPLDs”), circuitos integrados de aplicação específica (“ASICs”) e/ou unidades lógicas programáveis (“PLUs”).
[0065] O sistema de comunicação no dispositivo de computação de propriedade de polímero é usado para acoplar operacionalmente e se comunicar entre o dispositivo de computação de propriedade de polímero e o espectrômetro que são todos acoplados por rede de comunicação, como uma ou mais redes de área local (LAN) e/ou o rede de longa distância (WAN), embora outros tipos e números de redes ou sistemas de comunicação com outros tipos e números de conexões e configurações para outros dispositivos e elementos possam ser usados. A título de exemplo apenas, a rede de comunicação como LAN e WAN pode usar TCP/IP sobre Ethernet e protocolos padrão da indústria, incluindo NFS, CIFS, SOAP, XML, LDAP e SNMP, embora outros tipos e números de redes de comunicação possam ser usados.
[0066] Embora o dispositivo de computação de propriedade de polímero seja ilustrado neste exemplo como incluindo um único dispositivo, o
22 / 26 dispositivo de computação de propriedade de polímero em outros exemplos pode incluir uma pluralidade de dispositivos ou lâminas, cada uma com um ou mais processadores, cada processador com um ou mais núcleos de processamento que implementam uma ou mais etapas desta tecnologia. Nesses exemplos, um ou mais dos dispositivos podem ter uma interface de comunicação ou memória dedicada. Um ou mais dos dispositivos podem utilizar a memória, interface de comunicação ou outros componentes de hardware ou software de um ou mais outros dispositivos acoplados de forma comunicável. Um ou mais dos dispositivos que juntos compreendem o dispositivo de computação de propriedade de polímero em outros exemplos podem ser dispositivos autônomos ou integrados com um ou mais outros dispositivos ou aplicativos. Além disso, um ou mais dos dispositivos do dispositivo de computação de propriedade de polímero nesses exemplos podem estar na mesma ou em uma rede de comunicação diferente, incluindo uma ou mais redes públicas, privadas ou em nuvem, por exemplo.
[0067] Cada um dos sistemas pode ser convenientemente implementado usando um ou mais sistemas de computador de uso geral, microprocessadores, processadores de sinal digital e microcontroladores, programados de acordo com os ensinamentos, conforme descrito e ilustrado neste documento, e como será reconhecido por aqueles versados na técnica.
[0068] O dispositivo de computação de propriedade de polímero, por exemplo, pode ser configurado para operar como instâncias virtuais na mesma máquina física. Além disso, dois ou mais sistemas ou dispositivos de computação podem ser substituídos por qualquer um dos sistemas ou dispositivos. Assim, os princípios e vantagens do processamento distribuído, como redundância e replicação também podem ser implementados, conforme desejado, para aumentar a robustez e o desempenho dos dispositivos e sistemas. Os processos também podem ser implementados em sistemas de computador que se estendem por qualquer rede adequada usando quaisquer
23 / 26 mecanismos de interface e tecnologias de tráfego adequados, incluindo, a título de exemplo, teletráfego em qualquer forma adequada (por exemplo, voz e modem), meio de tráfego sem fio, redes de tráfego sem fio, redes de tráfego celular, redes de tráfego G3, redes telefônicas públicas comutadas (PSTNs), redes de dados de pacotes (PDNs), a Internet, intranets e combinações dos mesmos.
[0069] Os processos também podem ser incorporados como um meio legível por computador não transitório com instruções armazenadas no mesmo para um ou mais aspectos da tecnologia, conforme descrito e ilustrado neste documento, que, quando executadas por um processador (ou hardware configurável), fazem com que o processador carregue as etapas necessárias para implementar os processos, conforme descrito e ilustrado neste documento.
