Nachrichten Nachrichten Rohstoffe
Interview: KI transformiert die Harzentwicklung in der Lackindustrie
KI sorgt in der Lackindustrie für messbare Effizienzsteigerungen, doch der Einsatz befindet sich noch in der Erprobungsphase, sagt Ioanna Tzortzi, Associate Specialist bei Perstorp. In diesem Interview gibt sie Einblicke, wie KI die Harzentwicklung optimiert, auf die Datenqualität eingeht und welches Potenzial für eine breitere Anwendung besteht
Wie wird KI eingesetzt, um die Entwicklung und Optimierung von Harz- und Additivformulierungen zu beschleunigen?
Ioanna Tzortzi: KI kann die Entwicklung von Harzen und Additiven beschleunigen, indem sie Zusammenhänge zwischen Formulierungsentscheidungen, Prozessbedingungen und Leistung erlernt und dieses Wissen dann nutzt, um Ergebnisse vorherzusagen und Entscheidungen zu lenken. Sie ermöglicht ein schnelleres Screening von Kandidaten, identifiziert einflussreiche Variablen und empfiehlt robuste Betriebsfenster, die über Einzelpunkt-Rezepturen hinausgehen. Aktives/sequentielles Lernen hat sich als effektiv erwiesen, wobei Modelle nach jedem Experiment aktualisiert werden und optimale Versuche vorschlagen, um die Leistung zu verbessern oder Unsicherheiten zu verringern. Dieser Ansatz ist entlang der gesamten Wertschöpfungskette von Beschichtungen anwendbar – vom Design von Harzen und Additiven über die Feinabstimmung von Formulierungen bis hin zur Anwendungsleistung und Skalierung –, indem kontinuierlich aus strukturierten Labor- und Prozessdaten gelernt wird.
Wo sehen Sie heute den größten Einfluss digitaler Tools in der Wertschöpfungskette der Beschichtungsindustrie, und wo wird KI noch zu wenig genutzt?
Tzortzi: Die Beschichtungsindustrie ist noch nicht an einem Punkt angelangt, an dem digitale Tools in den Arbeitsabläufen der Fertigung und Anwendungsentwicklung fest verankert sind, daher ist es verfrüht, Bereiche mit dem „größten Einfluss“ zu bewerten. KI hat ein Stadium erreicht, in dem Unternehmen von ihrem Potenzial fasziniert sind, doch die Einführung verläuft nach wie vor uneinheitlich und explorativ. Der Markt sucht aktiv nach glaubwürdigen Erfolgsgeschichten, die zeigen, wo KI einen Mehrwert schafft, wie sie in alltäglichen Arbeitsabläufen umgesetzt werden kann und welche konkreten Vorteile sie – wie verbesserte Geschwindigkeit, Qualität und Robustheit – im Vergleich zu traditionellen Methoden bietet.
Wie stellen Sie Datenqualität und Modellrobustheit sicher, wenn Sie Machine-Learning-Modelle für F&E oder Prozessoptimierung einsetzen?
Tzortzi: Datenqualität, -integrität und -struktur sind entscheidende Voraussetzungen für den Einsatz von Machine Learning in der F&E oder Prozessoptimierung. Wir verfolgen einen projektspezifischen Ansatz. Bei unserer KI-gestützten Arbeit zur Alkyd-Emulgierung haben wir beispielsweise alle relevanten qualitativen und quantitativen Zielvariablen definiert und sichergestellt, dass die Experimente lückenlos dokumentiert wurden. Wo nötig, haben wir Deskriptoren entwickelt, um Produktkennzahlen für das Modelltraining zuverlässig abzubilden. Die Modellrobustheit wird durch regelmäßige Datenaktualisierungen, „Human-in-the-Loop“-Validierung, den Abgleich von Vorhersagen mit Laborergebnissen sowie die Überwachung von Leistungskennzahlen im Zeitverlauf gewährleistet, um Verbesserungen zu verfolgen oder Verschlechterungen zu erkennen.
Sehen Sie eine steigende Nachfrage von Lackherstellern nach digitalen oder KI-gestützten Dienstleistungen?
Tzortzi: Anstelle einer klaren Nachfrage nach KI-gestützten Dienstleistungen beobachten wir eine wachsende Neugier seitens der Lackhersteller. Kunden wünschen sich Erfolgsgeschichten und praktische Erklärungen zu den Fähigkeiten der KI, dazu, wie sie in tägliche Arbeitsabläufe integriert werden kann, sowie zu ihren Vorteilen gegenüber dem traditionellen Trial-and-Error-Ansatz. Unsere KI-gesteuerte Alkyd-Emulgierung mit Neptem ist ein Beispiel dafür. Wir haben das KI-Modell mit einem von Menschen geleiteten Ansatz verglichen und dabei erhebliche Verbesserungen bei der Ressourceneffizienz und der Materialentdeckung nachgewiesen.
