O desenvolvimento de corantes adequados para plásticos de engenharia, tais como poliamida (PA) de alto desempenho e compostos de poliéster, constitui um grande desafio. O número de corantes resistentes a altas temperaturas disponíveis é limitado e, ao mesmo tempo, os impactos no desempenho do material devem ser minimizados. Esta tarefa pode ser difícil, porque muitos corantes funcionais são de natureza inorgânica cristalina o que, por exemplo, pode afetar as fibras de vidro, e assim degradar as propriedades mecânicas do material.

Na Envalior, resultado da fusão entre a antiga DSM Engineering Materials e a Lanxess High Performance Materials, os especialistas desenvolvem tipos de formulações coloridas com base em uma nova abordagem experimental. O desafio foi unir a expertise de diferentes departamentos, bem como os resultados de experimentos anteriores.

 

Nova maneira de desenvolver cores

Foi desenvolvida uma ferramenta digital baseada em inteligência artificial chamada Lucidiris, que elabora formulações de cor com base em dados, fazendo a combinação de informações obtidas em testes anteriores com modelos físicos e algoritmos modernos. Ela é usada para atender a diversas solicitações de desenvolvimento de formulações coloridas. O uso de inteligência artificial reduz o número de iterações experimentais necessárias e, assim, garante prazos de entrega curtos (figura 1).

Fig. 1 – O aplicativo para desenvolvimento de formulações baseado em inteligência artificial chamado Lucidiris é constantemente enriquecido com novos dados e, portanto, fornece soluções muito precisas (Fonte: Envalior; gráfico: Hanser).

Uma solicitação para o desenvolvimento de formulações coloridas normalmente tem início com as especificações de valores de cores e de propriedades de materiais adequadas à aplicação. Essas especificações de cores podem ser expressas como valores de L*, a* e b* sob uma fonte de luz específica, desde que um padrão de cor de referência seja fornecido. Neste último caso, os valores de cor, opacidade e qualidade da superfície são determinados e transferidos para o material-base selecionado.

 

Desenvolvimento convencional de cores

Os especialistas em cores iniciam os experimentos após as últimas discussões ocorridas na aceitação do pedido. Simultaneamente, às vezes, são usadas centenas de paletas de cores para os testes. Frequentemente, a cor de um painel de teste que parece ser a mais próxima da cor desejada pelo cliente é usada como ponto de partida. Se a formulação não atender aos requisitos de propriedades mecânicas, ela deverá ser totalmente redefinida. A formulação é alterada em múltiplas etapas até que a diferença entre a cor obtida em relação aos valores da cor desejada seja minimizada. Isso é feito principalmente alterando-se, de forma gradual, as concentrações dos corantes usados.

A cada experimento cria-se a formulação correspondente, a qual é aplicada em placas moldadas por injeção e, por fim, sua cor é analisada. Se os valores correspondentes às cores obtidas estiverem muito distantes, o ciclo de revelação se repete até que os valores L*, a* e b* das cores estejam dentro das especificações.

 

Um desafio especial: materiais de alto desempenho

Os plásticos de engenharia e outros materiais de alto desempenho, em particular, constituem grandes desafios para os desenvolvedores. Uma vez obtida a cor desejada, vários ensaios mecânicos são realizados em corpos de prova confeccionados com o composto colorido que foi desenvolvido. Se as propriedades mecânicas se desviarem muito dos valores especificados, o desenvolvimento da formulação colorida deverá ser repetido. Como já foi mencionado, isso pode acontecer se forem usados corantes cristalinos inorgânicos, que danificam as fibras de vidro usadas e que, portanto, prejudicam as propriedades.

Os corantes orgânicos, muitas vezes, não são uma alternativa viável porque podem apresentar problemas de estabilidade sob altas temperaturas. Outra dificuldade pode estar no fato de a cor desejada para uma peça e a cor da amostra desenvolvida combinarem perfeitamente quando vistas sob a fonte de luz usada, mas que se mostram muito diferentes quando testadas sob outras condições de iluminação. Este fenômeno é conhecido como metamerismo e, na maioria dos casos, é inaceitável para o cliente. Por todas essas razões, todo o processo de desenvolvimento de coloração pode ser demorado, caro e requerer um longo prazo de entrega. Na pior das hipóteses, as dificuldades levam ao não atendimento das especificações.

 

Dados são “ouro” para a inteligência artificial

A Envalior dispõe de uma grande massa de dados sobre formulações com propriedades cromáticas já medidas, e também sobre plásticos. Esses dados são importantes para a inteligência artificial. Foi então desenvolvido um assistente virtual que, juntamente com o know-how de especialistas em materiais e coloração, prevê as cores alcançáveis e propõe formulações. As propriedades do material, tais como limite de resistência, módulo de elasticidade sob tração, alongamento na ruptura, tenacidade medida pelo ensaio Charpy com corpo de prova entalhado e reciclagem são levadas em consideração.

A ferramenta digital usa múltiplas combinações de algoritmos avançados para aprendizagem de máquina (machine learning). Entretanto, tudo começa com a compilação dos dados históricos, de forma estruturada e legível pela máquina, de acordo com os princípios FAIR, de Findable-Accessible-Interoperable-Reusable (ou encontrável-acessível-interoperável-reutilizável, em tradução livre)⁽¹⁾.

