マイクロセンサーを使用したポリマー複合材料の分散、欠陥、硬化、熱特性の自動測定

Scientific Reports volume 13、記事番号: 2787 (2023) この記事を引用

902 アクセス

2 オルトメトリック

メトリクスの詳細

赤外線サーモグラフィーは、ポリマー複合材料の調査を含む多くの分野で活用できる非破壊技術です。 放射率と熱拡散率の変化に基づく。 複合材料の成分、欠陥、硬化状態を特定できます。 ただし、重大なアーティファクトが含まれる可能性のある熱画像を手動で処理すると、コンポーネントや特性の誤った判定が発生する傾向があります。 この研究では、手動、遊星、およびバッチ混合技術によって製造されたさまざまなグラファイト/グラフェンベースのポリマー複合材料の熱画像が、自動機械学習モデルを通じて分析されました。 ポリマー複合材料ではフィラーのサイズ、形状、位置を特定できるため、熱画像にアーチファクトがあるにもかかわらず、さまざまなサンプルの分散を約 20 µm の解像度で定量化できました。 エラストマー中の 40% グラファイトについて、3 つの混合技術の熱拡散率の比較を実行しました。 バッチ混合の分散指数 (DI) は 0.07 でしたが、プラネタリーとハンドミキシングではそれぞれ 0.0865 と 0.163 を示したため、バッチ混合はプラネタリーとハンドミキシングよりも優れた分散を示しました。 さまざまなフィラーを使用したポリマーの硬化を調査し (PDMS は硬化に 500 秒かかったのに対し、PDMS グラフェンと PDMS グラファイトパウダーは 800 秒かかりました)、熱特性曲線を生成して複合材料の品質を比較しました。 したがって、機械学習アルゴリズムを使用した上記の方法は、複合材料を定量的および定性的に分析するための優れたツールとなり得ます。

ポリマー複合材料は、個々の材料の特性よりも優れた特性を持つ 2 つ以上の材料 (マトリックスおよび充填材/強化材/添加材) で構成されています 1、2、3。 その相乗的な特性と航空宇宙、自動車、海洋、エネルギー、消費者分野での応用により、産業界と学術界の両方の関心を集めています4、5、6、7、8。 すべての充填材または強化材の中でも、グラファイトまたはグラフェンは、その卓越した機械的、熱的、および電気的特性により、理想的な候補となっています。 このように、グラフェンベースのポリマー複合材料は、過去数十年にわたって科学界の関心を集めてきました。

ポリマー複合材料の特性は、ポリマーマトリックス上の充填材の分散に大きく依存します。 したがって、ポリマー複合材料の性能 (悪いか良好か) は凝集の程度によって直接決まり、凝集の程度によって複合材料全体の特性が変動する可能性があります。 粒子/充填量のサイズ、形状、サイズの研究は透過型電子顕微鏡 (TEM)9 を使用して行うことができますが、比較的小さなサンプルに限定されます。 走査電子顕微鏡法は、分散を測定する別の手法となり得ます。 画像をグリッドに分割することでカーボン ナノチューブ (CNT) の分散指数を計算しました10。 TEM および SEM 手順の大部分は、高価で複雑なサンプル前処理プロセスを必要とし (サンプル前処理は破壊的である可能性があります)、小規模なスケールで低重量パーセントのフィラー材料の分散を定性的に推定するために使用されます11。

ポリマー複合材料を広範囲に使用するためのもう 1 つの課題は、複合材料の品質/性能をチェックする非破壊的な方法を開発することです。 超音波法（インパルス音響顕微鏡）は、従来の方法と真空ミキサーを使用して調製されたカーボンナノ複合材料試験片のフィラー分布または微細構造を調査するために使用されました12。 ただし、産業界での潜在的な応用は、この非破壊評価 (NDE) 技術のサンプル準備の遅さと、より小さなサンプルしかスキャンできないことによって制限されます 13。

