ES2967876T3 - Procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento - Google Patents

Procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento Download PDF

Info

Publication number
ES2967876T3
ES2967876T3 ES20709251T ES20709251T ES2967876T3 ES 2967876 T3 ES2967876 T3 ES 2967876T3 ES 20709251 T ES20709251 T ES 20709251T ES 20709251 T ES20709251 T ES 20709251T ES 2967876 T3 ES2967876 T3 ES 2967876T3
Authority
ES
Spain
Prior art keywords
composition
compositions
neural network
test
properties
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES20709251T
Other languages
English (en)
Inventor
Oliver Kroehl
Gaetano Blanda
Stefan Silber
Inga Husen
Sandra Bittorf
Philipp Isken
Ulf Schöneberg
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Evonik Operations GmbH
Original Assignee
Evonik Operations GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Evonik Operations GmbH filed Critical Evonik Operations GmbH
Application granted granted Critical
Publication of ES2967876T3 publication Critical patent/ES2967876T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
    • C09D7/00—Features of coating compositions, not provided for in group C09D5/00; Processes for incorporating ingredients in coating compositions
    • C09D7/80—Processes for incorporating ingredients
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09D—COATING COMPOSITIONS, e.g. PAINTS, VARNISHES OR LACQUERS; FILLING PASTES; CHEMICAL PAINT OR INK REMOVERS; INKS; CORRECTING FLUIDS; WOODSTAINS; PASTES OR SOLIDS FOR COLOURING OR PRINTING; USE OF MATERIALS THEREFOR
    • C09D5/00—Coating compositions, e.g. paints, varnishes or lacquers, characterised by their physical nature or the effects produced; Filling pastes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/091—Active learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Materials Engineering (AREA)
  • Wood Science & Technology (AREA)
  • Organic Chemistry (AREA)
  • Paints Or Removers (AREA)
  • Inks, Pencil-Leads, Or Crayons (AREA)