[0070] Por conseguinte, um outro aspecto da invenção refere-se a um meio legível por computador não transitório com instruções armazenadas para determinar a qualidade de um polímero com base em um espectro Raman do polímero compreendendo código executável por máquina que, quando executado por pelo menos um processador, faz com que o processador execute etapas incluindo: (i) obter um espectro Raman de uma amostra de polímero de um espectrômetro Raman, onde o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; (ii) computar as uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, em que a etapa de computação é realizada executando, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados; e (iii) determinar, com base em uma ou mais propriedades ou
24 / 26 recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
[0071] Outro aspecto da invenção refere-se a um dispositivo de computação de propriedade de polímero incluindo um processador e uma memória, onde a memória é acoplada ao processador configurado para executar instruções programadas armazenadas na memória incluindo: (i) obter um espectro Raman de uma amostra de polímero de um espectrômetro Raman, em que o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; (ii) computar as uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, em que a etapa de computação é realizada executando um ou mais algoritmos de aprendizado de máquina treinados; e (iii) determinar, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
[0072] Aspectos, vantagens e características adicionais da invenção são apresentados neste relatório descritivo e, em parte, se tornarão aparentes para aqueles versados na técnica ao examinar o seguinte, ou podem ser aprendidos pela prática da invenção. As invenções descritas neste pedido não estão limitadas a qualquer conjunto particular ou combinação de aspectos, vantagens e características. É contemplado que várias combinações dos aspectos, vantagens e características declarados constituem as invenções descritas neste pedido.
[0073] Os testes foram realizados em polipropileno para demonstrar que as propriedades estimadas usando espectroscopia Raman e aprendizado de máquina, conforme descrito neste pedido, se correlacionam com medições
25 / 26 históricas de dados de laboratório, coletados por meio dos métodos mostrados na Tabela 1, abaixo.
Os gráficos, apresentados nas FIGS. 6-9, mostram o valor previsto de uma determinada propriedade conforme determinado pelo algoritmo de aprendizado de máquina com base nos dados Raman versus o valor real dessa propriedade medido em laboratório.
Em particular, a Figura 6 mostra um gráfico que representa a fluidez conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus a fluidez verdadeira medida em laboratório; a Figura 7 mostra um gráfico que representa a % de etileno conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus a % de etileno verdadeira medida em laboratório; a Figura 8 mostra um gráfico que representa o módulo de flexão conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus o módulo de flexão verdadeiro medido em laboratório; e a Figura 9 mostra um gráfico representando o índice de amarelecimento conforme previsto pelo algoritmo de aprendizado de máquina com base no espectro Raman versus o índice de amarelecimento verdadeiro medido em laboratório.
Em cada gráfico, as linhas centrais nos gráficos existem apenas para guiar o olho, e a linha pontilhada central representa uma previsão perfeita, enquanto as linhas pretas mostram um intervalo de mais ou menos 20% de desvio do valor de laboratório.
Tabela 1 Propriedade Código ASTM Comentários sendo medida Fluidez ASTM D1238-13 Este é o procedimento de fluidez automático (vs método Procedimento B manual) Módulo de ASTM D4101-11 O D4101 foi seguido ao preparar as amostras para teste e flexão ASTM D790-10 o D790 foi seguido para as condições de teste.
Índice de ASTM D6290-05 amarelecimento Teor de etileno O teste é baseado no método conhecido relatado por S.
Di Martino and M.
Kelchtermans, intitulado “Determination of the Composition of Ethylene- Propylene Rubbers Using 13C-NMR Spectroscopy” J. of Applied Polymer Science, v 56, 1781-1787 (1995). A determinação do teor de etileno também é mostrada na Patente US nº 9.683.096, aqui incorporada por referência em sua totalidade.
26 / 26
[0074] Como pode ser visto na FIGS. 6 a 9, as previsões de aprendizado de máquina para todas as propriedades mostradas, incluindo fluidez, módulo de flexão, índice de amarelecimento e teor de etileno, ficaram dentro das linhas, indicando que as propriedades previstas estão no máximo 20% acima ou abaixo das medições reais.