分散、粒子/フィラーのサイズ、形状、凝集を定性的ではなく定量的に測定するための NDE プロセスを開発することは、ポリマー複合材の性能を予測するための優れた技術となり得ます。 赤外線 (IR) サーモグラフィーは、物体から放射される赤外線を分析する、温度変化を測定する非接触方法です14。 さまざまなサーモグラフィー法の中でも、繊維強化複合材料やコンクリート構造物の表面/表面下の欠陥を検出するには、一般にアクティブ サーモグラフィー (サンプルの外部励起) が使用されます15。 アクティブ IR サーモグラフィー (深さ数 mm) で得られた表面温度は、複合材料の内部温度の決定 (深さ全体に沿った熱伝達モデリング) につながり、複合材料の品質を決定できます 16。 詳細な分析には、ロックイン サーモグラフィーが有用なアプローチになる可能性がありますが、オペレーターはテストのために熱励起周波数を変更する必要があります17、18。 近年、ナノ/マイクロサイズのフィラーを含む複合材料が大幅に登場し、マイクロスケールのサーモグラフィーの必要性が強調されています。 したがって、マイクロスケールで実行される赤外線アクティブサーモグラフィーは、ナノ/マイクロフィラーの分散を測定するための有用な技術となり得ます。 たとえば、赤外線サーモグラフィーは Pantano らによって使用されました。 ナノコンポジット中のカーボン ナノチューブの分散不良を評価する 19。 アシュラフら。 は、クローズアップレンズ赤外線サーモグラフィーを使用して、グラフェンポリマー複合材料の分散（分散指数として定量化）と熱特性を研究しました20。 グレシルら。 は、ピクセルあたり 200 μm の解像度でグラフェンベースのポリマーナノ複合材料の熱拡散率マッピングを研究しました21。 グラフェンベースの複合材料については、赤外線サーモグラフィーによるボイドまたは欠陥の検出も行われます22。 しかし、フィラー/ボイド/欠陥の形状とサイズを決定する上記のプロセスは手動であるため、製造ラインでは多大な時間がかかります。 さらに、焦点がぼけた画像やアーチファクト/ボイド/トランプ物質を含む画像は、サンプルの品質について誤った情報を提供することがあります。 したがって、正確な結果を得るには、フィラー、ボイド、欠陥、アーティファクトの自動検出を使用する必要があります。 私たちの知る限り、複合材料の分散/欠陥/ボイド/混入物質の自動定量化は科学界によってまだ報告されていません。

各実験から熱画像を生成した後、画像処理を使用して各画像の色の閾値処理を行うことで分散を定量化できます。 ただし、このような下流の定量化を活用するには、実現不可能な人間の努力が必要です。 言うまでもなく、誤った結果が生じる重大なリスクがあります。 多くの場合、ノイズの多いデータや不完全なデータから分散を正確に定量化することは不可能です。 アーティファクトは、実験の後（または前の）画像フレームに完全にアクセスできない限り、熱画像フレーム内のナノフィラーと区別することが難しいため、本質的に定量化において大きな脅威となります。 画像処理技術の最近の開発。主に MATLAB、Python、または R の入門ライブラリを通じて利用できます。 このようなイベントでは非常に役立ちますが、手作業の手間が減ったり、精度が保証されたりするわけではありません。 画像セグメンテーション、ノイズ除去、物体検出、回復などの自動画像処理タスクに機械学習を組み込む最近の取り組みでは、成功が実証されており、評価が始まっています。同様の方法で分散を定量化します。 フーリエ ニューラル演算子 SDFN を使用した表面分散定量化手法を紹介します。この手法は、熱データに対して少数ショット学習を行い、未確認の実験からのデータが提示されたときに分散を自動的に定量化します。

市販の配合物に多数の添加剤（促進剤、充填剤など）が含まれると、複雑な硬化速度論が発生し、複合プロセスを最適化するための最も重要な前提条件である硬化を完全に理解することができます31。 サンプルを周囲条件から加熱すると、硬化前に温度が特定の最高点まで上昇し (充填材に応じて)、その後、温度が急激に低下します。 反応速度または硬化速度は、フィラーの影響 (速度定数の変化) により変化します 32。 したがって、時間に対する温度変化を記録することで、示差走査熱量測定 (DSC) などの従来の方法では達成することが困難な、硬化に関する情報 (マイクロスケール/バルク硬化分析) を得ることができます。

この研究では、手作業、遊星混合、およびバッチ混合によって調製された広範囲のサンプルについて、マイクロスケール IR サーモグラフィーによる分散分析を実行しました。 混合技術が異なると、分散効率が大幅に変化し、ひいては複合特性が変化する可能性があります。 これらのサンプルは SDFN を使用して分析されたため、ポリマー複合材料のフィラー量や分散を効率的に定量することが可能になりました。 熱拡散率はサンプル内の熱伝達の速度を定量化し、ポリマー複合材料の拡散率は分散/均一性に影響されます。 そこで、さまざまな混合技術の熱拡散率マッピングと分散指数を比較しました。 最後に、さまざまなフィラーを使用したポリマーの硬化分析と、手動、遊星、およびバッチ混合サンプルの熱特性を調査しました。

Dragon スキンと Ecoflex 00-30 (プラチナ触媒シリコン) は Smooth-On (米国) から購入し、グラファイト フレーク (平均サイズ: + 20 メッシュ (850 ミクロン)) は Asbury Carbons (米国) から購入しました。 二硫化モリブデン (MoS2 粉末サイズ 1.5 μm) は、ACS Materials LLC によって提供されました。 SYLGARD™ 184 シリコーン エラストマー キットは、Dow Corning から入手しました。 グラフェンナノプレートレット（表面積 750 m2/g、サイズ約 2 μm）およびグラファイト粉末（約 20 μm）は、それぞれ Sigma Aldrich (USA) および Fisher Chemicals から入手しました。