Todos os dados disponíveis, incluindo curvas de refletância completas, são integrados e limpos usando-se métodos para detecção de valores discrepantes (outliers). Um novo fluxo de trabalho de dados foi desenvolvido para integrar cada novo experimento ao banco de dados e utilizá-lo para criar e atualizar os modelos. Essa estrutura de dados por si só já forneceu conhecimentos úteis, os quais tornaram possível visualizar correlações usando um modelo de floresta aleatória (random forest).

 

Redes neurais identificam valores discrepantes

Redes neurais e processos gaussianos também têm sido usados para fazer previsões sobre as propriedades cromáticas no desenvolvimento de formulações^{(2, 3)}. Os diferentes modelos apresentam pontos fortes para a detecção de valores discrepantes como, por exemplo, precisão, previsão de exatidão geral, velocidade computacional e capacidade para lidar com curvas de refletância completas, levando-se em conta os efeitos de metamerização.

Além disso, há a possibilidade de exibir um conjunto de cores alcançáveis a partir de um ponto específico no espaço cromático. Este conceito pode ser usado para materiais virgens e polímeros baseados em materiais reciclados (figura 2). O modelo abrevia com sucesso o desenvolvimento iterativo porque o modelo de predição se aprimora a cada novo resultado experimental (figura 3). Essas funções são usadas para todos os desenvolvimentos de coloração.

Fig. 2 – Representação unidimensional de processos gaussianos: a precisão da previsão melhora com cada ponto de dados adicional medido. A melhoria do modelo ocorre em um espaço multidimensional que leva em consideração valores de cores L*, a* e b*, além de muitas concentrações de corantes e propriedades mecânicas (Fonte: Envalior; gráfico: Hanser)​​​​​​​.

 

Fig. 3 – Representação de um envelope de cores previsto a partir de valores específicos de cores iniciais para L*, a* e b*. Na prática, o envelope é um volume tridimensional que também inclui o eixo L* (Fonte: Envalior; gráfico: Hanser).

Um modelo prescritivo fornece sugestões para formulações coloridas com base nos valores das cores desejadas. Foi usada uma combinação de algoritmos evolutivos, como os algoritmos de sobrevivência do mais apto e outros modelos de otimização (figura 4)⁽⁴⁾. Eles proporcionam um equilíbrio entre usar o espaço de design atual e explorar possibilidades além dele. O usuário pode controlar o design atribuindo pesos diferentes a determinados parâmetros, influenciando assim as sugestões de formulações propostas pela inteligência artificial.

Fig. 4 – Fluxo de trabalho para modelagem: em cada nova geração, as mutações são avaliadas usando o modelo de previsão até que uma formulação seja otimizada para os valores pretendidos (Fonte: Envalior; gráfico: Hanser)​​​​​​​.

O conceito de desenvolvimento de formulações coloridas com base em inteligência artificial é complexo. Foi desenvolvida uma interface amigável para proporcionar aos usuários a operação mais fácil possível. A primeira e mais importante característica é a opção para seleção de um polímero específico e criação de uma formulação colorida, para então prever suas propriedades. Com base no feedback de usuários, a Envalior incorporou recursos adicionais à interface do Lucidiris.

As previsões agora podem ser salvas e compartilhadas com toda a equipe de desenvolvimento de coloração. Os resultados de novas execuções experimentais são integrados permanentemente ao banco de dados. Além disso, é possível retroceder a partir dos pontos de referência para encontrar os experimentos históricos mais semelhantes e sugerir formulações correspondentes. Além da coloração em si, também é previsto o efeito de uma determinada mistura de corantes nas propriedades mecânicas. A interface do aplicativo também mostra a precisão de previsão, facilitando a seleção de sugestões de formulações e aumentando a efetividade da ferramenta de inteligência artificial.

 

Conclusão

Desde o lançamento do Lucidiris, em 2022, a Envalior tem usado continuamente esse aplicativo no desenvolvimento de colorações. Isso demonstrou que as repetições durante a criação de cores podem ser reduzidas. Esses bons resultados proporcionaram uma grande motivação para que a equipe de desenvolvimento continue nesse caminho. A criação de formulações baseada em inteligência artificial é possível para todas as aplicações para as quais as formulações são desenvolvidas. Entretanto, é necessário contar com uma quantidade suficiente de dados experimentais e, se possível, informações sobre as características da matéria-prima e do projeto.

A partir daí, as combinações da gestão de dados FAIR, os fluxos de trabalho de dados automatizados e algoritmos de aprendizagem automática fazem com que os ciclos de desenvolvimento de produtos (design-construção-testeaprendizagem) sejam abreviados.

 

Agradecimentos

Os autores gostariam de agradecer à Sioux Technologies pela assistência nas avaliações dos algoritmos expandidos.

 

REFERÊNCIAS BIBLIOGRÁFICAS

As referências bibliográficas deste artigo podem ser encontradas em http:/ /www.kunststoffe.de/onlinearchiv.