[0075] Com base nos resultados mostrados nas FIGS. 6 a 9, um versado na técnica pode concluir que o método descrito utilizando um algoritmo de aprendizado de máquina com base em dados Raman é capaz de estimar, pelo menos com a precisão indicada, várias propriedades-chave de controle de qualidade do polímero, incluindo molecular (fluidez), propriedades mecânicas (módulo de flexão), composicionais (% de etileno) e visuais (índice de amarelecimento). Embora apenas certas propriedades tenham sido mostradas, seria esperado que o método descrito utilizando algoritmo de aprendizado de máquina com base em dados Raman fosse capaz de prever outras propriedades de polímero similares e ser útil em outras poliolefinas ou composições de polímeros.
Claims (24)
1. Método para determinar a qualidade de um polímero com base em um espectro Raman do polímero, o método caracterizado pelo fato de que compreende: obter, por um dispositivo de computação de propriedade de polímero, um espectro Raman de uma amostra de polímero de um espectrômetro Raman, em que o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; computar, pelo dispositivo de computação de propriedade de polímero, as uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, em que a etapa de computação é realizada executando, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados; e determinar, pelo dispositivo de computação de propriedade de polímero, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
2. Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente, antes da etapa de computação, classificar, pelo dispositivo de computação de propriedade de polímero, os picos e/ou vales nas impressões digitais químicas e estruturais obtidas como um recurso de polímero relevante ou recurso de polímero não relevante.
3. Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente, antes da etapa de computação, transformar, pelo dispositivo de computação de propriedade de polímero, o espectro Raman obtido da amostra de polímero em um formato legível por um ou mais algoritmos de aprendizado de máquina treinados.
4. Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente, após a etapa de determinação, relatar, pelo dispositivo de computação de propriedade de polímero, uma ou mais propriedades ou recursos de polímero computados.
5. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a amostra de polímero compreende uma poliolefina.
6. Método de acordo com a reivindicação 5, caracterizado pelo fato de que a poliolefina é polipropileno.
7. Método de acordo com a reivindicação 1, caracterizado pelo fato de que a amostra de polímero está em uma forma de um glóbulo.
8. Método de acordo com a reivindicação 1, caracterizado pelo fato de que uma ou mais propriedades do polímero são uma ou mais propriedades selecionadas do grupo que consiste em peso molecular, índice de fluidez, espessura lamelar, cristalinidade, solúveis de xileno, uma ou mais propriedades de tração e uma ou mais propriedades compressivas; e um ou mais recursos do polímero são um ou mais recursos selecionados do grupo que consiste em uma quantidade de um ou mais aditivos, se presentes, e uma quantidade de um ou mais comonômeros, se presentes.
9. Método de acordo com a reivindicação 1, caracterizado pelo fato de que compreende adicionalmente ajustar, pelo dispositivo de computação de propriedade de polímero, um processo de produção para o polímero com base em uma ou mais propriedades ou recursos de polímero computados.
10. Método de acordo com a reivindicação 1, caracterizado pelo fato de que o um ou mais algoritmos de aprendizado de máquina treinados são treinados por:
receber, pelo dispositivo de computação de propriedade de polímero, um espectro Raman e propriedades e recursos de polímero medidos para cada uma de uma pluralidade de amostras de polímero conhecidas; correlacionar, pelo dispositivo de computação de propriedade de polímero, um ou mais picos e/ou vales nas impressões digitais estruturais e químicas do espectro Raman recebido com as propriedades e recursos do polímero medidos para formar pelo menos parte dos dados de propriedades e recursos do polímero; executar, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina para aprender a reconhecer o um ou mais picos e/ou vales correlacionados nas impressões digitais estruturais e químicas e para calcular as propriedades e recursos do polímero; ajustar, pelo dispositivo de computação de propriedade de polímero, um ou mais hiperparâmetros para minimizar quaisquer erros entre as propriedades e recursos do polímero computados e as propriedades e recursos do polímero medidos; e repetir, pelo dispositivo de computação de propriedade de polímero, pelo menos a etapa de execução e a etapa de ajuste para formar o um ou mais algoritmos de aprendizado de máquina treinados.
11. Método de acordo com a reivindicação 10, caracterizado pelo fato de que compreende adicionalmente intensificar, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados com uma ou mais técnicas de ensemble.