ドラゴンスキンのパート A とパート B の両方を、2.5、5、7.5、および 10 重量パーセントのグラファイト (G) フレークと混合しました。 グラファイトとパート A およびパート B を、単純な手動混合および高速遊星せん断混合技術によって 1:1 の比率で混合しました (2 つの異なる手順により、ポリマー複合材料中での分散が異なります)。 Ecoflex パート A とパート B の両方で、より高い割合のグラファイト (40% G) を混合する別の混合がランドキャッスル バッチ ミキサーで行われ、バルク グラファイトがせん断剥離によってグラフェンに剥離されます 33 (2 つのサンプルが準備され、最初のサンプルは 100 rpm 1 回目は 3 分間の混合、2 回目は 100 rpm で 10 分間の混合です。 単純な手動混合、プラネタリー混合 (2000 rpm で 1 分間混合)、およびバッチ混合サンプルは、2.5/5/7.5/10% G ハンド、2.5/5/7.5/10% G プラネタリー、および 40% G と呼ばれます。この原稿全体にわたってそれぞれバッチを実行します。 このプロジェクトで使用する赤外線サーマル カメラの仕様は次のとおりです。 カメラ - Fluke RSE600 搭載赤外線カメラ、解像度 - 640 × 480、フレーム レート: 60 Hz、視野 - 34°H × 25.5°V、熱感度 ≤ 0.040 °目標温度 30 °C (40 mK) での C。

IR サーモグラフィーを使用した分散および熱特性分析では、手動混合および遊星混合の 2.5 ～ 10% G サンプル (サンプル サイズ 15 × 8 mm2、厚さ 1.5 mm) の両方を SpotIR ヒーターを使用して加熱し、周囲空気中で 30 秒間冷却しました。 さらに、より高い範囲の分散分析のために、2 つの 40% G Batch 混合サンプル (サンプル 1 およびサンプル 2) を分析しました。 最後に、40% G バッチ サンプル、40% G プラネタリーおよび 40% G ハンド、10% G (手動混合)、および 10% G プラネタリー サンプルの熱拡散率マッピングを、修正された ASTM E1461 熱拡散率の標準試験方法によって実行しました。フラッシュ方式による34)。 サンプルを加熱するためにレーザー源を使用するとコストがかかり、レーザーにさらされるといくつかの傷害を引き起こす可能性があります。 そこで、レーザー光源を使用する代わりに、集中加熱オプションを備えた SpotIR モデル 4150 ヒーターを採用しました (楕円反射板、スポット直径 ~ 0.25 インチ/6.4 mm を含む)。 コントローラ モデル (モデル 5420 mA パワー コントローラ) を使用して、電力を 0 ～ 100% まで制御しました。 Arduino を使用してコントローラーを実行するための 4 ～ 20 mA の電流信号を提供し、同等の電力 (0 ～ 100%) を提供しました。 IR ヒーターでサンプルを加熱するために、Arduino プログラミングによって 200 ミリ秒のパルス幅が設定されました。 分散および熱特性解析のセットアップとポリマー複合材料の熱拡散率試験の概略図を図 1a、b に示します。 図 1c は、Arduino パルス信号によって制御される表面の IR 加熱と、Fluke RSE600 サーマル カメラによる放射および放出 IR のキャプチャを示しています。 ツァイス電界放出走査型電子顕微鏡 (FESEM) を使用して、冷間破面の形態を検査しました。 倍率 50 倍の ReniShow inVia 反射システムを使用し、633 nm レーザーを使用してラマン データを収集しました。

(a) 赤外線サーモグラフィーによるポリマー複合材料の分散および熱特性分析のセットアップ、(b) ポリマー複合材料の熱拡散率試験の概略図、(c) サンプル表面での IR 加熱および Fluke RSE600 サーマル カメラによる IR キャプチャの概略図。

前のセクションで述べたように、目的は熱画像からナノ/マイクロフィラーのパターンを理解することです。 これは時系列データであり、熱は時間に比例して変化するため、各画像は基本的に異なる温度分布を表します。 フーリエ ニューラル演算子は、偏微分方程式を解くために初めて導入されました30。 したがって、その有効性を活用するために、画像の特定の熱特性のみに注目するのではなく、材料組成の根底にある性質を理解する SDFN モデルが提案されました。 モデルをトレーニングするために、材料組成と温度を変化させた 9 つの異なる実験データが収集されました。 このようなデータセットを生成する背後にある考え方は、モデルがさまざまな温度のこれまでに見たことのないデータ内のナノ細孔の表現を正確に理解して一般化する必要がある場合、まず多様なデータセットから学習する必要があるということです。 これら 9 回の実験のデータでトレーニングされたモデルは、これまでに見たことのない熱画像からの分散を定量化するために展開できます。

