Las pruebas de fuego son uno de los aspectos más críticos y costosos del desarrollo de productos intumescentes para proteger estructuras de acero del fuego. Comprender la naturaleza y el rendimiento de un horno durante las pruebas es fundamental para interpretar con fiabilidad los resultados del desarrollo de la formulación.
En este caso, los datos de temperatura de los sensores (termopares) en hornos a medida se utilizaron en JMP Pro para establecer y comprender los perfiles de temperatura posicionales, minimizando al mismo tiempo las ejecuciones de prueba. El Explorador de Datos Funcionales se implementó como una técnica de reducción de dimensiones para describir las curvas de temperatura-tiempo en términos de sus componentes principales, lo que permitió comprender y comparar directamente su elemento posicional. Los gráficos de puntuación de FPCA mostraron la agrupación de sensores posicionalmente equivalentes con pruebas repetidas, lo que garantiza la fiabilidad de los perfiles de temperatura consistentes.
Además, la simulación FDOE, en combinación con un diagrama de dispersión 3D, proporcionó una comprensión dinámica de las distribuciones de temperatura en intervalos de tiempo variables, lo que facilitó la comunicación entre químicos y gerentes. Este enfoque no solo generó un ahorro significativo en los costos de las pruebas, sino que también permitió una mejor comprensión de las tendencias del horno, algo que habría sido imposible con las técnicas de análisis convencionales. El análisis se ajustó bien a las expectativas de un gradiente de temperatura hacia la parte posterior del horno, desde el movimiento del aire hasta la salida de humos.
Hola. Me entusiasma mucho presentarles parte del trabajo que hemos estado realizando en Jotun Paints, y me alegra mucho que hayan elegido ver esta grabación de la presentación que realizaré en la Cumbre de Descubrimiento. Para empezar, hablaré brevemente sobre qué es Jotun, a modo de introducción general, qué son los recubrimientos intumescentes y por qué es importante que comprendamos la naturaleza de los hornos en el trabajo que realizamos en el Departamento de Intumescentes. Además, ¿cómo podemos lograr esto usando JMP y utilizando algunas de las funciones analíticas más avanzadas de JMP Pro?
Mi título es: Comprensión de las tendencias de temperatura posicional para aumentar la confiabilidad de las pruebas con JMP Pro. Me llamo Jay Richardson y soy químico de I+D en Jotun, Reino Unido. Tengo un gran interés en aprovechar los datos de I+D para generar el mayor impacto y valor de la manera más eficiente posible y así mejorar los procesos de I+D.
¿Quiénes son Jotun? Jotun es una empresa global de recubrimientos y pinturas que opera en cuatro segmentos: decorativo, marino, protector y recubrimientos en polvo, con soluciones e innovaciones propias en cada una de estas áreas.
Jotun tiene su sede en Sandefjord, una ciudad a solo una hora de Oslo. Se fundó en 1926, centrándose principalmente en recubrimientos marinos y para buques, ya que se trataba de una industria de gran envergadura. Posteriormente, se globalizó a más de 100 países y cuenta con 68 empresas y 41 plantas de producción.
¿Qué es un recubrimiento intumescente? Un recubrimiento intumescente es un recubrimiento que se expande y reacciona al fuego, formando una barrera aislante, como se ve aquí, para recubrir el acero y protegerlo de la fuente de calor en caso de incendio.
En el Departamento de Intumescentes, nos dedicamos a crear productos intumescentes líderes en el mercado para la protección del acero contra el fuego. Como mostré en el video, y como pueden ver en pantalla, los recubrimientos se hinchan hasta 60 veces su espesor original, lo que permite que los servicios de rescate dispongan de un tiempo crucial para llegar al lugar del incidente y rescatar los bienes y al personal del edificio.
Creo que es muy importante, y todos conocemos las consecuencias que puede tener un incendio, y nuestro trabajo es crucial para proteger los bienes y las vidas a diario. Es una parte crucial de los edificios.
Uno de nuestros mayores desafíos es comprender la naturaleza de nuestras pruebas, ya que, aunque no sea obvio, para probar nuestros productos necesitamos quemarlos. Nuestras pruebas siguen perfiles de temperatura de certificación estándar, monitoreados por sensores de temperatura llamados termopares. Pueden ver uno aquí en el horno, sobresaliendo como un alambre.
La forma en que funcionan es que, a medida que el termopar se calienta, la resistencia dentro del cable cambia y, por lo tanto, se produce un cierto paso de corriente, que es proporcional a la temperatura dentro del propio horno.