12. Método de acordo com a reivindicação 10, caracterizado pelo fato de que compreende adicionalmente refinar, pelo dispositivo de computação de propriedade de polímero, um ou mais algoritmos de aprendizado de máquina treinados pelo menos por repetição da etapa de execução e da etapa de ajuste.
13. Meio legível por computador não transitório, caracterizado pelo fato de que tem instruções armazenadas para determinar a qualidade de um polímero com base em um espectro Raman do polímero que compreende código executável por máquina que, quando executado por pelo menos um processador, faz com que o processador execute etapas que compreendem: obter um espectro Raman de uma amostra de polímero de um espectrômetro Raman, em que o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; computar as uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, em que a etapa de computação é realizada executando um ou mais algoritmos de aprendizado de máquina treinados; e determinar, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
14. Meio de acordo com a reivindicação 13, caracterizado pelo fato de que compreende adicionalmente, antes da etapa de computação, classificar, pelo dispositivo de computação de propriedade de polímero, os picos e/ou vales nas impressões digitais químicas e estruturais obtidas como um recurso de polímero relevante ou recurso de polímero não relevante.
15. Meio de acordo com a reivindicação 13, caracterizado pelo fato de que compreende adicionalmente, após a etapa de determinação, relatar, pelo dispositivo de computação de propriedade de polímero, uma ou mais propriedades ou recursos de polímero computados.
16. Meio de acordo com a reivindicação 13, caracterizado pelo fato de que a amostra de polímero compreende uma poliolefina.
17. Meio de acordo com a reivindicação 13, caracterizado pelo fato de que uma ou mais propriedades do polímero são uma ou mais propriedades selecionadas do grupo que consiste em peso molecular, índice de fluidez, espessura lamelar, cristalinidade, solúveis de xileno, uma ou mais propriedades de tração e uma ou mais propriedades compressivas; e um ou mais recursos do polímero são um ou mais recursos selecionados do grupo que consiste em uma quantidade de um ou mais aditivos, se presentes, e uma quantidade de um ou mais comonômeros, se presentes.
18. Meio de acordo com a reivindicação 13, caracterizado pelo fato de que compreende adicionalmente, antes da etapa de obtenção, treinar um ou mais algoritmos de aprendizado de máquina, em que a etapa de treinamento compreende: receber um espectro Raman e propriedades e recursos de polímero medidos para cada uma de uma pluralidade de amostras de polímero conhecidas; correlacionar um ou mais picos e/ou vales nas impressões digitais estruturais e químicas do espectro Raman recebido com as propriedades e recursos do polímero medidos para formar pelo menos parte dos dados de propriedades e recursos do polímero; executar um ou mais algoritmos de aprendizado de máquina para aprender a reconhecer o um ou mais picos e/ou vales correlacionados nas impressões digitais estruturais e químicas e para calcular as propriedades e recursos do polímero; ajustar um ou mais hiperparâmetros para minimizar quaisquer erros entre as propriedades e recursos do polímero computados e as propriedades e recursos do polímero medidos; e repetir pelo menos a etapa de execução e a etapa de ajuste para formar o um ou mais algoritmos de aprendizado de máquina treinados.
19. Dispositivo de computação de propriedade de polímero, caracterizado pelo fato de que compreende: um processador; uma memória, em que a memória é acoplada ao processador configurado para executar instruções programadas armazenadas na memória compreendendo: obter um espectro Raman de uma amostra de polímero de um espectrômetro Raman, em que o espectro Raman compreende uma pluralidade de picos e vales em impressões digitais químicas e estruturais que correspondem a uma ou mais propriedades ou recursos de polímero; computar as uma ou mais propriedades ou recursos de polímero comparando as impressões digitais químicas e estruturais obtidas com dados de propriedades de polímero e recursos armazenados, em que a etapa de computação é realizada executando um ou mais algoritmos de aprendizado de máquina treinados; e determinar, com base em uma ou mais propriedades ou recursos de polímero computados, se a qualidade da amostra de polímero atende a um limite de qualidade predeterminado.