SDFNアーキテクチャを図S1に概略的に示します。 ニューラル オペレーターには 7 つのレイヤーがあります。最初の 2 つのレイヤー (P) は高次元の特徴表現用 (高揚レイヤー) で、最後のレイヤーはターゲット次元への投影用 (投影レイヤー) です。 残りの層はそれぞれ、フーリエ サブレイヤーと線形サブレイヤーの組み合わせです。 サイズ M × N × 3 の画像がネットワークに供給されます。 ここで、M は幅、N は高さ、3 はチャネル数です。 最初の 2 つのチャネルは、熱画像の x 座標と y 座標のメッシュ表現です。 3 番目のチャネルは熱特性そのものです。 ネットワークはまず、この M × N × 3 イメージを M × N × W のサイズに引き上げます。ここで、W はハイパーパラメーターです。 これは \({\mathcal{F}}\) を介して渡され、これに離散フーリエ変換が適用され、この高次元データからの 30 の低周波数モードが保持されます。 これらの低周波モードのみを維持する背後にある主な考え方は、画像間で適切に一般化し、主に高周波として組み込まれるノイズを回避することです。 次に、層 R を通過します。これは、モデルがフーリエ成分の乗数を最適化して保存する層です。 次に、R 層からの出力は、\({\mathcal{F}}^{ - 1}\) で逆フーリエ変換を使用して変換されます。 生の入力に乗算する重みを含む線形層 W もあります。 線形サブレイヤー W の出力は \({\mathcal{F}}^{ - 1}\) の出力に加算されます。 その後、この結合された出力は GELU 活性化関数 σ35 を通過します。 活性化関数は、1 つのフーリエ層の終わりを示します。 最後に、このような 3 つの層の出力が投影層 Q に供給され、高次元データが M × N × 1 サイズの画像に変換されます。これが期待される出力、つまり閾値画像です。 この出力が生成されると、誰でもそこから黒いピクセルを簡単に数えて、表面の分散を報告することができます。

エラストマー/ポリマーマトリックスは、複合材料に添加されるフィラー/添加剤と比較して異なる放射率を持っています。 したがって、IR サーマルカメラを使用するとフィラーを簡単に検出できます。 IRカメラで取得した画像を解析することで、表面のばらつきを検出することができます。 画像処理により、分散をリアルタイムで定量化することができ、フィラーのサイズ、形状、空隙、または複合材料中に存在する混入物や異物を分析するのに有用な方法となります。 製造または生産ラインでは、この上記の方法を適用して、バッチが標準品質かどうかを判断できます。

図 2 は、IR カメラから取得した熱シグネチャ (各ピクセルの温度) と、画像処理および機械学習アルゴリズムから取得した予測画像と真の画像を示しています (2.5% G プラネタリー、2.5% G ハンド、10% G プラネタリー、および2.5% G ハンドサンプル)。 手作業による実験セットアップや損失の多い生成により、製造上の欠陥/アーティファクト/不鮮明な画像があるにもかかわらず、フィラーは明確に区別できます。 次に、実際の画像には、機械学習モデルをトレーニングするために手動で生成された分散が表示されます。 モデルでこの手作業が必要になるのはこのときだけです。 モデルは、それぞれ 50、100、200、500 データを使用して 4 つの異なるセットアップでトレーニングされました。 50 枚の画像 (各実験から平均して約 5 枚の画像) でトレーニングした場合でも、予測画像は最適ではありませんが、実際の画像に近くなります。 このさまざまな実行設定による SDFN モデルのテスト損失とトレーニング損失を図 S2 に示します。 予想どおり、500 データでトレーニングされたモデルは最小トレーニング損失 (~ 0.06) を達成し、それによって収束します。 最適な結果を得るには、200 または 500 のトレーニング データセット サイズを使用できます。 さらに、5％と7.5％のGハンドと惑星のサンプルの熱画像、予測画像、テスト画像を図S3に示します。 より多量のグラファイトおよびグラフェン含有量については、40% G バッチ混合サンプルも厳密に検査されました。 40% wt.の走査型電子顕微鏡 (SEM) 画像 Gバッチを図3a、bに示します。 これらの画像は、さまざまな空間位置におけるグラフェン フレークとその形状を示しています。 ラマン分光法は、炭素系材料の層の数やその他の特性を測定するための信頼できる技術を提供します36。 2Dバンドの正規化強度はGバンド（I2D/IG）と比較して0.52であり（図3c）、グラフェン剥離中にグラフェン層がほとんど形成されなかったことを示しています。 したがって、グラフェンと一緒にグラファイトもサーモグラフィーで検出され、40％Gバッチサンプルの熱的特徴と予測画像が図4a、bに示されています。 図 4c、d は、サンプルの真の画像とバイナリ画像を示しています。 グラファイト/グラフェンはランダムに分散しているため、表面分散は次の式 (1) を使用して計算できます。 (1)37:

ここで、Aflake はフィラー領域 (黒領域) のピクセル面積、Atotal は総面積です。 式から計算される表面分散。 （1）異なる混合プロセス（手動および遊星混合の両方により、低量および高量のグラファイト（G）％でサンプルを調製した）の場合を図4eに示します。 低 G ハンドサンプルとプラネタリーサンプルの分散はそれぞれ 2.6619 と 2.7929 で、プラネタリーミキシングでのより良い分散を示しています。 高 G サンプルの場合、惑星サンプルの分散は 9.5593% でしたが、手動混合の場合は 6.7509% でした。 これは、プラネタリーミキシングの混合能力がより優れている（凝集が少ない）ことをさらに示しています。 一方、バッチ混合で製造したサンプルは 25.4863% の表面分散を示しました。 したがって、表面分散/分布は、表面現象 (表面の濡れ性、導電性) が重要な場合に複合材料の性能を決定するのに役立つマイクロスケール サーモグラフィーを使用して取得できます。