Abstract

La invención se refiere a un método para generar una composición para tintes, pinturas, tintas de impresión, resinas molidas, concentrados de pigmentos u otras sustancias de recubrimiento. El método comprende: a. usar composiciones conocidas (206) para entrenar una red neuronal convolucional, en donde se minimiza una función de pérdida (228) para el entrenamiento; b. comprobar si el valor de la función de pérdida cumple con un criterio predefinido, realizándose selectivamente los siguientes pasos para el caso en que no se cumpla el criterio: i. seleccionar una composición de prueba (212) de un conjunto de composiciones de prueba predefinidas (208) por medio de un módulo de aprendizaje activo, ii. accionar una planta química (224) para producir y comprobar composiciones para tintes, pinturas, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento con el fin de producir y comprobar la composición de prueba seleccionada, iii. entrenar la red neuronal convolucional utilizando la composición de prueba seleccionada y las propiedades de la misma detectadas por la planta, iv. repetir el paso b; C. generar una composición de predicción para tintes, pinturas, tintas de impresión, resinas molidas, concentrados de pigmentos u otros materiales de recubrimiento ingresando un vector de entrada (402) en la red neuronal convolucional; d. generar la composición de predicción por medio de la red neuronal convolucional (226). (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento
Campo Técnico
La invención se refiere a un procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento.
Estado de la técnica
Las composiciones para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos y otros materiales de recubrimiento son mezclas complejas de materias primas. Las composiciones, recetas o formulaciones habituales para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento contienen alrededor de 20 materias primas, a las que en lo sucesivo también se denominará "componentes". Estas composiciones se componen, por ejemplo, de materias primas que se seleccionan entre sólidos tales como pigmentos y/o cargas para cubrimiento, aglutinantes, disolventes, resinas, endurecedores y diversos aditivos tales como espesantes, medios dispersantes, agentes humectantes, promotores de adhesión, antiespumantes, medios modificadores de superficie, agentes niveladores, aditivos catalíticamente activos, como por ejemplo sustancias secas y catalizadores, y aditivos especialmente eficaces, como por ejemplo biocidas, fotoiniciadores e inhibidores de corrosión.
Hasta la fecha, se han especificado nuevas composiciones, formulaciones y reformulaciones con ciertas propiedades deseadas en base a valores empíricos y luego se han probado y sintetizado químicamente. La constitución de una nueva composición que cumpla ciertas expectativas en términos de sus propiedades químicas, físicas, ópticas, hápticas y otras propiedades registradas metrológicamente es difícil de predecir, incluso para un experto, debido a la complejidad de las interacciones. Debido a la variedad de interacciones entre las materias primas y la pluralidad resultante de intentos fallidos, esta manera de proceder requiere mucho tiempo y dinero.
El documento CN 108305311 A describe un sistema que puede generar un dibujo en tinta china a partir de una imagen. Para ello, se entrena una red neuronal convolucional utilizando datos de entrenamiento. Los dibujos en tinta china y las imágenes originales asociadas se envían a la red neuronal convolucional. La red neuronal convolucional entrenada de esta manera puede generar imágenes con el estilo de dibujos en tinta china. Sin embargo, este documento no trata de cómo se puede generar una composición de una tinta china, una pintura u otro material de recubrimiento.
A partir del documento US 2018/0276348 A1 se conoce un sistema informático cognitivo para la producción de formulaciones químicas. El sistema determina una formulación química que cumple ciertas restricciones, produce y prueba la formulación química. Este sistema informático se basa en el entrenamiento de un sistema de aprendizaje con datos de formulación química existentes. Sin embargo, crear conjuntos de datos suficientemente grandes para entrenar la lógica de aprendizaje en ellos es costoso y también caro debido al alto consumo de tiempo y material.x En muchos casos, tampoco es posible confiar simplemente en un conjunto de datos de composiciones ya sintetizadas y analizadas disponibles en la mayoría de los laboratorios. Esto puede deberse a varias razones: el laboratorio acaba de crearse y aún no dispone de una base de datos adecuada. El laboratorio está creando una nueva línea de productos y aún no tiene la experiencia ni los datos correspondientes sobre las propiedades de esta nueva línea de productos. O, aunque hay datos disponibles, son demasiado reducidos en volumen o demasiado desequilibrados ("sesgados") debido a su composición histórica para poder utilizarlos como un conjunto de datos de entrenamiento.
Por lo tanto, actualmente existen límites muy estrechos para la evaluación y predicción, tanto humana como asistida por computadora, de los componentes de una composición con las propiedades deseadas. Esto se aplica especialmente a composiciones complejas con muchas propiedades relevantes y muchos componentes, como es el caso de pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento, ya que los componentes interactúan entre sí de forma compleja y determinan las propiedades de los productos químicos correspondientes.
Por lo tanto, primero se deben producir químicamente nuevas composiciones y luego se deben medir sus propiedades para poder estimar si las composiciones presentan ciertas propiedades requeridas. Aunque ya existen enfoques para predecir automáticamente las propiedades de las sustancias químicas, crear un conjunto de datos de entrenamiento de tamaño y calidad suficientes suele ser más complejo que producir y probar directamente la composición en cuestión. El desarrollo de nuevas composiciones en el campo de pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento es especialmente complejo y requiere mucho tiempo.
Resumen
Por lo tanto, el objeto de la presente invención es proporcionar un procedimiento mediante el cual se logre el desarrollo de una nueva composición o el desarrollo de una reformulación de una manera que ahorre más tiempo y sea más rentable.
El objeto se logra mediante el procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento según la reivindicación 1, así como un sistema informático y un producto de programa informático correspondiente. Las formas de realización de la invención se indican en las reivindicaciones dependientes. Las formas de realización de la presente invención se pueden combinar libremente entre sí a menos que sean mutuamente excluyentes.
En un aspecto, la invención se refiere a un procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento. La composición se genera por un sistema informático. El sistema informático tiene acceso a una base de datos en la que se almacenan composiciones conocidas con sus componentes y propiedades. El sistema informático está conectado a una planta para producir y probar composiciones para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento. El sistema informático contiene una red neuronal convolucional (la llamada CNN, Convolutional Neural Network) y un módulo de aprendizaje activo. El procedimiento incluye los siguientes pasos:
a. uso de composiciones conocidas almacenadas en la base de datos para entrenar la red neuronal convolucional, minimizándose para el entrenamiento una función de pérdida.
b. comprobar si el valor de la función de pérdida cumple con un criterio predeterminado, realizándose los siguientes pasos de forma selectiva en caso de que no se cumpla el criterio:
i. selección de una composición de prueba de una cantidad de composiciones de prueba específicas mediante el módulo de aprendizaje activo,
ii. control de la planta mediante el sistema informático para producir y probar la composición de prueba seleccionada,
iii. entrenar la red neuronal convolucional utilizando la composición de prueba seleccionada y sus propiedades registradas por la planta,
iv. realización Repetida del paso b.
c. generación de una composición de pronóstico para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento mediante la introducción de un vector de entrada en la red neuronal convolucional,
d. salida de la composición de pronóstico mediante la red neuronal convolucional.
Esto puede ser ventajoso porque en un proceso iterativo total o semiautomático, un conjunto de datos de entrenamiento existente se amplía gradual y específicamente para incluir datos de entrenamiento adicionales significativos en forma de composiciones de prueba y sus propiedades determinadas empíricamente, teniendo lugar un nuevo entrenamiento de la red neuronal con cada iteración en el conjunto de datos de entrenamiento extendido, por lo que la calidad de predicción de la red mejora después de cada iteración hasta que la función de pérdida cumple el criterio, es decir, un error de predicción en la red se ha vuelto suficientemente pequeño.
Debido al número limitado de composiciones ya conocidas, la red neuronal entrenada obtenida después de la fase de entrenamiento inicial a menudo aún no es capaz de predecir de forma fiable una formulación de pronóstico que presente una serie de propiedades deseadas. La base de datos utilizada suele ser demasiado pequeña para ello.
Ampliar el conjunto de datos de entrenamiento con un módulo de aprendizaje activo permite seleccionar específicamente algunas composiciones de prueba de las que se beneficia especialmente la calidad de la red neuronal y sus predicciones. En varias iteraciones, el poder predictivo de la red neuronal se puede mejorar rápidamente de forma eficiente, por tanto mediante la selección automática y específica de composiciones de prueba que prometen una mejora particularmente fuerte en el modelo predictivo de la red neuronal, así como mediante etapas de síntesis y análisis realizadas automáticamente basadas en la composición de prueba seleccionada. Si después de una iteración se determina que la función de pérdida cumple el criterio, ya no es necesaria una extensión del conjunto de datos de entrenamiento dado que el poder predictivo de la red neuronal entrenada puede considerarse suficiente.
En otro aspecto ventajoso, el módulo de aprendizaje activo puede ampliar las bases de datos existentes de composiciones conocidas seleccionando automáticamente composiciones de prueba que aumentan particularmente el poder predictivo de la red neuronal de tal manera que el desequilibrio en los datos de entrenamiento se puede compensar en gran medida de forma automática.
Según formas de realización de la invención, la cantidad de composiciones de prueba se genera automáticamente mediante un programa de planificación de pruebas.
Por ejemplo, las composiciones de prueba se pueden generar automáticamente basándose en las composiciones conocidas añadiendo u omitiendo componentes o modificando la cantidad o concentración de uno o más componentes.
Esto puede ser ventajoso dado que se puede generar automáticamente una gran cantidad de composiciones de prueba. Por lo tanto, se puede crear un gran espacio de datos con composiciones candidatas. El espacio de datos abarcado por las composiciones de prueba puede tener la ventaja particular de que es menos "sesgado" si, por ejemplo, el programa de planificación de pruebas está diseñado para generar las composiciones de prueba de modo que esencialmente cada componente se somete a variaciones similares y que que cubren un amplio espacio de datos (eliminación, adición, cambio de concentración) para generar las composiciones de prueba.
Según formas de realización de la invención, los componentes de las composiciones conocidas y/o de las composiciones de prueba se seleccionan del grupo que consiste en sólidos, tales como pigmentos y/o cargas de cubrimiento, aglutinantes, disolventes, resinas, endurecedores y diversos aditivos, tales como espesantes, medios dispersantes, agentes humectantes, promotores de adhesión, antiespumantes, medios modificadores de superficie, agentes niveladores, aditivos catalíticamente activos y aditivos particularmente eficaces.
Según las formas de realización de la invención, las propiedades de la formulación de prueba registradas por la planta se seleccionan del grupo que consiste en estabilidad en almacenamiento, valor de pH, reología, en particular viscosidad, densidad, masa relativa, colores, en particular intensidad del color, reducción de costes durante la producción y mejora del rendimiento de los pigmentos.
Según formas de realización de la invención, la composición de pronóstico se genera en una interfaz de usuario del sistema informático. En el caso de la interfaz de usuario puede tratarse, por ejemplo, de una pantalla, un altavoz y/o una impresora.
Esto puede ser ventajoso dado que el usuario puede volver a comprobar manualmente la plausibilidad de la composición de pronóstico antes de que se transmita a la planta química con fines de síntesis.
Según formas de realización, la planta presenta al menos dos estaciones de procesamiento. Las al menos dos estaciones de procesamiento están conectadas entre sí a través de un sistema de transporte, en el que pueden viajar vehículos de transporte autopropulsados para transportar los componentes de la composición y/o la composición producida entre las estaciones de procesamiento.
Según formas de realización, el procedimiento comprende además: introducir una composición en un procesador que controla la planta, siendo la composición introducida en el procesador la composición de prueba seleccionada o la composición de pronóstico, controlando el procesador la planta para producir la composición introducida, en donde en las al menos dos estaciones de procesamiento tiene lugar la producción de la composición introducida y una medición de las propiedades de la composición introducida, después de lo cual las propiedades medidas se emiten a una interfaz de usuario del sistema informático y/o las propiedades medidas se almacenan en la base de datos. El procesador puede ser, por ejemplo, el procesador de una computadora de control principal de la planta, que es parte integrante de la planta o está conectada operativamente con ésta a través de una red.
