دسترسی لحظه‌ای به ویسکوزیته مذاب پلیمر: افزایش چشمگیر در کیفیت و کاهش ضایعات

فرآیند اکستروژن پلیمر، یکی از مراحل کلیدی در تولید محصولات پلیمری است که کیفیت نهایی محصول و میزان ضایعات مواد را تعیین می‌کند. اما تاکنون، نظارت دقیق و لحظه‌ای بر ویسکوزیته مذاب در این فرآیند، به دلیل محدودیت‌های فناوری‌های موجود، چالشی بزرگ بوده است. اکنون، پژوهشگران دانشگاه منچستر با توسعه یک سافت سنسور پیشرفته، راه‌حلی نوین ارائه داده‌اند که می‌تواند این مشکل را برطرف کند.

ترکیب فیزیک و یادگیری ماشین:

یک تیم تحقیقاتی، با ترکیب دانش فیزیکی و فناوری یادگیری ماشین، یک سافت سنسور از نوع گرِی‌باکس طراحی کرده‌اند که قادر است ویسکوزیته مذاب را در حین فرآیند اکستروژن به‌صورت لحظه‌ای و با دقت بالا پیش‌بینی کند. این سیستم نه‌تنها محدودیت‌های روش‌های سنتی را برطرف می‌کند، بلکه عملکرد پیش‌بینی آن نسبت به مطالعات پیشین، ۹۵ درصد بهبود یافته است.

محدودیت‌های فناوری‌های موجود

رئومترهای سنتی که برای اندازه‌گیری ویسکوزیته مذاب استفاده می‌شوند، دارای مشکلاتی هستند. رئومترهای جانبی (side-stream) اگرچه جریان مذاب را مختل نمی‌کنند، اما با تأخیر زمانی چند دقیقه‌ای همراه هستند. از سوی دیگر، رئومترهای درون‌خطی (in-line) اگرچه اندازه‌گیری‌های لحظه‌ای انجام می‌دهند، اما جریان مذاب را مختل کرده و بازده فرآیند را کاهش می‌دهند. این محدودیت‌ها باعث می‌شود که استفاده از این فناوری‌ها در صنعت اکستروژن پلیمر چالش‌برانگیز باشد.

فناوری اولتراسوند: گزینه‌ای غیرتهاجمی اما ناکامل

یکی دیگر از روش‌های مورد مطالعه، استفاده از پروفایل سرعت اولتراسوند همراه با اختلاف فشار است. این روش غیرتهاجمی، کم‌هزینه و نصب آسانی دارد، اما با مشکلاتی مانند اندازه‌گیری‌های نادرست ترانسدیوسرها مواجه است. اینجاست که سافت سنسور گرِی‌باکس، به عنوان راه‌حلی برتر ظاهر می‌شود.

یادگیری عمیق: گامی به سوی دقت بیشتر

این سافت سنسور نه‌تنها از مدل‌های فیزیکی استفاده می‌کند، بلکه با بهره‌گیری از شبکه‌های عصبی عمیق، توانایی پیش‌بینی خود را به‌طور چشمگیری بهبود بخشیده است. این تحقیق، اولین مطالعه‌ای است که از فناوری یادگیری عمیق در کنار معماری گرِی‌باکس برای پیش‌بینی ویسکوزیته در فرآیند اکستروژن پلیمر استفاده می‌کند. نتایج نشان می‌دهد که این سافت سنسور نه‌تنها از مدل‌های کاملاً داده‌محور پیشی گرفته، بلکه عملکرد بهتری نسبت به سافت سنسورهای مبتنی بر شبکه عصبی (RBF) نیز دارد.

یک گام به جلو، با یک محدودیت

با وجود پیشرفت‌های چشمگیر، این سافت سنسور هنوز یک محدودیت دارد: اگرچه می‌تواند تغییرات ویسکوزیته ناشی از تغییر شرایط عملیاتی را تشخیص دهد، اما قادر به شناسایی تغییرات ناشی از تغییر خواص مواد نیست. این موضوع، زمینه‌ای برای تحقیقات آینده است.

تأثیر این فناوری بر صنعت

این نوآوری می‌تواند تحول بزرگی در صنعت پلیمر ایجاد کند. با دسترسی لحظه‌ای به داده‌های دقیق درباره ویسکوزیته مذاب، تولیدکنندگان می‌توانند کیفیت محصولات خود را بهبود بخشیده و ضایعات مواد را به‌طور قابل توجهی کاهش دهند. این نه‌تنها به معنای صرفه‌جویی در هزینه‌ها است، بلکه گامی مهم به سوی تولید پایدارتر و دوست‌دار محیط زیست نیز محسوب می‌شود.

این تحقیق، نمونه‌ای از قدرت ترکیب دانش فیزیکی و فناوری‌های نوین مانند یادگیری ماشین است که می‌تواند راه‌حل‌هایی برای چالش‌های پیچیده صنعتی ارائه دهد. به نظر می‌رسد آینده صنعت پلیمر، با چنین نوآوری‌هایی، روشن‌تر از همیشه باشد.