(a) 2.5% G プラネタリー、(b) 2.5% G ハンド、(c) 10% G プラネタリー、(d) 10% G ハンドの熱画像、対応する予測画像、および実際の画像。 熱画像は手動で画像処理に入力され、アーティファクト、空隙、またはぼやけを除去します (スケール バー = 1000 ミクロン、赤丸で囲まれた領域はコンテナー マークによるアーティファクトを示し、四角形の領域は空隙領域を示します)。 次に、熱画像を機械学習モデルに入力して、実際の製造結果を取得します。 この学習方法では、いくつかの熱シグネチャを入力することで、実際の製造を非常に迅速に示すことができます。

(a および b) さまざまな場所での 40% G バッチ サンプルのグラフェン形態を示す SEM 画像、(c) 40% G バッチ サンプルのラマン分光法。

(a) 40% G バッチ混合で取得した熱画像 (左上隅で焦点が合っていない)、(b ～ d) 対応する予測画像、機械学習と画像処理によって取得された真の画像とバイナリ画像 (アウトによるぼやけを除去) (a)、(e) の熱画像の焦点)、(e) 複合材料の領域ピクセルから計算されたさまざまな混合プロセスの分散 (%)。

ポリマー複合材料の場合、ボイドは通常、材料の製造や加工が不十分なことが原因で発生するため、複合材料の機械的特性や寿命に影響を与えます。 また、亀裂の発生や湿気の侵入部位としても機能します38。 したがって、ポリマー複合材料の望ましい特性を得るには、ボイドを回避する必要があります。 従来の顕微鏡や光学画像を使用して空隙を分析するのは面倒ですが、赤外線サーモグラフィーを使用すると、充填剤やポリマーマトリックスとは異なる温度特性を示すため、空隙を特定できます。 したがって、各ピクセルを分析することにより、温度が特定の範囲内にあるため、同様の領域 (ボイド/混入物質) を特定できます。 この仮説を検証するために、特定の領域を備えたエラストマー複合材料を MoS2 フィラーで調製し、グラファイトフィラーと混合し、別の領域にはフィラーを含まないようにしました。 図S4は、MoS2およびグラファイトフィラー領域がポリマー領域よりもそれぞれ低い平均温度と高い平均温度を持っていることを示しています。 これは、サンプルのさまざまな領域の独特の放射率に起因します。 したがって、ポリマー複合サンプル中に存在する混入物質は、赤外線サーモグラフィーによって識別できます。

熱拡散率マッピングは、ASTM E1461-フラッシュ法による熱拡散率の標準試験法を使用して行われました21,39。 同じ重量パーセントであっても、異なる方法（手動、遊星式、またはバッチ混合）で調製されたサンプルでは、​​グラファイトフィラーの分散レベルが異なります。 パルス熱源 (SpotIR ヒーター) を使用して、Fluke RSE600 IR サーマル カメラで背面温度を記録しました。 熱拡散率 α を測定するには、裏面温度のベースラインから最大値までのパルスの開始から必要なハーフタイム (t1/2) が必要です。 次の式を使用します。 (2)、熱拡散率は次のように測定できます。

ここで、L はサンプルの厚さです。 熱拡散率実験の場合、熱拡散率テストの幾何学的解像度は ~ 0.1 mm/ピクセルでした。 IRカメラは画像全体を640×480ピクセルに分割し、各ピクセルを分析することでサンプルの熱拡散率を求めます。 サンプルは直径約 6.4 mm の領域で加熱されたため、実験では熱損失と不均一な加熱が発生した可能性があります。 そこで、機械学習を利用した半定量的なアプローチでポリマー複合材料の分散を比較するために、相対熱拡散率を決定しました。 これにより、熱拡散率から分散指数 (DI) が計算され、複合材料の均質化/分散が定量化されます。 分散指数は (式 3) で与えられます。

ここで、αmin と αmax はサンプルの最小熱拡散率と最大熱拡散率を表します。 DI は 0 と 1 の間で変化します。0 に近い値は、フィラーが均一に分散していることを意味します。

3 つの異なる混合方法 (手動混合、遊星混合、およびバッチ混合) を使用してサンプルの分散を比較し、これらの方法の均質性の品質を確認しました。 サンプル領域全体の平均温度を取得することにより、40％Gハンド、40％Gプラネタリー、および40％Gバッチ混合サンプルの温度プロファイルをそれぞれ図5a〜cに示します。 半上昇時間 (t1/2) は温度プロファイルから計算されました。 各画素の半値上昇（ｔ１／２）を測定することにより、各画素における熱拡散率を算出した。 特定の領域の分散指数を計算するには、最大および最小の熱拡散率が必要です。 したがって、領域を 4 つの正方形に分割して分散を決定しました。 図 5d は、各サンプルの分散指数と誤差バーを示しています。 手動混合、遊星混合、およびバッチ混合 (サンプル全体) の平均分散指数は、それぞれ 0.163、0.0865、および 0.07 でした。 ただし、手動混合サンプルはさまざまな位置で広範囲の分散を示し、惑星サンプルでは分散指数 0.04 ～ 0.10 を示しました。 バッチ混合サンプルでは、​​分散指数の狭い範囲が示されており、複合材料全体でフィラーの分散がほぼ同じ (均一) であることを意味します。 これにより、フィラーの均質性の点ではバッチ混合がプラネタリーよりも優れており、プラネタリーは手動混合よりも優れています。