La síntesis y prueba iterativas (determinación de las propiedades) de las composiciones de prueba para ampliar el conjunto de datos de entrenamiento puede ser ventajosa dado que se proporciona un sistema completamente automático o, si se requiere confirmación del usuario, semiautomático para la ampliación específica de en un conjunto de datos de entrenamiento determinado ya existente para la mejora iterativa de una red neuronal. El procedimiento de predicción basado en la red neuronal mejora de forma autónoma, automática e iterativa mediante el control adecuado de la planta química y el uso automático de los datos empíricos generados de esta manera para ampliar el conjunto de datos de entrenamiento.
La síntesis y prueba (determinación de propiedades) de la composición de pronóstico puede resultar ventajosa al proporcionarse un sistema en el que un usuario solo necesita especificar las propiedades deseadas del producto químico, determinar los componentes necesarios para ello y producir el producto con las propiedades deseadas se ejecutan automáticamente, siempre que la red neuronal pueda determinar una composición de pronóstico para las propiedades requeridas especificadas en el vector de entrada.
Según formas de realización, el sistema informático está configurado para comunicarse a través de una interfaz de comunicaciones con la base de datos y/o la planta para producir y probar composiciones para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento. La interfaz de comunicaciones puede estar implementada mediante USB, Ethernet, WLAN, LAN, Bluetooth u otra interfaz de red.
Según formas de realización, las composiciones incluyen o consisten en formulaciones.
En otro aspecto, la invención se refiere a un sistema informático para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento. El sistema informático incluye una base de datos y una interfaz de usuario y está configurado para realizar un procedimiento para generar una composición de acuerdo con formas de realización de la invención.
En otro aspecto, la invención se refiere a un programa informático, un medio de almacenamiento digital o un producto de programa informático con instrucciones ejecutables por un procesador que, cuando son ejecutadas por el procesador, hacen que el procesador realice un procedimiento para generar una composición de acuerdo con formas de realización. de la invención.
En otro aspecto, la invención se refiere a un sistema que comprende dicho sistema informático y una planta. La planta es una planta para la producción y prueba de composiciones para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento. La planta presenta al menos dos estaciones de procesamiento. Las al menos dos estaciones de procesamiento están conectadas entre sí a través de un sistema de transporte, en el que pueden viajar vehículos de transporte autopropulsados para transportar los componentes de la composición y/o la composición producida entre las estaciones de procesamiento.
Por "composición" se entiende aquí una especificación de un producto químico, que especifica al menos el tipo de materias primas ("componentes") a partir de las cuales se forma el producto químico. Cuando en el contexto de esta solicitud se habla de la producción o prueba de una composición, esto debe entenderse como un resumen del hecho de que un producto químico se produce de acuerdo con las indicaciones sobre los componentes y, opcionalmente, también sus concentraciones especificadas en la composición, o que este producto químico se “prueba”, es decir, sus propiedades se registran metrológicamente.
Por “formulación” se entiende aquí una composición que, además de indicar los componentes, también incluye indicaciones de cantidades o concentraciones para los respectivos componentes.
Por una "composición conocida" se entiende una composición que especifica un producto químico, cuyas propiedades son conocidas por la persona u organización que realiza el entrenamiento en el momento de entrenar una red neuronal, dado que la composición conocida ya ha sido utilizada para producir un producto químico y las propiedades de este producto se midieron empíricamente. La medición no tiene que haber sido realizada necesariamente por el operador del laboratorio químico que ahora determina la composición de pronóstico, sino que también puede haber sido realizada y publicada por otros laboratorios, de modo que en este caso las propiedades se obtienen de literatura técnica. Dado que una composición de acuerdo con la definición anterior también contiene formulaciones como un subconjunto, las "composiciones conocidas" de acuerdo con formas de realización de la invención también pueden contener "formulaciones conocidas" o ser "formulaciones conocidas".
Por una “composición de prueba” se entiende una composición que especifica un producto químico cuyas propiedades no son conocidas por la persona u organización que realiza el entrenamiento en el momento de entrenar una red neuronal. Por ejemplo, una composición de prueba puede ser una composición que se ha especificado manual o automáticamente, pero que aún no se ha utilizado para producir realmente el producto químico correspondiente. Por tanto, se desconocen las propiedades de este producto. Dado que una composición de acuerdo con la definición anterior también contiene formulaciones como un subconjunto, las "composiciones de prueba" de acuerdo con formas de realización de la invención también pueden contener "formulaciones de prueba" o ser "formulaciones de prueba".
Por una “composición de pronóstico” se entiende aquí una composición para la cual una red neuronal entrenada predice (pronostica), que especifica un producto químico cuyas propiedades corresponden a una especificación de propiedades deseadas predeterminadas por un usuario. Por ejemplo, la especificación de las propiedades deseadas se puede proporcionar a la red neuronal como un vector de entrada que especifica un valor de parámetro deseado o aceptable o un rango de valores de parámetros para cada una de las propiedades deseadas.
Por una “base de datos” se entiende aquí cualquier almacén de datos o área de almacenamiento en la que se almacenan datos, especialmente datos estructurados. La base de datos puede ser uno o más archivos de texto, archivos de hoja de cálculo, un directorio en un árbol de directorios o una base de datos de un sistema de gestión de bases de datos relacionales (SGBD), por ejemplo, MySQL o PostgreSQL.
Por una "función de pérdida" (también llamada "función objetivo") de un problema de predicción es una función utilizada en el entrenamiento de una red neuronal que genera un valor cuya magnitud es una indicación de la calidad del modelo predictivo de la red neuronal entrenada y que debería minimizarse durante el entrenamiento, ya que la magnitud de este valor indica el error de las predicciones de la red neuronal.
Por una "planta" para la producción y prueba de composiciones se entiende aquí un sistema que consta de varios dispositivos de laboratorio y una unidad de transporte, que es capaz de controlar los dispositivos de laboratorio y la unidad de transporte conjuntamente de manera orquestada para controlar de forma automática o semiautomática para realizar un flujo de trabajo químico. El flujo de trabajo puede ser, por ejemplo, un flujo de trabajo de síntesis o un flujo de trabajo de análisis o una combinación de ambos flujos de trabajo.
Por una "prueba de composiciones" mediante una planta significa el registro metrológico ("análisis") de las propiedades de un producto químico que se produjo de acuerdo con las indicaciones en la composición.
Por un "módulo de aprendizaje activo" se entiende un programa de software o un módulo de un programa de software que está configurado para seleccionar específicamente un subconjunto (comparativamente pequeño) de composiciones de prueba de un conjunto de composiciones de prueba de modo que, después de la síntesis y medición empírica de las propiedades de esta composición de prueba seleccionada y tener en cuenta estos datos durante el entrenamiento de la red neuronal produce un efecto de aprendizaje particularmente fuerte.
Breve descripción de los dibujos
En las siguientes ilustraciones se explican más detalladamente a modo de ejemplo formas de realización de la invención:
la Figura 1 muestra un diagrama de flujo de un procedimiento para entrenar una red neuronal y para usar la red entrenada para predecir propiedades y/o predecir una composición de un medio líquido;
la Figura 2 muestra un diagrama de bloques de un sistema distribuido para entrenar una red neuronal y utilizar la red entrenada;
la Figura 3 muestra una sección 2D de un espacio de datos multidimensional desde el cual el "módulo de aprendizaje activo" selecciona específicamente puntos de datos;
la Figura 4 muestra la arquitectura de una red neuronal con vectores de entrada y salida.
Descripción detallada
LaFigura 1muestra un diagrama de flujo de un procedimiento implementado por computadora para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento. El procedimiento se puede llevar a cabo, por ejemplo, mediante un sistema informático 224 como está representado en la Figura 2.
En un primer paso 102 a), se utilizan composiciones ya conocidas como un "conjunto de datos de entrenamiento inicial" para entrenar una red neuronal convolucional de tal manera que, en respuesta a recibir un vector de entrada que contiene una o más propiedades deseadas de un producto químico de las categorías mencionadas anteriormente, predice una composición de pronóstico que presenta estas propiedades deseadas. La composición de pronóstico especifica al menos el tipo de componentes que componen un producto químico del tipo mencionado anteriormente (pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento) y, opcionalmente, también sus respectivas cantidades o concentraciones. Una combinación de una composición conocida con las propiedades ya conocidas y determinadas empíricamente del producto químico especificado por esta composición conocida representa un único punto de datos o conjunto de datos dentro de la totalidad de los datos de entrenamiento iniciales.
En el siguiente paso 104 (b), se comprueba si el valor de una función de pérdida cumple un criterio predeterminado. El cumplimiento del criterio indica que la precisión de la predicción de la red neuronal entrenada puede considerarse suficiente. De forma selectiva, en el caso de que no se cumpla el criterio, se llevan a cabo los pasos 106-112 descritos a continuación. De lo contrario, el entrenamiento finaliza (paso 114) y se devuelve la red neuronal completamente entrenada.
En el paso 106, el módulo de aprendizaje activo selecciona automáticamente una composición de prueba de un conjunto de composiciones de prueba predeterminadas. Hay una pluralidad de diferentes enfoques de aprendizaje activo que se pueden usar de acuerdo con formas de realización de la invención.
De acuerdo con una variante de implementación, el módulo de aprendizaje activo sigue el enfoque del "cambio de modelo esperado" y selecciona la composición de prueba que (cuando se vuelve a entrenar la red teniendo en cuenta esta composición de prueba y sus propiedades realmente medidas) representa el modelo predictivo actual de la red neuronal entrenada. La red sería la que más cambiaría.
De acuerdo con otra variante de implementación, el módulo de aprendizaje activo sigue el enfoque de "reducción de error esperada" y selecciona la composición de prueba que reduciría más significativamente un error en el modelo predictivo actual de la red neuronal entrenada.
De acuerdo con otra variante de implementación, el módulo de aprendizaje activo sigue el enfoque del "hiperplano marginal mínimo" y selecciona la composición de prueba más cercana a una línea divisoria o un plano divisorio que se extiende en un espacio de datos multidimensional por el modelo predictivo actual de la red neuronal entrenada. La línea divisoria o plano divisorio es un área límite dentro del espacio de datos multidimensional en la que el modelo predictivo toma una decisión de clasificación, es decir, asigna puntos de datos en un lado de la línea divisoria o plano divisorio a una clase o categoría diferente a la de los puntos de datos al otro lado de la línea divisoria. Esta proximidad de los puntos de datos al plano de separación se interpreta en el sentido de que el modelo predictivo no está seguro de una decisión de clasificación y se beneficiaría especialmente si el conjuntos de datos medidos reales (que constan de una combinación de componentes y, opcionalmente, sus concentraciones y las propiedades medidas del producto químico producido de acuerdo con esta composición de componentes) se puede medir adicionalmente desde las proximidades de este plano divisorio para seguir entrenando la red neuronal.
Después de seleccionar una de las composiciones de prueba de la base de datos, en el paso 108 el sistema informático controla una planta para la producción y prueba de composiciones químicas de modo que un producto químico se produzca y pruebe automáticamente de acuerdo con las indicaciones en la composición de prueba seleccionada. Por esta prueba se entiende el registro metrológico de una o más propiedades del producto químico, por ejemplo la medición del valor de pH, del valor de color, de la viscosidad o similares.
Las propiedades realmente medidas obtenidas en el paso 108 se usan para complementar la composición de prueba seleccionada, de modo que se crea un punto de datos adicional completo que consta de una composición conocida y propiedades conocidas, que sirve para ampliar el conjunto de datos de entrenamiento usado en a) o iteraciones anteriores. En el paso 110, la red neuronal se vuelve a entrenar sobre un conjunto de datos de entrenamiento ampliado. Dependiendo de la variante de implementación, esto puede tener lugar de modo que el entrenamiento se lleve a cabo de nuevo completamente sobre la base del conjunto de datos de entrenamiento ampliado, o el entrenamiento en el paso 110 se lleve a cabo de forma incremental, de modo que lo aprendido hasta ahora hasta ahora se conserva y solo se modifica teniendo en cuenta el nuevo punto de datos de entrenamiento.
