Poly-ML: innovación en polímeros con inteligencia artificial

Joan Giner, investigador en el Laboratorio de Caracterización de AIMPLAS, explica detalles del proyecto de investigación Poly-ML que ha liderado el centro.

En un entorno industrial cada vez más exigente, la capacidad de transformar datos técnicos en decisiones ágiles se ha convertido en un factor diferencial. El proyecto Poly-ML nace precisamente con ese propósito: convertir información dispersa de fichas técnicas, ensayos y señales de proceso en conocimiento útil para acelerar el desarrollo de materiales, optimizar procesos y abrir nuevas oportunidades de innovación en el sector de los polímeros.

El punto de partida del proyecto ha sido especialmente relevante desde una perspectiva empresarial. En una de las primeras acciones de Poly-ML, se ha construido a partir de una base de datos con fichas técnicas de polietileno (PE), integrando más de 1.400 muestras con propiedades físicas, mecánicas, térmicas y presencia de aditivos. 

Sobre esa base, se ha abordado una fase de revisión, limpieza y estructuración de los datos que ha permitido transformar información originalmente heterogénea en un activo analítico sólido, preparado para tareas de modelización y extracción de valor. Este enfoque resulta especialmente atractivo para empresas que ya disponen de documentación técnica acumulada, pero que todavía no la están explotando con herramientas avanzadas.

Logros de Poly-ML

Uno de los principales logros de Poly-ML ha sido demostrar que la inteligencia artificial puede aportar utilidad práctica en contextos reales del sector plástico. Así, en principio, el proyecto ha permitido desarrollar modelos capaces de identificar patrones asociados al tipo de material y a la presencia de determinados aditivos a partir de propiedades medidas en laboratorio. De este modo, ofrece una vía eficaz para apoyar la clasificación de materiales, la revisión de formulaciones y la detección temprana de incoherencias. De forma complementaria, el análisis estratificado por tipos de PE ha permitido obtener una visión más precisa del comportamiento de cada familia de material, reforzando la capacidad del proyecto para generar conocimiento accionable y no únicamente resultados estadísticos​.

Poly-ML ayuda a comprender mejor qué factores están condicionando el rendimiento de un material y cómo orientar el desarrollo con mayor criterio. El análisis realizado mostró, por ejemplo, que ciertos aditivos se asocian a patrones diferenciados de rigidez, ductilidad o procesabilidad. Este tipo de información puede traducirse en decisiones más rápidas en formulación, validación técnica, priorización de ensayos y respuesta a necesidades de cliente​.

El alcance del proyecto refuerza aún más su potencial. Además del trabajo sobre fichas técnicas de PE, se ha replicado el mismo planteamiento sobre un dataset construido a partir de fichas técnicas de polipropileno (PP), obteniéndose resultados alineados en cuanto a utilidad del enfoque y capacidad para extraer patrones de valor. Esta continuidad sugiere que Poly-ML no debe entenderse como una iniciativa puntual, sino como una base escalable para extender soluciones de inteligencia artificial y aprendizaje automático a distintas familias de materiales poliméricos.

Datos industriales

Asimismo, el proyecto ha incorporado una aplicación orientada al proceso industrial mediante el análisis de datos extraídos de una inyectora, facilitados por unos de los socios del proyecto. En este caso, el estudio permitió identificar qué variables de proceso concentran mayor valor analítico para anticipar desviaciones de calidad, destacando especialmente la estabilidad térmica, la regularidad del ciclo y la consistencia de ciertos volúmenes de inyección y transferencia. 

Esta aproximación pone de manifiesto que Poly-ML no solo es útil para explotar datos de material, sino también para avanzar hacia modelos de monitorización y soporte a la decisión en planta, conectando laboratorio, formulación y proceso en una misma visión de datos.

En conjunto, Poly-ML representa una oportunidad clara para aquellas empresas que desean avanzar hacia una gestión más inteligente de su información técnica. AIMPLAS, a través de este tipo de desarrollos, puede ofrecer a la industria una combinación de conocimiento en materiales, análisis de datos y capacidad de adaptación a problemas reales del negocio, convirtiendo la inteligencia artificial en una herramienta tangible para innovar con mayor rapidez, reducir incertidumbre y generar ventaja competitiva en el sector de los polímeros.

El proyecto cuenta con el apoyo del Instituto Valenciano de Competitividad e Innovación (IVACE+i), a través de sus programas de fomento de la I+D industrial, con financiación del Fondo Europeo de Desarrollo Regional (FEDER) 2021-2017.

Joan Giner, investigador en el Laboratorio de Caracterización de AIMPLAS.

*Para más información: www.aimplas.es