(a) 手動混合、(b) 遊星混合、(c) バッチ混合、(d) 手動混合、遊星混合、およびバッチ混合の分散指数 (DI) の比較によって調製された 40% G Ecoflex の熱拡散率。

ポリマー複合材料は、硬化中に粘性流体から固体への移行を示す急速な温度変化 (発熱反応) を示します。 カスタマイズされた 3D プリントチャンバー (3 × 4 × 2 mm3) をサンプルホルダーとして使用し、ヒーターを介して一定の熱を供給しました (図 6a)。 マイクロレンズを備えた同じ Fluke RSE600 IR サーマル カメラを使用して、硬化および熱特性現象を測定しました。 その結果、ポリマー複合材料の硬化現象を研究するために、個々のピクセルごとに高い解像度 (20 μm/ピクセル) が達成されました。 最高温度の傾向は、それぞれポリジメチルシロキサン (PDMS)-MoS2、次にフィラーなしの PDMS、およびより大きなフィラーを使用した PDMS によって達成されます。 したがって、一定の最高温度が急激に変化した場合に硬化していると判断できます。 PDMSグラフェンとPDMSグラファイトフレーク（PDMS Gフレーク）は約950秒で硬化しますが、PDMS（フィラーなし）は硬化するのに500秒かかります（図6b）。 MoS2 の硬化には約 520 秒かかりますが、PDMS グラファイト パウダー (PDMS G パウダー) では 800 秒かかります。 温度または硬化の急速な変化を、さまざまな複合材料について図 6c ～ e に示します。 その結果、この方法では、示差走査熱量測定などの従来の技術では困難であった、フィラーが複合材料の硬化にどのような影響を与えるかをマイクロスケールで示すことができます。

(a) 3D プリントチャンバー内でニクロム線を使用したマイクロスケール硬化解析の概略図。 (b) PDMS ポリマーを使用したさまざまなフィラーの硬化分析 (垂直二重矢印線は硬化を示します。(c) PDMS G パウダー、(d) PDMS MoS2、(e) PDMS グラフェン、および PDMS G フレークの硬化中の急速な温度変化。熱ドラゴンスキンの特性曲線、2.5%、5%、7.5% G サンプル (各サンプルは、SpotIR ヒーターで 30 秒間加熱し、さらに 30 秒間冷却した) (f) 手動混合および (g) 遊星混合によって調製。

図 6f、g はポリマー複合材料の加熱および冷却曲線を示しており、サンプル領域全体にわたるリアルタイムの平均温度が得られます。 フィラーを含まないドラゴンスキンポリマーは、室温から 30 秒で最大温度変化が約 14 °C に達しますが、グラファイトの割合が 30 秒で 2.5 から 7.5 に増加すると、温度変化は増加します (約 24 から約 28 °C)。 これは、ポリマーマトリックスにフィラーを添加するため（グラファイトはエラストマーよりも熱伝導率が高い）、複合材料への総熱伝達が増加するためです。 凝集したフィラー複合材は、均質/よく分散した複合材とは異なる熱伝導率を持っています。 よく分散したグラファイトフレークは熱をポリマーマトリックスに伝達することができるため、通常の手で混合するサンプルよりも惑星サンプルの方が平均温度が低下します。 同様の傾向が 2.5% ～ 7.5% G 惑星サンプルの熱特性からも見つかりましたが、温度変化は 30 秒で ~ 17 °C から ~ 25 °C に増加しました。 プラネタリーミキシングのようなよく分散したサンプルの場合、30 秒での温度変化は特定の重量パーセントの範囲内になります。 したがって、（より小さな表面積またはより大きな表面積を対象として）サンプルの前面温度を取得すると、サンプルの品質を示すことができます。 2 つの 40% G Ecoflex サンプルの熱特性も図 S5 に示しました。 2 つのサンプルの製造方法が異なるため、温度変化 (30 秒で約 3.5 °C の偏差) も異なりました。 その結果、赤外線サーモグラフィーを使用し、それを標準サンプルと比較する熱挙動は、製造ラインで複合サンプルの品質の良し悪しを検査するための優れたプラットフォームとなる可能性があります。