En el paso 112, se inicia una prueba repetida de la calidad de predicción de la red neuronal entrenada y se repiten los pasos 104-112 hasta que la red tenga suficiente calidad de predicción, lo que puede verse por el hecho de que la función de pérdida cumple el criterio, por ejemplo el "valor de error" calculado por la función de pérdida está por debajo de un valor máximo predefinido.
La red neuronal completamente entrenada ahora se puede utilizar para predecir de manera muy rápida y confiable composiciones que presentan una o más propiedades deseadas (una llamada "composición de pronóstico"). Para hacer esto, en el paso 116 un usuario ingresa un vector de entrada a la red neuronal entrenada, que especifica una o más de las propiedades deseadas. Por ejemplo, los elementos del vector de entrada pueden consistir en un valor numérico o un rango de valores, que debe entenderse como un valor o rango de valores deseado o aceptable. Por ejemplo, puede existir el requisito de producir un barniz con una viscosidad en un determinado rango de valores y un color en un determinado rango de colores.
Dado que la red ha aprendido las correlaciones estadísticas entre los componentes (y opcionalmente también sus concentraciones) y las propiedades del producto químico resultante en varias iteraciones basándose en un conjunto de datos de entrenamiento ampliado de manera lógica y específica, la red neuronal entrenada ahora puede predecir una formulación de pronóstico en el paso 118, que presenta las propiedades deseadas y las envía al usuario y/o a una planta química para su síntesis inmediata.
El objetivo del entrenamiento de la red neuronal es que la red entrenada pueda predecir una composición de pronóstico basándose en un conjunto ingresado de propiedades deseadas y rangos de valores de parámetros correspondientes, es decir, una especificación de al menos el tipo y número y, opcionalmente, también las cantidades respectivas de los componentes de un producto químico que presenta las propiedades deseadas. Si la predicción se aplica a una composición de prueba cuyos componentes se conocen y cuyas propiedades reales se han medido empíricamente, habrá un resultado de predicción correcto o incorrecto. Como se mencionó anteriormente, la "función de pérdida" se utiliza para evaluar la calidad de la predicción de una red neuronal entrenada.
Una "función de pérdida" (también denominada "función objetivo") para un problema de predicción, que también puede entenderse como un problema de clasificación, puede, por ejemplo, contar en el caso más sencillo solo las predicciones reconocidas correctamente de un conjunto de predicciones. Cuanto mayor sea la proporción de predicciones correctas, mayor será la calidad del modelo predictivo de la red neuronal entrenada. Por ejemplo, la cuestión de si una propiedad reológica como la viscosidad se encuentra dentro de un rango aceptable predefinido, puede entenderse como un problema de clasificación.
Sin embargo, también son posibles muchas funciones de pérdida alternativas y los criterios correspondientes para evaluar la precisión de la predicción de la red neuronal entrenada. Por ejemplo, la red puede recibir las propiedades deseadas en forma de un vector de entrada y utilizar estos datos para predecir la naturaleza de los componentes de la composición. En estos casos de aplicación, la red neuronal debe estimar un valor y no una clase, por ejemplo la cantidad de un componente de una composición. Estos casos de aplicación se denominan problemas de regresión.
Para ello es necesaria otra función objetivo. Por ejemplo, una función de pérdida para problemas de regresión puede ser una función que calcule cómo de diferente es el valor predicho por la red del valor medido real. Por ejemplo, la función de pérdida puede ser una función cuyo valor de salida esté correlacionado positivamente con el valor agregado de la desviación de cada componente predicho de un componente realmente utilizado de una composición sintetizada. El valor agregado puede ser, por ejemplo, una media aritmética. Por ejemplo, la calidad de una red neuronal entrenada puede considerarse suficiente si estas desviaciones (errores) agregadas de todos los componentes de una composición predicha por la red con respecto a los componentes realmente utilizados están por debajo de un valor umbral predefinido. En este caso, la red neuronal se puede utilizar para predecir composiciones desconocidas que especifican un producto químico que presenta una o más propiedades deseadas. Sin embargo, si estas desviaciones agregadas de los componentes predichos de los componentes realmente utilizados se desvían más que el valor máximo especificado, el módulo de aprendizaje activo se activa automáticamente para ampliar el conjunto de datos de entrenamiento seleccionando una composición de prueba adicional, cuya síntesis y análisis de propiedades lo lleva a cabo la planta química y la composición de prueba seleccionada junto con las propiedades medidas para ella se utilizan como un punto de datos adicional en un conjunto de datos de entrenamiento extendido para volver a entrenar la red neuronal en el conjunto de datos de entrenamiento extendido.
El vector de entrada, que se forma con cada nuevo entrenamiento iterativo en función de las propiedades determinadas por la planta, contiene las propiedades medidas empíricamente de un producto sintetizado de acuerdo con la composición de prueba seleccionada. El vector de salida contiene un conjunto de componentes predichos de la composición de prueba seleccionada, de modo que la función de pérdida se puede utilizar para comparar los componentes predichos con los componentes reales de la composición de prueba. El vector de entrada utilizado para probar la función de pérdida es preferiblemente el mismo en cada iteración, de modo que los cambios en el valor de error calculado por la función de pérdida puedan atribuirse a cambios en el modelo predictivo de la red y no a cambios en el vector de entrada. En algunas formas de realizaciones, la función de pérdida también se aplica a múltiples composiciones de prueba con propiedades empíricamente conocidas para ampliar la base de datos al determinar si la función de pérdida cumple con un criterio particular.
Una vez completado el entrenamiento de la red, la red neuronal entrenada puede generar y emitir una composición de predicción basada en un vector de entrada que especifica una pluralidad de propiedades deseadas y los rangos de valores de parámetros correspondientes. La emisión se puede enviar a un usuario y/o a la planta y hacer que la planta produzca automáticamente un producto químico de acuerdo con la composición predicha y comprobar empíricamente si presenta las propiedades deseadas.
En general, el procedimiento descrito puede ser especialmente ventajoso para el cálculo de la composición de pronóstico en el marco de la producción de pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos y otros materiales de recubrimiento, ya que debido a la gran cantidad de número de componentes y sus interacciones, apenas es posible predecir una composición adecuada. Por ejemplo, para la dispersión de sólidos (por ejemplo, pigmentos, cargas de cubrimiento o colorantes) en medios líquidos, normalmente se utilizan medios dispersantes (también llamados aditivos dispersantes) para lograr una dispersión efectiva de los sólidos, reducir las fuerzas de cizallamiento mecánicas requeridas para la dispersión y al mismo tiempo para lograr los niveles de llenado más altos posibles. Los medios dispersantes favorecen la fragmentación de aglomerados, mojan y/o recubren la superficie de los sólidos o partículas a dispersar como materiales tensioactivos y los estabilizan contra una reaglomeración no deseada. En la producción de pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos y otros materiales de recubrimiento, los medios dispersantes facilitan la incorporación de sólidos como pigmentos, colorantes y cargas de cubrimiento, que, como componentes importantes de la composición, determinan significativamente el aspecto visual y las propiedades físico-químicas de los sistemas de este tipo. Para una utilización óptima, estos sólidos deben, por un lado, distribuirse uniformemente en todas las composiciones y, por otro lado, la distribución una vez lograda debe estabilizarse. Actualmente se utilizan diversas sustancias como medios dispersantes de sólidos. Además de compuestos muy simples y de bajo peso molecular, como por ejemplo
lecitina, ácidos grasos y sus sales y etoxilatos de alquilfenol, también se utilizan estructuras de alto peso molecular más complejas como medio dispersante. En este caso, los más utilizados son específicamente sistemas amino y amido funcionales. La selección y concentración del dispersante puede tener una influencia significativa en las propiedades del producto.
LaFigura 2muestra un diagrama de bloques de un sistema distribuido 200 para entrenar una red neuronal 226 y para usar la red entrenada para predecir composiciones, en particular composiciones de pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento.
El sistema contiene una base de datos 204 con composiciones conocidas 206, así como con composiciones de prueba 208. Como ya se describió anteriormente, en el caso más simple la base de datos puede consistir en un área de memoria en la que están almacenados uno o más archivos, por ejemplo archivos de texto o archivos separados por comas. En la forma de realización representada en la Figura 2, la base de datos 200 es la base de datos de un sistema de gestión de bases de datos (SGBD), por ejemplo un SGBD relacional tal como MySQL. Especialmente para conjuntos de datos más grandes, usar un SGBD relacional para administrar y consultar rápidamente los conjuntos de datos es ventajoso porque las consultas se pueden especificar con mayor precisión y ejecutar más rápidamente. Por ejemplo, las composiciones conocidas 206 pueden almacenarse en una primera tabla de base de datos y las composiciones de prueba 208 en otra tabla de base de datos. Sin embargo, también es posible almacenar todas las composiciones conocidas y composiciones de prueba en una sola tabla y etiquetar los diferentes tipos de conjuntos de datos en consecuencia utilizando metadatos/banderas. El tipo de almacenamiento de datos puede ser elegido libremente por el experto en la técnica, siempre que el tipo de almacenamiento permita una distinción lógica entre los dos tipos de composición.
Las composiciones conocidas 206 pueden ser, por ejemplo, un conjunto de conjuntos de datos, conteniendo cada uno una composición que realmente se ha usado al menos una vez para sintetizar un producto químico correspondiente, y las propiedades físicas, químicas, hápticas, ópticas y/u otras de este producto se pueden registrar metrológicamente. Por ejemplo, las composiciones conocidas 206 pueden ser la totalidad de aquellas composiciones que ya han sido sintetizadas por una organización específica, o por un laboratorio específico, o por una planta de laboratorio 244 específica y de las cuales al menos algunos de los parámetros mencionados anteriormente que se pueden registrar metrológicamente fueron registrados empíricamente.
Las composiciones conocidas 206 almacenadas en la base de datos 204 se caracterizan por el hecho de que no solo son conocidos sus componentes (es decir, los constituyentes químicos individuales y sus respectivas cantidades o indicaciones de concentración), sino también al menos algunas propiedades que pueden registrarse metrológicamente del producto químico, que se sintetizó de acuerdo con esta composición. Por lo tanto, cada composición conocida de un producto químico se representa en la base de datos 204 como un registro de datos que contiene los componentes de este producto, así como las propiedades mencionadas registradas metrológicamente de este producto.
Las composiciones de prueba 208 almacenadas en la base de datos 204, por otra parte, son composiciones cuyas propiedades físicas, químicas, hápticas, ópticas y/u otras propiedades que se pueden registrar metrológicamente no son conocidas, al menos para el operador de la base de datos y/o la planta de laboratorio 244. Esto se indica en la Figura 2 mediante signos de interrogación. Por lo tanto, una composición de prueba se representa en la base de datos 204 como un conjunto de datos que caracteriza los componentes (es decir, los componentes químicos individuales y opcionalmente también sus respectivas cantidades o indicaciones de concentración) de un producto químico, pero no las propiedades que se pueden registrar metrológicamente mencionadas de este producto. Por ejemplo, dichas propiedades pueden no estar presentes porque la composición correspondiente nunca ha sido utilizada, o al menos no por el laboratorio o planta de laboratorio correspondiente, para sintetizar un producto químico correspondiente.
En algunas formas de realizaciones, las composiciones de prueba 208 pueden ser creadas y almacenadas manualmente en la base de datos por un experto en la técnica. Por ejemplo, un químico puede, basándose en su experiencia en la síntesis de pinturas y barnices y sus respectivas propiedades, especificar nuevas composiciones de prueba que el experto en la técnica espera que tengan ciertas propiedades materiales deseadas. Por ejemplo, las composiciones de prueba pueden ser generadas por un experto en la técnica modificando una composición conocida omitiendo o añadiendo nuevos componentes. Si la composición también incluye concentraciones de uno o más componentes ("formulación", "composición extendida"), dicha composición de prueba extendida también puede formarse cambiando las concentraciones de los componentes en composiciones conocidas.
En otras formas de realización, las composiciones de prueba 208 se crean y almacenan automáticamente en la base de datos 204. Por ejemplo, cada una de las composiciones conocidas 206 puede consistir en 20 componentes químicos diferentes. Las composiciones de prueba 208 ahora se generan automáticamente reemplazando componentes individuales de la composición con otras sustancias.