En 2023, ampliamos significativamente nuestras instalaciones, poniendo en marcha dos nuevos hornos de gran tamaño, lo que prácticamente cuadriplicó nuestra capacidad de pruebas. Como pueden ver, en 2022 teníamos dos hornos cúbicos pequeños idénticos, y con la expansión, añadimos dos hornos grandes adicionales. Nuestra visión era, en 2024, poder realizar pruebas a plena capacidad con estos hornos.
Pero para comprender esto, necesitábamos comprender y confiar en la reproducibilidad de cada prueba, así como en que el perfil de temperatura fuera el esperado para la prueba en sí. Lo logramos mediante un mapeo de temperatura del horno, observando diferentes posiciones dentro del mismo y observando cómo variaban las tendencias de temperatura. Nuestras pruebas estaban bastante limitadas, dado que el horno contaba con orificios preestablecidos muy específicos, ya que no es posible simplemente añadir un nuevo orificio aquí y allá, y configurar un diseño de tipo DOE muy convencional.
Otro factor a considerar es que cada prueba es muy costosa. La cantidad de gas y producto que debemos aplicar a las pruebas de fuego puede costar hasta 5000 libras esterlinas de principio a fin. Como pueden ver, las pruebas en sí son muy costosas, pero también necesitamos ampliar nuestros conocimientos al respecto.
El funcionamiento de las pruebas consiste en instalar seis termopares en la parte superior del techo, que monitorizaban la temperatura del horno y la controlaban según la curva estándar que ejecutamos. Además, teníamos 15 termopares adicionales que monitorizaban el perfil de temperatura en puntos específicos del horno.
Como mencioné, necesitamos comprender a fondo la fiabilidad de estos termopares y la naturaleza del propio horno para poder confiar plenamente en la reproducibilidad de las formulaciones que comparamos o en que los resultados sean comparables. Es fundamental comprender estas tendencias al implementar nuevas pruebas para obtener la prueba de producto más precisa posible a partir de nuestro trabajo.
Si solo... Disculpe. Volvamos a eso. El problema es que el análisis convencional no se ajusta al nivel de detalle que introducimos en los hornos, ya que nuestros datos se basan, en primer lugar, en un perfil de tiempo-temperatura, pero también tienen una variante posicional. Tenemos un diagrama 3D de la ubicación de todos los termopares. No es fácil rastrear la reproducibilidad de cada uno de estos termopares individuales.
Necesitamos construir modelos más complejos para mapear estas tendencias. Para ello, implementamos el Explorador de Datos Funcionales como técnica de reducción de dimensión, ajustando un modelo que describe estas curvas de temperatura-tiempo en términos de sus componentes principales. Esto nos permitió interpretar con mayor facilidad su componente posicional, respectivamente.
Luego se utilizaría el análisis de componentes principales funcionales para comprender las relaciones entre la temperatura, el tiempo y la posición, y comprender realmente la reproducibilidad dentro de esa prueba.
Usando este modelo, la temperatura puede ser simulada usando FDOE para visualizar mejor las variaciones de temperatura posicional y usar Scatterplot-3D para facilitar la comunicación con otros químicos de I+D que potencialmente no estén tan interesados en los detalles o tal vez confundidos por el generador de perfiles de predicción, pero también logran ver claramente cuál es el impacto del trabajo que estamos haciendo.
Sé que es mucha información, así que creo que es hora de una demostración. El primer paso es generar la tabla JMP con todos los componentes, es decir, los componentes posicionales y los termopares con el tiempo y la temperatura, con las filas coloreadas según el número del termopar, que equivale a su posición. La posición del termopar se mantiene igual en cada prueba.
Luego, podemos usar el procesamiento de datos para observar las tendencias generales desde una primera perspectiva. Si observamos la función media, esta se asemeja mucho a cómo se comportaría nuestra curva de perfil de temperatura estándar dentro del horno. Si observamos, podemos ver que existe una relación diferencial entre la función media y la desviación estándar; que es lo esperado, ya que, si consideramos al principio de la prueba, producimos mucho calor para intentar aumentar la temperatura, por lo que podemos esperar una gran desviación dentro del horno. Luego, a medida que la temperatura comienza a estabilizarse, podemos ver que la desviación media comienza a reducirse, como era de esperar.
En este modelo, utilizamos B-splines y podemos observar que la función media se describe mejor mediante la combinación de las funciones de forma, FPC 1 y 2, lo que equivale al 98 %. Luego, utilizando este PCA y los gráficos de puntuación, podemos usar los gráficos de puntuación para evaluar la consistencia de cada ejecución según la posición del termopar, que, como mencioné antes, se basa en el color.
