精准而快速的色彩配方设计之道

为工程材料（例如：高性能聚酰胺和聚酯基化合物）开发合适的颜色是一项相当困难的任务。因为，目前可用的耐高温着色剂数量有限，同时还必须将其对材料性能的影响降至最低，而许多可用的着色剂是无机物结晶，可能会对玻璃纤维产生不利影响，导致机械性能降低。

标题图：© raevas/Shutterstock

Envalior（恩骅力）由原帝斯曼工程材料事业部和朗盛高性能材料业务部合并而成，其技术专家在新的实验方法基础上对颜色类型进行开发。然而，要综合利用所有同事的经验以及数千次历史实验的结果却很困难。

色彩开发的新方式

上述问题的解决方案是开发人工智能工具Lucidiris。这个人工智能配方生成器以所有历史数据为基础，并将其与先验知识、物理模型和高级算法相结合，目前正被Evalior及其客户用于满足各种颜色开发需求。这种与人工智能的协作有助于减少所需的实验迭代次数，并缩短交付时间（图1）。

当客户有开发颜色的请求时，首先确定其所选牌号的颜色值规格以及适合其应用的材料特性。这些颜色规格可以用特定光源下的L*、a*、b*值来表示，只要递交一种比色标准或参考指标。在后一种情况下，先确定颜色、不透明度和表面质量值并将其转换为基材。

传统的色彩开发

在最后的进量讨论之后，色彩专家开始着手设计实验。除了经验和推理之外，他们还会根据牌号所需使用几十个甚至几百个试色板。通常，看起来最接近客户颜色目标的试色板颜色会被用作起始点。如果该配方无法满足机械性能要求，则需重新开始设计配方。经过数次迭代，通过一次改变一种着色剂的浓度来对配方进行更改，它与目标颜色值的色差将被降至最低。

图1：人工智能配方开发工具Lucidiris不断用新数据丰富其数据库，从而提供极其准确的解决方案（来源：Envalior；图：© Hanser）

每次实验都会根据配方进行混配并将其注塑成标准色板，最后再进行颜色测试。当颜色值相差太远时，则需重复该开发周期，直至L*、a*、b*颜色值符合规格要求。

高性能材料面临的挑战

在色彩开发过程中，客户验收之前可能还会出现一些其他挑战，其中一些是针对高性能材料的。当颜色达到标准后，需要对所开发的有色化合物样品进行多次机械测试。如果其机械性能与规格要求相差太大，则必须重新进行色彩开发。这种情况会在使用无机结晶着色剂时发生，因为这种着色剂会损坏增强玻璃纤维并影响产品性能。

图2：一维高斯过程的示意图：每增加一个测量数据点，预测精度都会提高。模型改善发生在多维空间中，它将L*、a*和b*颜色值、许多颜色浓度和机械性能都考虑在内（来源：Envalior；图：© Hanser）

有机着色剂通常没有可行的替代品，因为它们在所需的高温条件下加工时可能会出现稳定性问题。另一个问题是，目标色板和开发色板的颜色在所用的光源下完全一致，而在其他光照条件下进行测试时却相去甚远。这种现象被称为同色异谱，客户在大多数情况下都无法接受这一点，因此也意味着进一步开发迭代。综上所述，整个色彩开发过程极其耗时且昂贵，并且交货时间可能很长，甚至可能无法满足多维规格窗口要求。

存档数据是人工智能的“新金矿”

作为原料生产商，Envalior拥有庞大的数据库——数千个颜色特征经过测量的配方，其中许多配方的材料特性也经过了测试。数据是培养人工智能的重要原料，在此基础上结合材料和色彩专家的专业知识便可开发出虚拟助手，它可用于预测可实现的颜色并给出配方，同时将材料性能考虑在内，如拉伸强度、拉伸模量、断裂伸长率、夏比缺口和回流等。

图3：从L*、a*、b*的特定起始颜色值开始预测的颜色包络的示意图：实际上，包络曲线是一个包含L*轴的三维体（来源：Envalior；图：© Hanser）

这一新颖的数字概念充分利用了多种先进的机器学习算法组合。但是，根据FAIR原则（可发现-可访问-可互操作-可重用），这一切都始于以结构化和机器可读的格式收集所有历史数据。所有可用数据（包括全反射曲线）均通过异常值检测方法进行合并和清理。一个新的数据工作流程则被设计用于将每个新实验合并到数据库中并用于构建和更新模型。这种数据结构本身已经带来了有用的思路，可以用随机森林模型可视化相关性。

用神经网络检测异常值

在开发新配方时，神经网络（NN）和高斯过程（GP）等定量模型也被用于预测颜色特性。不同的模型在异常值检测、精度、总体精度预测、计算速度以及通过处理全反射曲线来避免同色异谱现象的能力方面都有其特定的优势。

图4：建模工作流程：每一代都会根据预测模型评估转变，直至其将配方优化为虚拟目标值
（来源：Envalior；图：© Hanser）

此外，有一种方法被发现可用于表示一组可实现的颜色，它从色彩空间中的某个点开始。这一概念既可用于纯净材料，也可用于回收聚合物（图2）。该模型成功地缩短了迭代开发过程，因为预测模型会根据每一个新的实验结果进行自我完善（图3）。这些功能将用于所有新颜色的开发。

规范模型根据目标颜色值提供颜色配方建议。因此，进化算法组合也被选用，如适者生存算法和其他优化模型（图4）。它们在使用当前设计空间和探索它之外的空间之间提供了灵活的平衡。用户可以通过给某些参数分配不同的权重来控制设计，从而影响人工智能的配方建议。

Lucidiris的用户界面

人工智能色彩配方生成器引擎是一个复杂的概念。为了使用户能够尽可能轻松地操作系统，一个便捷的用户界面被开发了出来。首个重要功能是用户可以选择某种材料等级并生成颜色配方来预测其特性。根据之前用户的反馈，Envalior为Lucidiris的用户界面增加了新功能，改善了用户体验。

预测记录可以被存储起来供整个色彩开发团队使用，并且可以轻松地合并新的实验性生产结果以改进下一个开发周期的预测。此外，还可以从目标值开始进行逆向操作来轻松找到最接近的历史实验并提出配方建议。除了颜色本身之外，还可以预测特定着色剂混合物对机械性能的影响。用户界面还能显示预测精度，它使配方选择变得更轻松，进而提高了人工智能工具的有效性。

结语和展望

自2022年推出以来，Lucidiris一直被Envalior公司用于色彩开发。它表明色彩开发的重复次数以及开发时间都可以被缩短。这些成果为开发团队继续沿着这条道路前进提供了巨大的动力。Envalior目前正致力于扩展该工具的功能以使它同样可以支持客户进行与颜色无关的产品开发。

人工智能配方这一概念可用于所有需要开发配方的应用。但是，其先决条件是要有足够的实验数据，并且尽可能将原材料和应用知识转化为设计规则。在此基础上，FAIR数据管理、自动化数据工作流程和机器学习算法的结合将从根本上改变产品开发周期（设计-构建-测试-学习）并缩短开发时间。

本文翻译自KUNSTSTOFFE INTERNATIONAL杂志
作者：Erwin Houben，Angelika Schmidt, Chunxia Sun, Willem Godlieb, Arno Wilbers, Jelle de Jong, Brady Bai, Youfu Chen, Wang Wei

来源：荣格-《国际塑料商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。