マイクロスケールでの複合材料からの熱特性は、マイクロ/ナノ複合材料の性能に関する重要な情報を提供します。 私たちの実験では、マイクロスケールの熱画像と機械学習を使用して、さまざまな混合技術について重量比 2.5% ～ 40% の範囲でグラファイト/グラフェンベースの複合材料の分散、熱拡散率、硬化、分散指数を分析しました。 分散に関しては、バッチ混合の方が、遊星混合や手動混合よりも優れた均一性を示しました。 40% グラファイトサンプルのバッチ、プラネタリー、および手動混合の分散指数は、それぞれ 0.07、0.0865、および 0.163 でした。 この機械学習ベースのモデルを使用して、ポリマー複合材料の混入物/空隙/欠陥の検出を調査しました。 異なるフィラーを使用したポリマーの硬化現象も分析され、ポリマーマトリックス内のフィラーの種類とサイズによって硬化時間が異なることが示されました。 したがって、当社の機械学習モデル (SDFN) と統合された赤外線サーモグラフィーは、複合材の品質を定性的および定量的にリアルタイムで自動的に測定できる、航空宇宙および産業用途にとって優れた非破壊ツールとなり得ます。 将来的には、この研究を拡張して、ポリマー複合材料の欠陥や空隙を詳細に調査する予定です。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

Sun, X.、Sun, H.、Li, H. & Peng, H. ポリマー複合材料の開発: カーボン ナノチューブかグラフェン?。 上級メーター。 25、5153–5176 (2013)。

論文 CAS PubMed Google Scholar

Pesetskii, S. & Bogdanovich, S. ポリマー複合材とナノ複合材。 エンサイク。 トリボル。 6、2563–2570 (2013)。

記事 Google Scholar

Aramid, F.、Atanda, P. & Olorunniwo, O. ポリエステル繊維ガラス複合材料の機械的特性。 内部。 J.コンポス。 メーター。 2、147–151 (2012)。

Google スカラー

Hayman, B.、Wedel-Heinen, J.、Brøndsted, P. 現在および将来の風力エネルギーにおける材料の課題。 MRSブル。 33、343–353 (2008)。

記事 Google Scholar

Volpe, V. et al. 自動車用途向けの軽量高性能ポリマー複合材料。 ポリマー 11、326 (2019)。

記事 PubMed PubMed Central Google Scholar

Irving, PE & Soutis, C. 航空宇宙産業におけるポリマー複合材料 (Woodhead Publishing、2019)。

Tran, P.、Nguyen, QT & Lau, K. 海洋インフラ用ポリマーベースの複合材料の防火性能。 コンポ。 工学部B 155、31–48 (2018)。

記事 CAS Google Scholar

Hollaway, LC 土木インフラにおける高度なポリマー複合材料とポリマー。 (エルゼビア、2001)。

Khare, H. & Burris, D. ナノ複合材料の分散を測定するための定量的方法。 ポリマー 51、719–729 (2010)。

記事 CAS Google Scholar

Fu、X.ら。 走査型電子顕微鏡画像によるカーボンナノチューブ分散の定量評価。 コンポ。 科学。 テクノロジー。 87、170–173 (2013)。

記事 CAS Google Scholar

Jogi, BF、Sawant, M.、Kulkarni, M. & Brahmankar, PK カーボン ナノチューブ (CNT) ベースのポリマー複合材料の分散と性能特性: レビュー (2012)。

Levin, V. et al. インパルス音響顕微鏡で観察されたポリマーナノ複合材料中の炭素のクラスター構造。 物理学。 ステータス Solidi 253、1952 ～ 1959 年 (2016)。

記事 CAS Google Scholar

Khramtsova、E. et al. インパルス音響顕微鏡: ポリマーおよび天然足場を研究するための新しいアプローチ。 ポリム。 工学科学。 57、709–715 (2017)。

記事 CAS Google Scholar

Minkina, W. 放射熱伝達の理論的基礎 – 赤外線サーモグラフィー測定で使用される赤外線 (IR) の計算の実践例。 量的。 赤外線サーモグラ。 J. 18, 269–282 (2021)。

記事 Google Scholar

Mulaveesala, R.、Dua, G.、Arora, V.、Hassan, H.、「構造的健全性モニタリングの進歩」 (IntechOpen、2019)。

Mouahid, A. MATEC Web of Conferences にて。 00011 (EDP サイエンス)。

Delanthabettu, S.、Menaka, M.、Venkatraman, B.、Raj, B. ロックイン サーモグラフィーを使用した欠陥深さの定量化。 量的。 赤外線サーモグラ。 J. 12, 37–52 (2015)。

記事 Google Scholar

Palumbo, D. & Galietti, U. 新しい熱データ処理手順による複合材料の損傷調査。 株 52、276–285 (2016)。

記事 CAS Google Scholar

Pantano、A. et al. ナノ複合材料中のカーボンナノチューブの分散不良を検出するための新しい非破壊評価技術。 コンポ。 工学部B 163、52–58 (2019)。

記事 CAS Google Scholar

Ashraf, A.、Jani, N.、Farmer, F. & Lynch-Branzoi, JK クローズアップレンズ支援赤外線サーモグラフィーを使用した、新興ポリマーナノ複合材料の分散、結合、および熱特性の非破壊調査。 MRSアドバンス 5、735–742 (2020)。

記事 CAS Google Scholar

Gresil、M.、Wang、Z.、Poutrel、Q.-A. & Soutis, C. グラフェンベースのポリマーナノ複合材料の熱拡散率マッピング。 科学。 議員 7、1–10 (2017)。