20. Dispositivo de acordo com a reivindicação 19, caracterizado pelo fato de que o processador é adicionalmente configurado para executar instruções programadas armazenadas na memória compreendendo adicionalmente, antes da etapa de computação, classificar, pelo dispositivo de computação de propriedade de polímero, os picos e/ou vales nas impressões digitais químicas e estruturais obtidas como um recurso de polímero relevante ou recurso de polímero não relevante.
21. Dispositivo de acordo com a reivindicação 19, caracterizado pelo fato de que o processador é adicionalmente configurado para executar instruções programadas armazenadas na memória compreendendo adicionalmente, após a etapa de determinação, relatar, pelo dispositivo de computação de propriedade de polímero, uma ou mais propriedades ou recursos de polímero computados.
22. Dispositivo de acordo com a reivindicação 19, caracterizado pelo fato de que a amostra de polímero compreende uma poliolefina.
23. Dispositivo de acordo com a reivindicação 19, caracterizado pelo fato de que uma ou mais propriedades do polímero são uma ou mais propriedades selecionadas do grupo que consiste em peso molecular, índice de fluidez, espessura lamelar, cristalinidade, solúveis de xileno, uma ou mais propriedades de tração e uma ou mais propriedades compressivas; e um ou mais recursos do polímero são um ou mais recursos selecionados do grupo que consiste em uma quantidade de um ou mais aditivos, se presentes, e uma quantidade de um ou mais comonômeros, se presentes.
24. Dispositivo de acordo com a reivindicação 19, caracterizado pelo fato de que o processador é adicionalmente configurado para executar instruções programadas armazenadas na memória compreendendo adicionalmente treinar um ou mais algoritmos de aprendizado de máquina antes da etapa de obtenção, em que a etapa de treinamento compreende: receber um espectro Raman e propriedades e recursos de polímero medidos para cada uma de uma pluralidade de amostras de polímero conhecidas; correlacionar um ou mais picos e/ou vales nas impressões digitais estruturais e químicas do espectro Raman recebido com as propriedades e recursos do polímero medidos para formar pelo menos parte dos dados de propriedades e recursos do polímero; executar um ou mais algoritmos de aprendizado de máquina para aprender a reconhecer o um ou mais picos e/ou vales correlacionados nas impressões digitais estruturais e químicas e para calcular as propriedades e recursos do polímero; ajustar um ou mais hiperparâmetros para minimizar quaisquer erros entre as propriedades e recursos do polímero computados e as propriedades e recursos do polímero medidos; e repetir pelo menos a etapa de execução e a etapa de ajuste para formar o um ou mais algoritmos de aprendizado de máquina treinados.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862653791P | 2018-04-06 | 2018-04-06 | |
| US62/653,791 | 2018-04-06 | ||
| PCT/US2019/026073 WO2019195737A1 (en) | 2018-04-06 | 2019-04-05 | Raman spectroscopy and machine learning for quality control |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112020020417A2 true BR112020020417A2 (pt) | 2021-01-12 |
Family
ID=68098054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112020020417-0A BR112020020417A2 (pt) | 2018-04-06 | 2019-04-05 | Método para determinar a qualidade de um polímero com base em um espectro raman do polímero, meio legível por computador não transitório, e, dispositivo de computação de propriedade de polímero. |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US10955362B2 (pt) |
