ИИ в производстве полимеров и пластиков: оптимизация рецептур, контроль качества и предсказание свойств

Полимерная промышленность производит >400 миллионов тонн пластиков в год. Каждый сорт пластика — это уникальная рецептура с десятками параметров. Найти оптимальную формулу методом проб и ошибок — годы работы. AI предсказывает свойства до синтеза — ускоряя разработку в разы.

Кейс 1. Dow Chemical и SABIC — AI для разработки новых полимеров

Инструменты

• ML-предсказание механических, термических и химических свойств полимеров
• Generative Materials Design: AI генерирует новые молекулярные структуры с заданными свойствами
• Высокопроизводительное скрининговое тестирование + ML-отбор
• Digital Twin полимеризационных реакторов

Что происходит

Задача: разработать биоразлагаемый упаковочный материал с прочностью полиэтилена, но разлагающийся за 2 года в почве. Традиционно: годы синтеза и тестирования сотен кандидатов.

ML-подход Dow: база данных из 500 000+ известных полимеров с измеренными свойствами. ML-модель обучилась предсказывать свойства по молекулярной структуре. Теперь: AI генерирует 10 000 виртуальных кандидатов → предсказывает свойства → фильтрует по критериям → отбирает 20 для реального синтеза.

Результат: физически синтезируются только перспективные кандидаты. Цикл разработки: с 5–7 лет до 1,5–2 лет.

Результаты

• Скорость разработки нового полимерного материала: ускорение в 3–4 раза
• Процент успешных кандидатов при синтезе: рост с ~5% до ~30% (меньше «пустых» синтезов)
• Dow/SABIC: десятки коммерческих продуктов, разработанных с AI-помощью

Кейс 2. AI-управление экструзионным производством

Инструменты

• IoT-датчики + ML: мониторинг параметров экструзии в реальном времени
• Предсказание качества продукта (толщина плёнки, пузыри, однородность) по параметрам процесса
• Automated Process Control: ML корректирует параметры для стабильного качества
• Anomaly Detection: выявление отклонений до производства брака

Что происходит

Производство полиэтиленовой плёнки: экструдер с десятками параметров (температура по зонам, скорость шнека, давление расплава, скорость намотки). Небольшое отклонение → плёнка с неравномерной толщиной или пузырями.

ML-система: анализирует 200+ параметров в реальном времени и предсказывает качество следующих метров плёнки ДО того, как они выйдут. Если прогноз — брак → параметры автоматически корректируются. Оператор видит: «через 30 секунд температура зоны 3 выйдет за пределы оптимального — уже скорректировано автоматически».

Результаты

• Процент брака при ML-управлении: снижение с ~3,5% до ~1,2%
• Расход сырья (меньше переработки брака): снижение на ~2%
• Скорость линии при том же качестве: рост на ~5–8%
• Для завода производительностью 50 000 т/год: экономия >₽50 млн/год

Кейс 3. AI в рециклинге пластиков

Инструменты

• CV-сортировка пластиков по типу (PET, HDPE, PVC, LDPE) через спектроскопию + ML
• ML-оптимизация переработки смешанных пластиков
• Предсказание свойств вторичного сырья

Что происходит

Рециклинг пластиков — один из самых сложных аспектов экономики замкнутого цикла. Разные типы пластика нельзя перерабатывать вместе. CV + NIR-спектроскопия + ML: сортировочные конвейеры автоматически определяют тип каждого объекта и направляют в нужный поток.

Системы типа TOMRA и Bulk Handling Systems достигают >95% точности классификации при скорости >3 000 объектов в минуту — физически недостижимо для человека.

Результаты

• Точность автоматической сортировки пластиков: >95% vs ~70% ручной
• Объём перерабатываемых пластиков при AI-сортировке: рост на ~40% (меньше загрязнённых партий)
• TOMRA: >100 000 установок по всему миру, лидер рынка сортировки

Источники: Dow Materials Science AI research, SABIC Innovation Center data, TOMRA sorting technology documentation, ACS «Machine Learning for Polymer Design».