Si las composiciones son composiciones "extendidas" con indicaciones de concentración, también se pueden formar composiciones de prueba variando las cantidades de los componentes individuales de las composiciones 206 conocidas, por ejemplo aumentando en un 10 % y/o disminuyendo en un 10 %. Si solo se varía un componente a la vez usando una cantidad de este componente que aumenta en un 10 %, así como disminuye en un 10 %, se crean dos variantes para cada componente. Con 20 componentes, este proceso crea 40 composiciones de prueba. Preferiblemente, el número de composiciones de prueba generadas automáticamente se aumenta aún más, dado que se aumenta o disminuye y el 10 % simultáneamente la concentración de dos o más componentes en comparación con su concentración en la composición conocida. De este modo se pueden generar automáticamente con combinatoria pura 220 = 1048576 composiciones de ensayo extendidas. El número de composiciones de prueba se puede aumentar aún más drásticamente utilizando aún más variantes de concentración, por ejemplo -20 %, -10 %, 10 %, 20 % para cada uno de los 20 componentes y/u omitiendo o utilizando adicionalmente componentes químicos. Por lo tanto, la cantidad de composiciones de prueba puede ser muy alta, especialmente cuando las composiciones de prueba se generan automáticamente.
En algunas formas de realización, las composiciones de prueba 208 incluyen tanto composiciones de prueba creadas manualmente como composiciones de prueba generadas automáticamente.
Por ejemplo, la generación automática de las composiciones de prueba puede ser ventajosa porque puede cubrir rápidamente un espacio de parámetros muy grande de componentes y, opcionalmente, también sus concentraciones, que normalmente, cuando se utiliza un algoritmo de generación de composiciones de prueba expresivo, cubre más amplia y con malla gruesa los componentes individuales y sus concentraciones.
Las composiciones de prueba complementadas manualmente pueden ser composiciones de prueba de las que el experto en la técnica espera, basándose en sus conocimientos empíricos, un efecto de aprendizaje especialmente elevado para la red neuronal o de cuya síntesis el experto espera ventajas cognitivas por otros motivos.
En la Figura 2, el número generalmente grande de composiciones de prueba se indica por el hecho de que la base de datos 204 solo incluye 100 composiciones conocidas pero 900 composiciones de prueba. Sin embargo, la proporción numérica real entre las composiciones conocidas y las composiciones de prueba depende en gran medida de cada caso individual, por ejemplo, de cuántas composiciones ya se han producido en un laboratorio determinado y cuyas propiedades químicas han sido determinadas, y de si la base de datos integra composiciones conocidas y sus propiedades de fuentes externas y/o si las composiciones de prueba se crearon manual o automáticamente. Por tanto, es completamente posible que la base de datos 204 contenga varios miles de composiciones conocidas. Normalmente, el volumen de composiciones de prueba es significativamente mayor que el volumen de pruebas de síntesis empíricas que un laboratorio puede realizar físicamente en términos de costo y rentabilidad.
El sistema distribuido 200 incluye además un sistema informático 224, que incluye una red neuronal 226 y un módulo de aprendizaje activo 222. El módulo de aprendizaje activo 222 tiene acceso a la base de datos 204. El acceso es al menos acceso de lectura para poder leer una o más composiciones de prueba seleccionadas y sus componentes desde la base de datos 204. Según algunas formas de realización, el módulo de aprendizaje activo y/o una planta química 244, que sintetiza y analiza metrológicamente un producto químico de acuerdo con las composiciones de prueba seleccionadas, también tiene derechos de escritura en la base de datos 204 para guardar en la base de datos las propiedades registradas metrológicamente para las composiciones de prueba seleccionadas. Por ejemplo, almacenar las propiedades registradas metrológicamente de una composición de prueba seleccionada y recién sintetizada puede dar como resultado que esta composición de prueba se convierta en una composición conocida y se almacene correspondientemente en la base de datos 204 en una ubicación diferente y/o proveerla con metadatos (“banderas”) diferentes. Por ejemplo, el SGBD 202 puede instalarse en un servidor de base de datos para que el módulo de aprendizaje activo y/o la planta química 244 acceda a la base de datos 204 a través de una red. La red puede ser en particular la intranet de una organización, pero también Internet.
También son posibles otras arquitecturas de sistema. Por ejemplo, la base de datos 204 o el SGBD 202 también pueden ser parte integrante del sistema informático 224 o del ordenador de control principal 246 y/o la red neuronal 226 y el módulo de aprendizaje activo 222 puede instalarse en diferentes sistemas informáticos. Independientemente de la arquitectura realmente seleccionada, debe ser posible intercambiar los datos 210, 212, 214, 218 como está representado en la Figura 2, por ejemplo, de tal manera que todos los componentes que participan en el procedimiento puedan recibir los datos de entrada requeridos de otros componentes. El intercambio de datos puede realizarse directa o indirectamente a través de otros componentes, como por ejemplo pasarelas. Por ejemplo, en algunas formas de realización, la planta química puede almacenar las propiedades medidas para las composiciones de prueba seleccionadas directamente en la base de datos 204 o solo enviarlas al sistema informático 224, que luego almacena las propiedades en la base de datos 204 de tal manera que el conjunto de datos de las composiciones de prueba se complementa con las propiedades y, por lo tanto, se convierte en una "composición conocida".
De acuerdo con otra arquitectura de sistema alternativa, el sistema informático 224 y el ordenador de control principal 246 son el mismo sistema informático.
De acuerdo con formas de realización de la invención, el sistema informático 224 o los componentes 226, 222 instalados en el mismo están configurado para leer primero las composiciones conocidas 206 de la base de datos y usar las composiciones conocidas 206 como un conjunto de datos de entrenamiento 210 para entrenar inicialmente la red neuronal 226. Durante el entrenamiento de la red neuronal, se genera un modelo predictivo de la red neuronal que, basándose en el conjunto de datos de entrenamiento, reproduce las relaciones entre los componentes utilizados para sintetizar un producto químico (es decir, entre una composición) y las propiedades del producto sintetizado registrado metrológicamente. Con la ayuda de este modelo predictivo obtenido durante el entrenamiento, la red neuronal entrenada puede predecir la composición en función de las propiedades deseadas ingresadas en forma de un vector de entrada, que especifica un producto que probablemente tenga las propiedades deseadas. Por ejemplo, puede ser una propiedad deseable que la viscosidad del producto químico se encuentre dentro de un cierto rango de valores de parámetros.
Debido al número limitado de composiciones conocidas 206 y sus propiedades, la red neuronal entrenada 226 obtenida después de la fase de entrenamiento inicial, aún no es capaz en algunos casos de predecir con suficiente fiabilidad los componentes de una composición basándose en una lista de propiedades deseadas. La base de datos utilizada suele ser demasiado pequeña para ello.
Una ampliación del conjunto de datos de entrenamiento que sintetiza todas las composiciones de prueba en la planta 244 y luego determina sus propiedades usando mediciones, suele ser demasiado costosa y/o demasiado compleja. De acuerdo con formas de realización de la invención, el uso del módulo de aprendizaje activo hace posible seleccionar específicamente algunas composiciones de prueba y sintetizar y analizar un producto químico correspondiente solo para éstas en la planta química 244 con el fin de usar tan pocas síntesis como sea posible (y por lo tanto con los menores costos y esfuerzos posibles) para ampliar el conjunto de datos de entrenamiento de tal manera que el poder predictivo del modelo predictivo de la red neuronal 226 pueda mejorarse significativamente mediante un nuevo entrenamiento sobre el conjunto de datos de entrenamiento ampliado. Después de volver a entrenar la red neuronal sobre el conjunto de datos ampliado, el poder predictivo de la red neuronal se prueba nuevamente utilizando la función de pérdida 228. Si no se cumple un criterio específico, por ejemplo si el valor de pérdida excede un valor máximo especificado, esto significa que la calidad de la red neuronal o su modelo predictivo aún no es lo suficientemente alta y debe tener lugar un nuevo entrenamiento sobre un conjunto de datos de entrenamiento aún más ampliado. En este caso, el módulo de aprendizaje activo realiza una nueva etapa de selección respecto de una composición de prueba que aún no ha sido seleccionada y utilizada para una síntesis del medio correspondiente. Como se describe, se lleva a cabo una síntesis del producto químico basándose en las composiciones de prueba seleccionadas y las propiedades de este producto se registran metrológicamente, de modo que las composiciones de prueba seleccionadas, junto con las propiedades medidas, se puedan agregar a los datos de entrenamiento existentes como un nuevo conjunto de datos de entrenamiento, para volver a entrenar la red neuronal 226 en base a un conjunto de datos de entrenamiento aún más ampliado. En varias iteraciones, el poder predictivo de la red neuronal se puede mejorar rápidamente de forma eficiente, por tanto mediante la selección automática y específica de composiciones de prueba que prometen una mejora particularmente fuerte en el modelo predictivo de la red neuronal, así como mediante etapas de síntesis y análisis realizadas automáticamente basadas en la composición de prueba seleccionada. Si después de una iteración se determina que la función de pérdida cumple el criterio, ya no es necesaria una extensión del conjunto de datos de entrenamiento dado que el poder predictivo de la red neuronal entrenada puede considerarse suficiente.
La identificación de la composición de prueba a seleccionar se puede realizar, por ejemplo, como se muestra en la Figura 3. El módulo de aprendizaje activo 222 está configurado para leer la composición de prueba identificada de la base de datos 204 (por ejemplo, usando un comando SELECT 214 a una base de datos relacional) y transmitirla a la planta química 244. Por lo tanto, el sistema informático 224 contiene una interfaz para la comunicación con la planta 224 y/o es parte integrante de la planta. La planta está configurado para sintetizar un producto químico basándose en la composición de prueba seleccionada 212 y para medir una o más propiedades del producto sintetizado. Por ejemplo, la planta puede incluir múltiples dispositivos de síntesis 254, 256 o módulos de síntesis y múltiples dispositivos de análisis 252 (o módulos de análisis), cada uno de los cuales realiza una o más etapas de la síntesis o análisis de productos químicos o sus etapas intermedias. La planta también dispone de una o más unidades de transporte 258, por ejemplo cintas correderas o brazos de robot, que transportan los componentes, productos intermedios y materiales de consumo de un lado a otro entre las diversas unidades de síntesis y/o análisis. La planta 244 incluye un ordenador de de control principal 246 con software de control 248 o está acoplado operativamente a dicho ordenador 248 a través de una red. El software de control 248 está configurado para coordinar las etapas de síntesis, análisis y/o transporte llevadas a cabo por las unidades de síntesis y análisis y la unidad de transporte de modo que un producto químico se sintetice de acuerdo con las indicaciones en la composición seleccionada 212 y sus propiedades se registran metrológicamente. Preferiblemente, el software de control almacena las propiedades 218 registradas de la composición seleccionada recién sintetizada (directamente o a través de la computadora 224) en la base de datos 204 de modo que las propiedades se almacenen asociadas con la composición de prueba seleccionada. En este caso, el conjunto de datos "incompleto" de la composición de prueba seleccionada se complementa con las propiedades registradas en la planta 244 y, por lo tanto, se convierte en una "composición conocida".
Las propiedades 218 de la composición de prueba seleccionada también se transmiten al sistema informático 244, de modo que una combinación de la composición 212 seleccionada por el módulo de aprendizaje activo y sus propiedades 218 dan como resultado un nuevo conjunto de datos completo, mediante el cual se amplían los datos de entrenamiento. La red neuronal se vuelve a entrenar basándose en el conjunto de datos de entrenamiento ampliado y el efecto de ampliar los datos de entrenamiento sobre la calidad de las predicciones de la red neuronal se prueba usando la función de pérdida 228. Si el valor de la función de pérdida cumple con un criterio predefinido, por ejemplo, solo tiene un valor de pérdida por debajo de un valor máximo, se puede finalizar el entrenamiento. De lo contrario, el resultado de la verificación del criterio se transmite al módulo de aprendizaje activo, lo que hace que seleccione otra composición de prueba.
De acuerdo con algunas formas de realización, la planta 244 o varios plantas para la síntesis y análisis de productos químicos también son parte integrante de el sistema distribuido 200.
La planta 244 puede ser una planta de alto rendimiento (planta HTE), por ejemplo una planta de alto rendimiento para analizar y producir pinturas y barnices. Por ejemplo, la planta HTE puede ser un sistema para pruebas automáticas y producción automática de productos químicos como se describe en el documento WO 2017/072351 A2.
Con la ayuda del sistema representado en la Figura 2, el experto en la técnica puede evitar así sintetizar y analizar de forma no específica y que requiere mucho tiempo un gran número de etapas de tritación y composiciones de componentes para obtener un conjunto de datos de entrenamiento suficientemente grande. Debido a la enorme complejidad de las dependencias de los componentes, sus respectivas combinaciones y concentraciones entre sí, así como a la complejidad de las dependencias de las distintas propiedades que se pueden registrar metrológicamente de los productos químicos con respecto a sus componentes y sus concentraciones, en general es casi imposible que un experto humano registre mentalmente todas estas dependencias en su totalidad y especifique manualmente composiciones prometedoras. Dado el enorme tamaño del espacio combinatorio posible de componentes y concentraciones, un experto humano solo puede probar empíricamente una sección comparativamente pequeña y más o menos seleccionada al azar de este espacio posible. Por lo tanto, hasta ahora era inevitable dedicar mucho tiempo y material a la síntesis y análisis de composiciones que en última instancia presenten propiedades de producto indeseables y/o cuyo uso como parte de un conjunto de datos de entrenamiento no daba como resultado una mejora significativa en la calidad de un modelo predictivo de una red neuronal. Al utilizar un módulo de aprendizaje activo para seleccionar específicamente algunas composiciones de prueba, se puede acelerar significativamente el proceso de proporcionar un conjunto de datos de entrenamiento adecuado para desarrollar una red neuronal precisa.