| EP (1) | EP3775759A4 (pt) |
| JP (1) | JP7053946B2 (pt) |
| KR (1) | KR102282867B1 (pt) |
| CN (1) | CN112513561B (pt) |
| BR (1) | BR112020020417A2 (pt) |
| CA (1) | CA3095905C (pt) |
| MX (1) | MX2020010504A (pt) |
| SG (1) | SG11202009818PA (pt) |
| WO (1) | WO2019195737A1 (pt) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6633820B1 (ja) | 2018-03-09 | 2020-01-22 | 昭和電工株式会社 | ポリマーの物性予測装置、プログラム、及び方法 |
| JP7109339B2 (ja) * | 2018-11-02 | 2022-07-29 | 昭和電工株式会社 | ポリマー設計装置、プログラム、および方法 |
| CN112633307A (zh) * | 2019-10-08 | 2021-04-09 | 中强光电股份有限公司 | 用于光谱仪的自动化模型训练装置和自动化模型训练方法 |
| US11237111B2 (en) | 2020-01-30 | 2022-02-01 | Trustees Of Boston University | High-speed delay scanning and deep learning techniques for spectroscopic SRS imaging |
| US11353394B2 (en) | 2020-09-30 | 2022-06-07 | X Development Llc | Deformulation techniques for deducing the composition of a material from a spectrogram |
| TW202221549A (zh) * | 2020-11-26 | 2022-06-01 | 中強光電股份有限公司 | 優化光譜儀的輸出結果的方法及使用該方法的電子裝置 |
| KR20220097351A (ko) * | 2020-12-31 | 2022-07-07 | 모던밸류 주식회사 | 기계학습을 통한 라만 산란 스펙트럼 데이터베이스 구축 및 검색법 |
| US20220390278A1 (en) * | 2021-06-07 | 2022-12-08 | Tellspec, Ltd. | Spectral analysis visualization system and method |
| KR20240042871A (ko) * | 2022-09-26 | 2024-04-02 | 한국과학기술원 | 딥러닝 및 자기조립단층막 기반 알츠하이머병 진단 방법 및 이를 위한 sers 기판 |
| EP4390942A1 (en) | 2022-12-20 | 2024-06-26 | Borealis AG | Image-based prediction of ductile-to-brittle transition temperature of polymer compositions |
| EP4390941A1 (en) | 2022-12-20 | 2024-06-26 | Borealis AG | A computer-implemented method for outputting parameter values describing at least an elastoplastic mechanical response of one or more materials |
| EP4390943A1 (en) | 2022-12-20 | 2024-06-26 | Borealis AG | Prediction of the ductile-to-brittle transition temperature of polymer compositions based on impact curves |
| CN117451691B (zh) * | 2023-12-21 | 2024-04-02 | 浙江恒逸石化有限公司 | 一种用于预先判断纱线染色性能的方法 |
Family Cites Families (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9517955D0 (en) * | 1995-07-25 | 1995-11-08 | Univ Strathclyde | Nucleotide sequence detection and analysis |
| DE19934349A1 (de) * | 1999-07-22 | 2001-01-25 | Ulrich Thiele | Analysenverfahren zur kontinuierlichen analytischen Kontrolle von Polymeren bei denen Herstellung oder Verarbeitung |
| US6723804B1 (en) * | 2000-11-03 | 2004-04-20 | Chevron Phillips Chemical Company, Lp | Monitoring and control of slurry processes for polymerizing olefins |
| KR20040053290A (ko) * | 2001-11-09 | 2004-06-23 | 엑손모빌 케미칼 패턴츠 인코포레이티드 | 라만 분광법에 의한 중합체 특성의 온-라인 측정 및 제어 |
| AU2003255419A1 (en) * | 2002-08-12 | 2004-03-03 | Basell Polyolefine Gmbh | Determination of mechanical properties of polymer products using raman spectroscopy |
| US7106437B2 (en) * | 2003-01-06 | 2006-09-12 | Exxonmobil Chemical Patents Inc. | On-line measurement and control of polymer product properties by Raman spectroscopy |
| US7483129B2 (en) * | 2005-07-22 | 2009-01-27 | Exxonmobil Chemical Patents Inc. | On-line properties analysis of a molten polymer by raman spectroscopy for control of a mixing device |
| CN1963824A (zh) * | 2006-11-17 | 2007-05-16 | 东华大学 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
| CN101403696A (zh) * | 2008-10-21 | 2009-04-08 | 浙江大学 | 一种基于拉曼光谱的测量汽油烯烃含量的方法 |
| CN101995395B (zh) * | 2009-08-14 | 2013-07-31 | 上海镭立激光科技有限公司 | 一种激光诱导多种光谱联合指纹网络在线检测材料的方法 |