Si observamos el aspecto de los bloques de puntuación, es evidente que existe una estrecha relación entre los termopares en la misma posición entre las pruebas. Las pruebas 1, 2 y 3 tienen el mismo color para el mismo termopar. Esto nos permite observar una buena reproducibilidad entre las pruebas en la misma posición, y podemos confiar en que, si una muestra de prueba se encuentra en esa posición, puede esperar el mismo perfil de temperatura. Esto demuestra una buena fiabilidad y confianza en este aspecto.
Podemos profundizar un poco más y analizar el modelo desde el generador de perfiles FDOE. Observamos que al principio de la prueba, la mayor variación se observa, y posteriormente, esta variación comienza a estabilizarse ligeramente. También observamos esta misma relación entre pruebas: el movimiento es mínimo en los componentes X, Y y Z, y el componente de temperatura de ambas curvas muestra la misma tendencia.
Otra información que obtuvimos de esto es que la variación posicional en el eje X parece ser consistente. De izquierda a derecha, la posición en el horno parece tener la misma tendencia o no hay una diferencia significativa. Sin embargo, al observar el horno de adelante hacia atrás y de arriba hacia abajo, observamos que sí existe una tendencia. Vemos que en la parte trasera y en la inferior del horno se observa la temperatura más alta, y en la parte delantera y superior, la temperatura más baja.
Todo esto está muy bien, y quienes conocen bien el funcionamiento de JMP y los diferentes perfiladores podrían comprender este detalle, pero podría ser más difícil para quienes no estén tan familiarizados con JMP y sus análisis. Lo siguiente que podemos hacer es usar el Simulador FDOE para aclarar esto y simular el modelo a 10 000 puntos.
Aquí vemos una simulación en la tabla JMP. Podemos usar estos datos simulados en Scatterplot-3D con un filtro de datos local configurado en tiempo. Podemos visualizar cómo se ven estos datos en tres dimensiones y con un componente temporal. Como es de esperar, tenemos un eje X e Y, y un eje Z que retrocede. Al desplazar el tiempo, podemos ver cómo predice el modelo el funcionamiento del horno y cómo se verá el perfil de temperatura según el modelo ejecutado.
Podemos observar que, al principio de la prueba, la mayor variación de temperatura se encuentra entre los 400 grados, pero a medida que avanzamos, esta se estabiliza y observamos una menor variación de temperatura entre diferentes intervalos de tiempo. Esto nos proporciona una buena representación visual para mostrar a los gerentes y a quienes no estén tan interesados en analizar los análisis a fondo. Es muy visual, ya que la temperatura se muestra en color.
En esencia, muestra lo mismo que vimos en el FDOE Profiler. Observamos la misma tendencia de arriba a abajo, y de izquierda a derecha, no parece haber mucha diferencia entre ambos, si observamos desde aquí hasta aquí. Podemos afirmar con certeza que sí observamos tendencias en el horno, y estos son aspectos que debemos tener en cuenta en lo que respecta al desarrollo.
La razón por la que esperamos ver estas tendencias es porque el sistema de extracción se encuentra en la parte inferior trasera del horno, lo que tiende a desviar el calor hacia sí mismo. Esto coincide con nuestras expectativas y demuestra que donde tenemos más calor es potencialmente lejos de las muestras, que se encuentran en la parte superior del horno.
FDE en JMP Pro permite comprender eficazmente la reproducibilidad de las pruebas de fuego, lo que proporciona confianza en la fiabilidad del desarrollo con un coste mínimo. Como mencioné al principio, las pruebas cuestan 5000 libras. Si lo analizamos desde una perspectiva tradicional e intentamos comprenderlo, creo que el coste que tendríamos que asumir para comprenderlas tan a fondo como construir este modelo JMP sería mucho mayor.
También nos da gran confianza y fiabilidad habernos basado en un enfoque basado en datos para extraer nuestras conclusiones. Hemos creado un modelo en JMP. Entendemos todos los diferentes parámetros asociados a él, y no nos basamos en la creencia de nadie ni nada por el estilo. Realmente nos da mucha confianza.
Es evidente que en JMP, las visualizaciones son clave para la comunicación entre personas que podrían no estar tan interesadas en los datos, pero también entre los gerentes. El uso del Simulador FDOE junto con Scatterplot-3D nos ha proporcionado una excelente manera de visualizar nuestros datos posicionalmente en 3D.
Este análisis nos ha permitido comprender mejor nuestro horno para el desarrollo y la confiabilidad, y comprendemos que los efectos que logramos al desarrollar y formular nuestros recubrimientos se basan en los cambios que realizamos en la formulación, en lugar de en variaciones del horno o de las pruebas. Esto nos da la seguridad de poder confiar en el trabajo que realizamos. Esto es importante porque, al hablar de protección contra incendios y seguridad en los edificios, es fundamental que tengamos confianza en nuestros resultados y que podamos aplicarlos donde más se necesitan.