En otro aspecto ventajoso, de acuerdo con formas de realización de la invención, el sistema 200 se puede usar para proporcionar un conjunto de datos de entrenamiento que complementa de manera óptima un conjunto históricamente determinado y existente de composiciones conocidas mediante una selección específica de composiciones de prueba. Las composiciones conocidas 206 pueden ser composiciones y sus propiedades que han sido sintetizadas, analizadas y los datos correspondientes almacenados durante el funcionamiento de un laboratorio o planta de laboratorio. Por lo tanto, es posible que las composiciones conocidas no estén distribuidas uniformemente en el espacio combinatorio posible de componentes y, dado el caso, también de concentraciones, sino que resulten de forma aleatoria de la historia del funcionamiento del laboratorio o de la planta. El módulo de aprendizaje activo se puede utilizar y configurar para complementar el modelo predictivo de la red neuronal, que se forma inicialmente sobre la base del entrenamiento inicial en las composiciones conocidas 206, con algunas síntesis y análisis de prueba adicionales de tal manera que, por ejemplo, los componentes y concentraciones que solo están insuficientemente cubiertos por las composiciones conocidas 206 ahora pueden cubrirse por las composiciones de prueba específicamente seleccionadas.
Una vez finalizado el entrenamiento iterativo de la red neuronal, la red neuronal entrenada se puede utilizar para predecir composiciones ("composiciones predictivas") que presentan ciertas propiedades que se pueden registrar metrológicamente, por ejemplo con respecto a un parámetro químico o físico u otro dentro de un rango de valores definido y deseado. Para ello, las propiedades deseadas se representan como un vector de entrada y se introducen en la red neuronal entrenada. Luego, la red neuronal determina el tipo de componentes (y opcionalmente su cantidad) con los que se puede crear un producto químico con las propiedades deseadas. Las composiciones de pronóstico se pueden transmitir automáticamente desde la red neuronal a la planta 244 junto con un comando de control para producir un producto químico de acuerdo con la composición de pronóstico. Opcionalmente, el comando de control también puede hacer que la planta mida automáticamente las propiedades de este producto y almacene la composición de pronóstico, incluidas las propiedades obtenidas para ésta, en la base de datos, ampliando así el conjunto de composiciones conocidas.
LaFigura 3muestra una sección 2D de un espacio de datos multidimensional 300, desde el cual el "módulo de aprendizaje activo" selecciona específicamente puntos de datos 308 para ampliar el conjunto de datos de entrenamiento. Durante el entrenamiento, la red neuronal aprende a utilizar un vector de entrada que especifica las propiedades de una composición para calcular un vector de salida que representa una composición, es decir, una especificación de los componentes de un producto químico. De acuerdo con las formas de realización de la invención, las propiedades especificadas en el vector de entrada incluyen en particular las siguientes propiedades, así como combinaciones de dos o más de estas propiedades: estabilidad en almacenamiento, valor de pH, reología, en particular viscosidad, densidad, masa relativa, colores, en particular la intensidad del color, la reducción de costes durante la producción y la mejora del rendimiento de los pigmentos. La reducción de costes durante la producción puede, por ejemplo, ser registrada automáticamente por una planta química durante la síntesis de una composición y, por ejemplo, referirse a un valor de referencia predeterminado. Sin embargo, también es posible que una persona registre los costes manualmente. En general, en el vector de entrada solo se pueden especificar aquellas propiedades que también formaban parte del conjunto de datos de entrenamiento sobre el que se entrenó la red neuronal.
Después del entrenamiento inicial de la red neuronal, ya ha "aprendido" ciertas relaciones entre los componentes de las composiciones y algunas propiedades basadas en las composiciones conocidas. Estas relaciones aprendidas se ilustran aquí mediante la línea divisoria 316, que divide el espacio de datos 300 con respecto a la propiedad "viscosidad" en un espacio de datos 320 con propiedades de producto reológicamente aceptables a la izquierda debajo de la línea divisoria 318 y un espacio de datos 318 con propiedades del producto reológicamente inaceptables a la derecha encima de la línea divisoria. La Figura 3 solo puede representar un aspecto parcial del espacio de datos 300 limitado a dos dimensiones o dos componentes correspondientes (“concentración de pigmento P1” y “concentración de medio dispersante”). El espacio de datos 300 es inherentemente multidimensional, por ejemplo, con 20 componentes puede tener 20 dimensiones correspondientes y cada uno de estos espacios formados por estas 20 dimensiones contiene sus propias líneas divisorias o planos divisorios multidimensionales ("hiperplano") con respecto a la propiedad considerada en cada caso.
Los puntos de datos mostrados como círculos en la Figura 3 representa en cada caso una de las composiciones de prueba 208. Uno de los puntos de datos de prueba puede seleccionarse de acuerdo con el enfoque denominado "hiperplano marginal mínimo". Por ejemplo, el módulo de aprendizaje activo puede estar configurado como una máquina de vectores de soporte o como otro algoritmo que sea capaz de dividir un espacio de datos abarcado por las composiciones de prueba en subespacios con respecto a una o más propiedades (o componentes) del modelo predictivo ya aprendido por la red neurona! 226. El modelo de red neuronal ya aprendido se representa aquí mediante la línea divisoria o plano divisorio 316. El procedimiento "hiperplano marginal mínimo" supone que los puntos de datos con la distancia más pequeña a la línea divisoria 316 son aquellos para los cuales el modelo predictivo ya aprendido, representado por esta línea divisoria 316, es el más incierto y por lo tanto la composición de prueba que pertenece a estos datos punto debe seleccionarse, sintetizarse y analizarse para determinar empíricamente las propiedades reales, aquí por ejemplo la viscosidad. En el ejemplo aquí representado, el módulo de aprendizaje activo seleccionaría la composición de prueba representada por el punto de datos 308, teniendo en cuenta únicamente la propiedad de "viscosidad", y haría que la planta química 244 sintetice y analice esta composición para ampliar los datos de entrenamiento con los componentes de esta composición de prueba y sus propiedades medidas empíricamente y para mejorar la red neuronal mediante el entrenamiento sobre el conjunto de datos de entrenamiento ampliado. Por ejemplo, puede ser que la medición empírica de la composición representada por el punto 306 muestre que su viscosidad esté en el rango reológicamente inaceptable 320. Por lo tanto, el nuevo entrenamiento sobre el conjunto de datos de entrenamiento ampliado daría como resultado que el modelo predictivo de la red neuronal, aquí visualizado gráficamente por la línea divisoria 316, se adapte de tal manera que en el futuro la predicción para una composición como la representada por el punto 306 sea que su viscosidad está en el rango 320. Por lo tanto, la línea divisoria/plano divisorio 316 se modificaría mediante el nuevo entrenamiento sobre el conjunto de datos de entrenamiento ampliado de tal manera que la línea o el plano tendría un "abultamiento" en la parte superior derecha, de modo que la red neuronal mejorada ahora hubiese reconocido y predicho que la composición representada del punto 308 está en el rango reológicamente inaceptable 320. En la práctica, al seleccionar el punto de datos o la composición de prueba correspondiente, se tiene en cuenta preferentemente la distancia de los puntos de datos correspondientes a las líneas divisorias de varias propiedades, por ejemplo seleccionando el punto de datos con la distancia promedio mínima a todas las líneas divisorias/planos divisorios del espacio de datos 300.
LaFigura 4muestra la arquitectura de una red neuronal entrenada que está configurada y entrenada para recibir un vector de entrada 402 como entrada y para calcular y generar un vector de salida 406 a partir del mismo.. El vector de entrada indica las propiedades deseadas o los correspondientes rangos de valores de parámetros de una composición, cuyos componentes (y, opcionalmente, también las concentraciones o cantidades de los respectivos componentes) deben predecirse (pronosticados) por la red neuronal. El vector de salida 406 especifica los componentes de una composición de pronóstico y, opcionalmente, también las cantidades o concentraciones de estos componentes en la composición de pronóstico, en donde una composición de pronóstico es una composición, de las cuales la red neuronal predice que sus propiedades están dentro de los rangos de valores de parámetros especificados en el vector de entrada. La red contiene varias capas 404 de neuronas, que están vinculadas a las neuronas de otras capas mediante funciones matemáticas ponderadas de tal manera que la red puede calcular, es decir, predecir, los componentes de la composición correspondiente basándose en las propiedades deseadas especificadas en el vector de entrada y estos componentes y, por lo tanto, la propia formulación de pronóstico de salida puede generarse en forma de un vector de salida 406.
Las neuronas de la red neuronal se inicializan en primer lugar con activaciones (pesos) predeterminadas o aleatorias antes del entrenamiento. Durante el entrenamiento, la red recibe un vector de entrada que representa propiedades medidas empíricamente de una composición conocida, calcula el vector de salida con componentes predichos (y opcionalmente conjuntos de componentes) de esa composición y es penalizada por la función de pérdida para las desviaciones de los componentes predichos de los componentes realmente utilizados. El error de predicción determinado se distribuye nuevamente a las respectivas neuronas que lo causaron mediante un proceso llamado retropropagación, y hace que las activaciones (pesos) de ciertas neuronas cambien de tal manera que reduce el error de predicción (y, por lo tanto, el valor de la función de pérdida). Para ello se puede determinar matemáticamente la pendiente de la función de pérdida, de modo que las activaciones de las neuronas se puedan modificar de forma específica, de modo que se minimice el valor emitido por la función de pérdida. En cuanto el error de predicción o el valor de la función de pérdida están por debajo de un umbral predefinido, la red neuronal entrenada se considera lo suficientemente precisa como para que no sea necesario un entrenamiento adicional.
Por ejemplo, la tarea puede ser crear una composición nueva y desconocida que presente una viscosidad específica en el rango de valores VWB, un color específico en el rango de valores FWB y una resistencia a la abrasión en el rango de valores AWB. Antes de su síntesis en el laboratorio, la red neuronal debería utilizarse para determinar automáticamente los componentes de una composición que especifique los componentes de un producto químico cuya viscosidad, color y resistencia a la abrasión se encuentren dentro de los rangos de valores deseados VWB, FWB y AWB. Si no se encuentra una composición de pronóstico cuyas propiedades se encuentren dentro de los rangos de valores deseados, se puede prescindir de la síntesis desde el principio y se pueden ahorrar costes. En este caso puede tener sentido cambiar las especificaciones en cuanto a las propiedades.
Los componentes de esta nueva composición y, opcionalmente, también su respectiva concentración deseada se envían como vector de salida 406 de la red neuronal a un usuario para su evaluación manual y/o a una planta química. El vector de salida puede contener, por ejemplo, 20 componentes de una composición de pronóstico, de los cuales la red neuronal pronosticó que éste o el producto químico sintetizado de acuerdo con la composición de pronóstico presenta las propiedades deseadas. Las propiedades introducidas son propiedades que ya se tuvieron en cuenta durante el entrenamiento de la red neuronal. Dependiendo del tipo de composición o de las propiedades consideradas relevantes, los vectores 402, 406 también pueden incluir un mayor o menor número de elementos en otras formas de realización.
Lista de números de referencia
102-118 pasos
200 sistema distribuido
202 SGBD
204 base de datos
206 composiciones conocidas con propiedades
208 composiciones de prueba (propiedades desconocidas)
210 conjunto de datos de entrenamiento utilizado originalmente
212 composición de prueba seleccionada
214 comando de selección respecto a una composición de prueba
218 propiedades determinadas empíricamente de la composición de prueba seleccionada
222 módulo de aprendizaje activo
224 sistema informático
226 red neuronal
228 función de pérdida
244 planta química
246 ordenador de control principal
248 software de control
252 dispositivo de análisis
254 dispositivo de síntesis
256 dispositivo de síntesis
258 unidad de transporte
300 sección 2D de un espacio de datos de múltiples parámetros de las composiciones de prueba 302-312 punto de datos (cada uno representa una composición de prueba)
316 línea divisoria del modelo predictivo de la red neuronal entrenada
318 rango reológicamente aceptable
320 área reológicamente inaceptable
400 estructura de la red neuronal
402 vector de entrada
404 capas de la red neuronal
406 vector de salida