| DE102009038746B3 (de) * | 2009-08-27 | 2011-04-14 | Airbus Operations Gmbh | Verfahren und Vorrichtung zur Qualitätsprüfung eines umgeformten thermoplastischen faserverstärkten Kunststoffbauteils |
| JP5265632B2 (ja) * | 2010-08-16 | 2013-08-14 | 株式会社サイム | プラスチック等識別装置およびプラスチック等識別方法 |
| CN103376251A (zh) * | 2012-04-19 | 2013-10-30 | 上海迪亚凯特生物医药科技有限公司 | 一种物品快速检测的便携式拉曼光谱测量装置和系统 |
| JP6393683B2 (ja) * | 2012-08-16 | 2018-09-19 | ナショナル ユニヴァーシティー オブ シンガポール | プローブヘッド及び診断用機器 |
| US9506867B2 (en) * | 2012-12-11 | 2016-11-29 | Biogen Ma Inc. | Spectroscopic analysis of nutrient materials for use in a cell culture process |
| CA2934992C (en) * | 2013-12-23 | 2023-03-21 | Braskem America, Inc. | Propylene-based compositions of enhanced appearance and flowability |
| CN104089941B (zh) * | 2014-06-11 | 2018-01-05 | 华南理工大学 | 一种聚合物熔体性质的拉曼光谱在线测量装置与方法 |
| ES2847230T3 (es) * | 2014-07-02 | 2021-08-02 | Nat Univ Singapore | Sistema, aparato y procedimiento de espectroscopía RAMAN para analizar, caracterizar y/o diagnosticar un tipo o naturaleza de una muestra o un tejido, tal como un crecimiento anómalo |
| KR20160041622A (ko) * | 2014-10-08 | 2016-04-18 | 삼성전자주식회사 | 라만 분광 신호 다중 분석 방법 |
| CA2983936C (en) * | 2015-04-27 | 2021-03-16 | Virtual Fluid Monitoring Services, Llc | Systems, apparatuses, and methods for fluid analysis and monitoring |
| US11051889B2 (en) * | 2015-05-10 | 2021-07-06 | Alpha Omega Engineering Ltd. | Brain navigation methods and device |
| WO2017089427A1 (de) * | 2015-11-23 | 2017-06-01 | Celltool Gmbh | Vorrichtung und verfahren zum analysieren biologischer objekte mit raman spektroskopie |
| CN105891185A (zh) * | 2016-04-08 | 2016-08-24 | 广东工业大学 | 一种贵金属微纳米结构及其制备方法和应用 |
| CN105997000B (zh) * | 2016-05-30 | 2023-04-14 | 福建师范大学 | 一种基于纤维内窥镜的拉曼光谱检测装置及其实现方法 |
| US11247905B2 (en) * | 2016-11-18 | 2022-02-15 | The Regents Of The University Of California | Synthesis of graphene nanoribbons from monomeric molecular precursors bearing reactive alkyne moieties |
| JP6438549B1 (ja) * | 2017-08-24 | 2018-12-12 | 日本分光株式会社 | 機械学習を用いた未知化合物の分類方法 |
| JP2019052932A (ja) * | 2017-09-14 | 2019-04-04 | 国立研究開発法人理化学研究所 | データ解析装置、プログラム及び記録媒体、並びにデータ解析方法 |
| KR102408951B1 (ko) * | 2017-09-18 | 2022-06-13 | 삼성전자주식회사 | 글루코스 노출량 추정 장치 및 방법과, 글루코스 노출량 추정 모델 생성 장치 및 방법 |
| CN107818298B (zh) * | 2017-09-27 | 2021-03-09 | 厦门大学 | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 |
-
2019
- 2019-04-05 JP JP2021504134A patent/JP7053946B2/ja active Active
- 2019-04-05 US US16/376,642 patent/US10955362B2/en active Active
- 2019-04-05 BR BR112020020417-0A patent/BR112020020417A2/pt unknown
- 2019-04-05 MX MX2020010504A patent/MX2020010504A/es unknown
- 2019-04-05 KR KR1020207031808A patent/KR102282867B1/ko active IP Right Grant
- 2019-04-05 EP EP19781181.3A patent/EP3775759A4/en active Pending
- 2019-04-05 SG SG11202009818PA patent/SG11202009818PA/en unknown
- 2019-04-05 CN CN201980030351.8A patent/CN112513561B/zh active Active
- 2019-04-05 CA CA3095905A patent/CA3095905C/en active Active
- 2019-04-05 WO PCT/US2019/026073 patent/WO2019195737A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| JP7053946B2 (ja) | 2022-04-12 |
| KR20200139237A (ko) | 2020-12-11 |
| CN112513561B (zh) | 2022-04-15 |
| EP3775759A4 (en) | 2022-04-27 |
| MX2020010504A (es) | 2021-03-25 |
| CA3095905C (en) | 2021-08-10 |
| US10955362B2 (en) | 2021-03-23 |
| JP2021521463A (ja) | 2021-08-26 |
| WO2019195737A1 (en) | 2019-10-10 |
| KR102282867B1 (ko) | 2021-07-27 |
| SG11202009818PA (en) | 2020-11-27 |