記事 CAS Google Scholar

Manta, A.、Gresil, M.、Soutis, C. グラフェン/エポキシ複合材のボイドマッピングとそのフルフィールド熱シミュレーションのための赤外線サーモグラフィー。 疲労フラクト。 工学メーター。 構造体。 42、1441–1453 (2019)。

記事 CAS Google Scholar

Lee、SH、Koo、HI、Cho、NI 特徴の機械学習に基づく画像セグメンテーション アルゴリズム。 パターン認識。 レット。 31、2325–2336 (2010)。

記事 ADS Google Scholar

Singh, H. 実践的な機械学習と画像処理: Python を使用した顔認識、オブジェクト検出、およびパターン認識について (Springer、2019)。

Ramík, DM、Sabourin, C.、Moreno, R. & Madani, K. 自律的な物体検出と認識のための機械学習ベースのインテリジェント ビジョン システム。 応用知性。 40、358–375 (2014)。

記事 Google Scholar

Fang, Q.、Nguyen, BD、Castanedo, CI、Duan, Y.、Maldague II, X.、『サーモセンス: 熱赤外線アプリケーション XLII 180–195 (SPIE)』。

彼、Y.ら。 深層学習を備えた赤外線マシン ビジョンと赤外線サーモグラフィー: レビュー。 赤外線物理学。 テクノロジー。 116、103754 (2021)。

記事 CAS Google Scholar

Simonyan, K. & Zisserman, A. 大規模な画像認識のための非常に深い畳み込みネットワーク。 arXiv プレプリント arXiv:1409.1556 (2014)。

周、B.ら。 ade20k データセットによるシーンの意味的理解。 内部。 Ｊ．Ｃｏｍｐｕｔ． ビジョン 127、302–321 (2019)。

記事 Google Scholar

リー、Ｚら。 パラメトリック偏微分方程式のフーリエ ニューラル演算子。 arXiv プレプリント arXiv:2010.08895 (2020)。

Yousefi, A.、Lafleur, P.、Gauvin, R. 熱硬化性硬化反応の速度論的研究: 総説。 ポリム。 コンポ。 18、157–168 (1997)。

記事 CAS Google Scholar

Dutta, A. & Ryan, M. エポキシ硬化の反応速度に対するフィラーの影響。 Ｊ．Ａｐｐｌ． ポリム。 科学。 24、635–649 (1979)。

記事 CAS Google Scholar

リンチ・ブランゾイ、JK 他ポリエーテルエーテルケトン内で直接グラファイトをせん断剥離してグラフェン ナノフレークにし、この高弾性率で軽量なナノ複合材料の分光学的研究。 コンポ。 工学部B 188、107842 (2020)。

記事 CAS Google Scholar

E-13、A. (ASTM インターナショナル、2013)。

Hendrycks, D. & Gimpel, K. ガウス誤差線形単位 (ゲルス)。 arXiv プレプリント arXiv:1606.08415 (2016)。

バックス、C.ら。 分光測定法により、液体剥離された数層グラフェンナノシートの平均サイズと厚さをその場で測定できます。 ナノスケール 8、4311–4323 (2016)。

論文 ADS CAS PubMed Google Scholar

ASME 2022 国際機械工学会議および展示会の議事録における Rahman, MA、Becerril, J.、Ghosh, D.、Islam, N.、および Ashraf, A.。

メディカーニ、M. 他硬化サイクルによって制御されるボイドの有無にかかわらず、炭素繊維複合積層板のマトリックス亀裂を検出および定量化するためのマルチスケール デジタル画像相関。 コンポ。 工学部B 154、138–147 (2018)。

記事 CAS Google Scholar

ダレッサンドロ、G. 他熱力学特性と輸送熱物理特性のモデリングと測定: レビュー。 エネルギー 15、8807 (2022)。

記事 MathSciNet Google Scholar

リファレンスをダウンロードする

この研究は、助成番号 ERI 2138574 の下で米国科学財団 (NSF) によって財政的に支援されています。著者らは、テキサス大学リオ グランデ バレー大学の Elmmer Vera Alvarado による実験的支援に感謝します。

国立科学財団、ERI 2138574。

テキサス大学リオグランデバレー機械工学科、エディンバーグ、テキサス州、78539、米国

Md アシュクル ラーマン & アリ アシュラフ

パデュー大学コンピューターサイエンス学部、ウェストラファイエット、インディアナ州、47907、米国

ミルザ・マスフィクル・ラーマン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

この原稿は著者全員の協力によって書かれました。 すべての著者が原稿の最終版について承認を与えました。

アリ・アシュラフへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Rahman, MA、Rahman, MM & Ashraf, A. マイクロスケールの赤外線サーモグラフィーと機械学習アルゴリズムを使用した、ポリマー複合材料の分散、欠陥、硬化、熱特性の自動測定。 Sci Rep 13、2787 (2023)。 https://doi.org/10.1038/s41598-023-29270-z

引用をダウンロード

受信日: 2022 年 11 月 12 日

受理日: 2023 年 2 月 1 日

公開日: 2023 年 2 月 16 日

DOI: https://doi.org/10.1038/s41598-023-29270-z

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。