Claims (12)

REIVINDICACIONES
1. Procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento, generándose la composición mediante un sistema informático (224), teniendo el sistema informático acceso a una base de datos (204), estando almacenadas en la base de datos (206) composiciones conocidas, cuyos componentes y propiedades, y el sistema informático está conectado a una planta (244) para la producción y prueba de composiciones para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento, siendo el sistema informático una red neuronal convolucional (226) y un módulo de aprendizaje activo (222),
con los pasos:
a. usar (102) composiciones conocidas (206) almacenadas en la base de datos para entrenar la red neuronal convolucional, minimizándose para el entrenamiento una función de pérdida (228).
b. comprobar (104) si el valor de la función de pérdida cumple con un criterio específico,
realizándose de forma selectiva para el caso que no se cumpla el criterio, los siguientes pasos:
1. seleccionar (106) una composición de prueba (212) de un conjunto de composiciones de prueba (208) predeterminadas mediante el módulo de aprendizaje activo,
ii. controlar (108) la planta (224) por el sistema informático para producir y probar la composición de prueba seleccionada,
iii. entrenar (110) la red neuronal convolucional utilizando la composición de prueba seleccionada y sus propiedades registradas por la planta,
iv. realización (112) repetida del paso b.
c. generar (116) una composición de pronóstico (406) para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento mediante la introducción de un vector de entrada (402) en la red neuronal convolucional,
d. emitir (118) la composición de pronóstico mediante la red neuronal convolucional (226).
2. Procedimiento de acuerdo con la reivindicación 1, en donde el conjunto de composiciones de prueba (208) se genera automáticamente mediante un programa de planificación de pruebas.
3. Procedimiento de acuerdo con una de las reivindicaciones, en donde los componentes se seleccionan del grupo formado por sólidos, como pigmentos y/o cargas de cubrimiento, aglutinantes, disolventes, resinas, endurecedores y diversos aditivos, como espesantes, medios dispersantes, humectantes, promotores de adhesión, antiespumantes, modificadores de superficies, agentes niveladores, aditivos catalíticamente eficaces y aditivos especialmente eficaces.
4. Procedimiento de acuerdo con una de las reivindicaciones 1 a 3, en donde las composiciones conocidas comprenden sólidos y medios dispersantes.
5. Procedimiento de acuerdo con una de las reivindicaciones anteriores, en donde las propiedades se seleccionan del grupo que consiste en estabilidad en almacenamiento, valor de pH, reología, en particular viscosidad, densidad, masa relativa, colores, en particular intensidad del color, reducción de costes durante producción y mejora del rendimiento de pigmentos.
6. Procedimiento de acuerdo con una de las reivindicaciones anteriores, en donde la composición de pronóstico se emite en una interfaz de usuario del sistema informático.
7. Procedimiento de acuerdo con una de las reivindicaciones anteriores, en donde la planta (244) presenta al menos dos estaciones de procesamiento (252, 254, 256), estando conectadas las al menos dos estaciones de procesamiento entre sí a través de un sistema de transporte (258), en el que vehículos de transporte autopropulsados para transportar los componentes, la composición y/o la composición producida pueden moverse entre las estaciones de procesamiento, comprendiendo además el procedimiento:
introducir una composición en un procesador que controla la planta (244), siendo la composición introducida en el procesador la composición de prueba (212) seleccionada o la composición de pronóstico, controlando el procesador la planta para producir la composición introducida, en donde en las al menos dos estaciones de procesamiento tiene lugar la producción de la composición introducida y una medición de las propiedades de la composición introducida, después de lo cual las propiedades medidas se emiten a una interfaz de usuario del sistema informático y/o las propiedades medidas se almacenan en la base de datos (204).
8. Procedimiento de acuerdo con una de las reivindicaciones anteriores, en donde el sistema informático (244) se comunica a través de una interfaz de comunicaciones con la base de datos (204) y/o la planta (244) para producir y probar composiciones para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento, realizándose la interfaz de comunicaciones mediante USB, Ethernet, WLAN, LAN, Bluetooth u otra interfaz de red.
9. Procedimiento de acuerdo con una de las reivindicaciones anteriores, en donde las composiciones son formulaciones.
10. Sistema informático (224) para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento, que comprende una base de datos y una interfaz de usuario, estando configurado el sistema informático para llevar a cabo un procedimiento de acuerdo con una de las reivindicaciones 1 a 9.
11. Programa informático, medio de almacenamiento digital o producto de programa informático con instrucciones que puede ejecutar un procesador para llevar a cabo un procedimiento de acuerdo con una de las reivindicaciones 1 a 10.
12. Sistema (200) que comprende
- una planta (244) para la producción y prueba de composiciones para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento, presentando la planta al menos dos estaciones de procesamiento, estando conectadas las al menos dos estaciones de procesamiento entre sí a través de un sistema de transporte, en el que vehículos de transporte autopropulsados para transportar los componentes de la composición y/o la composición producida pueden moverse entre las estaciones de procesamiento, y
- un sistema informático (224) de acuerdo con la reivindicación 10.
ES20709251T 2019-03-18 2020-03-13 Procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento Active ES2967876T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19163511 2019-03-18
PCT/EP2020/056961 WO2020187788A1 (de) 2019-03-18 2020-03-13 Verfahren zur generierung einer zusammensetzung für farben, lacke, druckfarben, anreibeharze, pigmentkonzentrate oder sonstige beschichtungsstoffe

