Huntsman از هوش مصنوعی برای تسریع آزمون عملکرد آتش در اسفنج‌‌های پلی‌یورتان پاششی (SPF) استفاده می‌کند

شرکت Huntsman Building Solutions از هوش مصنوعی برای متحول کردن روش مدل‌سازی و توسعه عملکرد در برابر آتش در عایق‌های اسفنج‌‌های پلی‌یورتان پاششی (SPF) استفاده می‌کند. این رویکرد وابستگی به آزمایش‌های بزرگ‌مقیاس و پرهزینه آتش را کاهش می‌دهد و در عین حال کارایی فرمول‌‌بندی را بهبود می‌بخشد. این پروژه با استفاده از پلتفرم Citrine انجام می‌شود؛ سامانه‌ای مبتنی بر هوش مصنوعی در حوزه اطلاعات مواد که داده‌های آزمایشگاهی را با تحلیل‌های پیش‌بینی‌کننده ترکیب می‌کند.
رعایت استانداردهای ایمنی در برابر آتش مانند ASTM-E-84 که گسترش شعله و تولید دود را ارزیابی می‌کند، مرحله‌ای مهم برای تایید اسفنج‌‌های پلی‌یورتان پاششی در کاربردهای عایق ساختمانی است. در روش‌های سنتی توسعه، ابتدا آزمایش‌های کوچک‌مقیاس به‌صورت مرحله‌ای انجام می‌شود و سپس آزمایش‌های آتش در مقیاس کامل و به‌طور مستقل صورت می‌گیرد؛ فرایندی که ممکن است ماه‌ها زمان ببرد و هزینه قابل توجهی داشته باشد. هدف Huntsman ایجاد یک چارچوب مبتنی بر داده بود که دانش عمیق شیمیایی را با مدل‌سازی سریع و تکرارشونده ترکیب کند تا این چرخه توسعه را سرعت بخشد.
با آموزش مدل‌های هوش مصنوعی بر پایه ترکیبی از داده‌های آزمایش‌های آتش در مقیاس کوچک، ورودی‌های فرمول-بندی و مشخصه‌های مواد مانند نسبت ترکیبات و اثرانگشت‌های مولکولی، پلتفرم Citrine می‌تواند نتایج عملکردی از جمله گسترش شعله، میزان تولید دود و عملکرد عایق گرمایی (R-value) را پیش‌بینی کند. سپس مهندسان از روش یادگیری ترتیبی استفاده می‌کنند؛ فرایندی تکراری که در آن پیشنهادهای مدل، آزمایش‌های آزمایشگاهی را هدایت می‌کند و نتایج جدید دوباره به سامانه بازگردانده می‌شود تا پیش‌بینی‌ها بهبود یافته و مسیرهای فرمول‌‌بندی امیدوارکننده‌تر اولویت‌بندی شوند.
یکی از نتایج این توسعه مبتنی بر هوش مصنوعی، فرمول‌‌بندی R1.3 FR بود که نسخه‌ای اصلاح‌شده از یک فرمول اولیه با نام AI002 محسوب می‌شود. این فرمول در آزمایش‌های مستقل آتش در مقیاس بزرگ مقاومت در برابر آتش به‌طور قابل توجهی بهتری نشان داد، در حالی که قابلیت پاشش و ویژگی‌های فیزیکی مورد نظر نیز حفظ شده‌اند. Huntsman اعلام کرده است که این رویکرد مبتنی بر هوش مصنوعی موجب کاهش تلاش‌های غیرضروری، افزایش درک از مواد و کوتاه‌تر شدن زمان توسعه شده است.
به گفته مدیر فنی بخش محصولات تخصصی و سقف در Huntsman، این رویکرد باعث می‌شود هوش مصنوعی و یادگیری ماشین به شریک واقعی در نوآوری تبدیل شوند، نه صرفا یک ابزار پیشنهاد دهنده، و بر نقش یادگیری ماشین به‌عنوان یک عامل فعال در راهبردهای فرمول‌‌بندی تاکید می‌‌گردد.