| EP3775759A1 (en) | 2021-02-17 |
| CN112513561A (zh) | 2021-03-16 |
| CA3095905A1 (en) | 2019-10-10 |
| US20190310207A1 (en) | 2019-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112020020417A2 (pt) | Método para determinar a qualidade de um polímero com base em um espectro raman do polímero, meio legível por computador não transitório, e, dispositivo de computação de propriedade de polímero. | |
| Närhi et al. | Machine learning analysis of extreme events in optical fibre modulation instability | |
| Niemann et al. | Fluctuations of 1/f noise and the low-frequency cutoff paradox | |
| ES2731891T3 (es) | Método para predecir la estabilidad de corrientes de proceso de hidrocarburos usando espectros de infrarrojo cercano | |
| Balevičius Jr et al. | The full dynamics of energy relaxation in large organic molecules: from photo-excitation to solvent heating | |
| Cooper et al. | Local mapping of detector response for reliable quantum state estimation | |
| Zhang et al. | Stiffness gradients in glassy polymer model nanocomposites: comparisons of quantitative characterization by fluorescence spectroscopy and atomic force microscopy | |
| CN109839358B (zh) | 农产品品质分析方法及装置 | |
| Pantani et al. | Evolution of iPP relaxation spectrum during crystallization | |
| Fischer et al. | Simulating and evaluating small-angle X-ray scattering of micro-voids in polypropylene during mechanical deformation | |
| Grumstrup et al. | Frequency modulated femtosecond stimulated Raman spectroscopy of ultrafast energy transfer in a donor–acceptor copolymer | |
| Kida et al. | Rheo-Raman spectroscopic study on uniaxial deformation behavior of high-density polyethylene solids with various molecular weight distributions | |
| Samuel et al. | Estimating percent crystallinity of polyethylene as a function of temperature by Raman spectroscopy multivariate curve resolution by alternating least squares | |
| Shanbhag | Analytical rheology of polymer melts: State of the art | |
| Barbas et al. | In‐line near‐infrared spectroscopy: A tool to monitor the preparation of polymer‐clay nanocomposites in extruders | |
| Mu et al. | On the empirical time complexity of random 3-SAT at the phase transition | |
| Furukawa et al. | Discrimination of various poly (propylene) copolymers and prediction of their ethylene content by near‐infrared and Raman spectroscopy in combination with chemometric methods | |
| Smirnova et al. | Morphology development in model polyethylene via two-dimensional correlation analysis | |
| Marcus et al. | Towards a spectroscopic protocol for unambiguous detection of quantum coherence in excitonic energy transport | |
| Wu et al. | Multiple population-period transient spectroscopy (MUPPETS) in excitonic systems | |
| Algazinov et al. | Methods of measuring the spectral characteristics and identifying the components of grain mixtures in real-time separation systems | |
| Stadler et al. | Evaluation of relaxation spectra of linear, short, and long-chain branched polyethylenes | |
| EP2646811B1 (en) | Method for automatic peak finding in calorimetric data | |
| Chaudemanche et al. | Evolution of the Raman backscattered intensity used to analyze the micromechanisms of deformation of various polypropylene blends in situ during a uniaxial tensile test | |
| Suárez et al. | Quantification of uncertainties involved in the conformational study of polymers by light scattering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] |