Publications (1)

Publication Number Publication Date
ES2967876T3 true ES2967876T3 (es) 2024-05-06

Family

ID=65818365

Family Applications (1)

Application Number Title Priority Date Filing Date
ES20709251T Active ES2967876T3 (es) 2019-03-18 2020-03-13 Procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento

Country Status (10)

Country Link
US (1) US12577416B2 (es)
EP (1) EP3941981B1 (es)
JP (1) JP7517655B2 (es)
CN (1) CN113631667A (es)
AR (1) AR118333A1 (es)
DK (1) DK3941981T3 (es)
ES (1) ES2967876T3 (es)
PL (1) PL3941981T3 (es)
TW (1) TWI756645B (es)
WO (1) WO2020187788A1 (es)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023021558A (ja) * 2021-08-02 2023-02-14 ダイキン工業株式会社 学習モデル生成方法、プログラム、記憶媒体、学習済みモデル
US12039759B2 (en) * 2021-08-06 2024-07-16 Insight Direct Usa, Inc. Method and apparatus for evaluating the composition of pigment in a coating based on an image
TWI778789B (zh) 2021-09-14 2022-09-21 華新麗華股份有限公司 配方建構系統、配方建構方法、內儲程式之電腦可讀取記錄媒體與非暫時性電腦程式產品
CN114117900B (zh) * 2021-11-18 2024-08-02 珠海格力智能装备有限公司 一种关于支持向量机解决u管喷涂的方法
CN114330147B (zh) * 2022-03-10 2022-08-09 深圳市玄羽科技有限公司 模型训练方法、色彩配方的预测方法、系统、设备及介质
US11837333B1 (en) * 2022-12-20 2023-12-05 Dow Global Technologies Llc Simulation guided inverse design for material formulations
US20250238580A1 (en) * 2024-01-19 2025-07-24 Kenvue Brands Llc Systems and Methods for Augmenting Formulation Design
DE102024206134A1 (de) 2024-07-01 2026-01-08 Friedrich-Alexander-Universität Erlangen-Nürnberg, Körperschaft des öffentlichen Rechts Auswahl und Sortierung von Bauteilen einer medizinischen Bildgebungsvorrichtung

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5046020A (en) 1988-12-16 1991-09-03 E. I. Du Pont De Nemours And Company Distributed parallel processing network wherein the connection weights are generated using stiff differential equations
JPH1055348A (ja) 1996-08-08 1998-02-24 Bridgestone Corp 多成分系材料最適化解析装置および方法
US6295514B1 (en) 1996-11-04 2001-09-25 3-Dimensional Pharmaceuticals, Inc. Method, system, and computer program product for representing similarity/dissimilarity between chemical compounds
JP2004189835A (ja) 2002-12-10 2004-07-08 Nippon Paint Co Ltd 塗料決定方法、塗料製造方法、塗装方法、塗料決定サーバ及び塗料決定プログラム
US7171394B2 (en) * 2003-10-30 2007-01-30 Ford Motor Company Global paint process optimization
US20060031027A1 (en) 2004-08-03 2006-02-09 Alman David H Method and apparatus for predicting properties of a chemical mixture
JP4645288B2 (ja) 2005-04-28 2011-03-09 日本電気株式会社 能動学習方法および能動学習システム
US20090157212A1 (en) 2007-12-12 2009-06-18 Basf Corporation System and method of determining paint formula having a effect pigment
EP2721542B1 (en) 2011-06-20 2019-09-18 Coatings Foreign IP Co. LLC Method for matching sparkle appearance of coatings
FR2984562A1 (fr) 2011-12-15 2013-06-21 Terra 3E Procede et systeme de modelisation dynamique d'un ecoulement de fluide polyphasique
CN104268411B (zh) * 2014-09-29 2017-04-19 中国人民解放军国防科学技术大学 一种产品设计阶段维修性评估与薄弱环节识别方法
US9921206B2 (en) * 2015-04-24 2018-03-20 Ppg Industries Ohio, Inc. Integrated and intelligent paint management
CH711717B1 (de) 2015-10-29 2019-11-29 Chemspeed Tech Ag Anlage und Verfahren zur Durchführung eines Bearbeitungsprozesses.
GB2557113B (en) 2015-10-30 2022-07-20 Halliburton Energy Services Inc Producing chemical formulations with cognitive computing
US10613727B2 (en) * 2016-02-19 2020-04-07 Ppg Industries Ohio, Inc. Color and texture match ratings for optimal match selection
US9870609B2 (en) * 2016-06-03 2018-01-16 Conduent Business Services, Llc System and method for assessing usability of captured images
CN106408595A (zh) * 2016-08-31 2017-02-15 上海交通大学 一种基于神经网络画风学习的图像渲染方法
CN108305311A (zh) * 2017-01-12 2018-07-20 南京大学 一种数字化图像水墨风格渲染技术
CN108875161B (zh) * 2018-05-31 2022-11-29 长江勘测规划设计研究有限责任公司 基于卷积神经网络深度学习的流量等级预测方法

Also Published As

Publication number Publication date
EP3941981B1 (de) 2023-10-18
PL3941981T3 (pl) 2024-04-22
JP2022526119A (ja) 2022-05-23
JP7517655B2 (ja) 2024-07-17
EP3941981A1 (de) 2022-01-26
CN113631667A (zh) 2021-11-09
WO2020187788A1 (de) 2020-09-24
DK3941981T3 (da) 2024-01-08
US12577416B2 (en) 2026-03-17
TW202044095A (zh) 2020-12-01
AR118333A1 (es) 2021-09-29
US20220267619A1 (en) 2022-08-25
TWI756645B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
ES2967876T3 (es) Procedimiento para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento
JP6424256B2 (ja) コーティングの調合のテクスチャ査定のためのシステムおよび方法
Melssen et al. Supervised Kohonen networks for classification problems
CA2903458C (en) Systems and methods for determining a coating formulation
JP2026508206A (ja) 化学製品を機械学習するための配合グラフ
US20220114462A1 (en) Artificial Intelligence Guided Research and Development
US20240005147A1 (en) Computer surrogate model to predict the single-phase mixing quality in steady state mixing tanks
US11907991B2 (en) Method and system for item line assignment
Singh et al. Offline rl with realistic datasets: Heteroskedasticity and support constraints
AU2020276282B2 (en) Systems and methods for coloring hair
Li et al. Learning to design drug-like molecules in three-dimensional space using deep generative models
Saberi et al. Requirement to change of functional brain network across the lifespan
Li et al. Clustering-based genetic offspring generation for solving multi-objective optimization problems with intricate Pareto sets
US10664206B2 (en) Print-mode configuration selection
Singh et al. Reds: offline reinforcement learning with heteroskedastic datasets via support constraints
KR20220112648A (ko) 화장품의 색조 원료 획득 장치
Gross et al. An approach to fully unsupervised hyperspectral unmixing
Li et al. Amortized Safe Active Learning for Real-Time Data Acquisition: Pretrained Neural Policies from Simulated Nonparametric Functions
Spohn On Missing Value Imputation and Treatment Effect Estimation on Network Data
Schlegel On a non-deterministic mixed integer problem for production control
Lam et al. The Accuracy–Fairness–Efficiency Trilemma in Mobile Image Classification: A Pareto Benchmark
Rodriguez-Pardo et al. Neural Conditional Transport Maps
Catalina Robust Bayesian Inference: variable and structure selection and variational inference
Naula et al. Learning Low Cost Multi-target Models by Enforcing Sparsity
Singh et al. Offline reinforcement learning from heteroskedastic data via support constraints