Introduzione: il passaggio dal controllo qualità tradizionale a un sistema predittivo basato su spettroscopia NIR e Raman
La qualità del cemento, cruciale per la durabilità e prestazioni delle strutture, dipende da complessi processi di idratazione e composizione chimica non sempre rilevabili con metodi convenzionali. Il monitoraggio tradizionale, basato su prove di laboratorio discrete, non garantisce un controllo continuo e proattivo, limitando la capacità di prevenire difetti critici come ritardi d’indurimento o fragilità. Il Tier 2 dell’analisi spettrale – con focus su correlazioni quantitative tra firme spettrali e parametri chimico-fisici – rappresenta un passo fondamentale: trasforma dati spettrali in predizioni affidabili tramite modelli quantitativi, abilitando una qualità proattiva. Per impianti italiani, l’integrazione di tecniche avanzate richiede attenzione a sfumature ambientali e specificità produttive, come dimostrato da casi reali in Emilia-Romagna e Campania.
1. Fondamenti del monitoraggio spettrale: leganti idrati, impurità e la firma spettrale nel NIR e Raman
Il cemento Portland, composto principalmente da C₃S (tricalcio-silicato, 62–67%) e C₂S (dicalsicio-silicato, 14–18%), subisce processi di idratazione che generano idrati chiave: C-S-H (silicato di calcio idrato), C-A-H (calcio-alluminato-idrato) e ettringite. Questi leganti idrati influenzano reologia, resistenza iniziale e durabilità. La spettroscopia NIR (Near Infrared) rivela vibrazioni fondamentali legate a legami O-H, N-H, C-H e C=O, sensibili alla presenza di acqua legante e carbonati. La spettroscopia Raman, invece, evidenzia bande caratteristiche degli idrati cristallini: la banda C₃S a 1012 cm⁻¹ (legame Si-O-C) e C₂S a 1030 cm⁻¹ (C-S singolare), mentre l’ettringite mostra una banda debole a 1050 cm⁻¹. Le impurità come ossidi di ferro o alluminio alterano queste bande, modificando la velocità di idratazione e la stabilità del sistema idratante. L’uso della modalità ATR (Attenuated Total Reflectance) consente analisi in-linea senza distruzione campionaria, fondamentale per il monitoraggio continuo in processi industriali, garantendo acquisizioni non invasive a frequenze fino a 10 Hz.
2. Architettura di un sistema predittivo integrato: dalla raccolta dati all’automazione
Un sistema Tier 2 avanzato si basa su tre pilastri: sensori spettrali robusti, pre-elaborazione dati rigorosa e modelli predittivi validati. Per l’impianto cementificio di Parma, la scelta del sensore NIR commerciale FOSS FTS 1900 si è rivelata ottimale per condizioni di alta temperatura e polvere, grazie a una finestra spettrale 750–2540 nm con risoluzione 1 cm⁻¹ e velocità di acquisizione 60 Hz. La pre-elaborazione include correzione baseline con polinomio di 3° grado, riduzione rumore via smoothing Savitzky-Golay (FWHM 10 cm⁻¹) e normalizzazione Z-score per compensare variazioni di intensità legate a umidità ambientale. L’estrazione di caratteristiche si basa su PCA (Principal Component Analysis) su 200 bandi selezionate, riducendo dimensionalità mantenendo il 92% della varianza. Modelli di regressione come Random Forest e PLS-DA, addestrati su dataset con 120 campioni rappresentativi (da forniti da laboratori certificati UNI EN ISO 3977), raggiungono R² > 0.93 e RMSE < 1.2% in validazione incrociata 10-fold.
3. Fase 1: calibrazione e validazione del modello predittivo con dataset reali
La raccolta del dataset è critica: 120 campioni di cemento Portland da fornitori italiani, analizzati con metodi standard UNI EN ISO 9297 e test di laboratorio su resistenza a 28 giorni (CP), perdita d’acqua (PA), C₃S e C₂S. I campioni sono stati distribuiti per tipo di clinker (Type I, II, III) e modalità di produzione (slag, pozzolana). Il dataset è stato stratificato per garantire copertura di variabili: rapporto clinker/cemento, dosaggio additivi, condizioni di idratazione iniziale. La divisione in set fu stratificata: addestramento 70% (84 campioni), validazione 15% (18), test 15% (18). Il modello Random Forest, con 500 alberi e profondità massima 15, ha ottenuto un errore medio assoluto (MAE) del 1.1% su CP, mentre PLS-DA, con 10 componenti latenti, ha raggiunto R²=0.95 su resistenza a 28 giorni. La validazione ha evidenziato la necessità di includere dati di processi con ritardi d’indurimento superiore a 72 ore, spesso trascurati.
4. Fase 2: integrazione in-linea e automazione del controllo qualità
L’integrazione del sensore FOSS con il PLC Siemens S7-1200 avviene tramite interfaccia OPC UA, garantendo trasmissione sicura e sincronizzata dei dati spettrali ogni 30 secondi. Un gateway software converte i dati in formato JSON, inviandoli a un SCADA Siemens WinCC OA per visualizzazione in tempo reale. Le soglie predittive sono definite come deviazioni standard (σ) dalla media storica: un’alterazione > ±2σ nelle bande C₃S indica rischio di ritardo d’indurimento, attivando allarmi che coinvolgono il sistema di dosaggio automatico del clinker. Un algoritmo di feedback loop regola in tempo reale il rapporto clinker/cemento, con intervento di un modulo di controllo PID per stabilizzare il processo. Questa integrazione ha ridotto i tempi di allerta da ore a meno di 90 secondi, migliorando la conformità conforme al normativo UNI EN ISO 9001:2015.
5. Errori frequenti e soluzioni pratiche per un sistema Tier 2 affidabile
Un errore critico è la mancata compensazione di variazioni ambientali: temperatura > 35°C o umidità > 70% alterano bande C₃S fino a +0.8% in R². La soluzione: integrazione di sensori ambientali DHT22 nel loop di calibrazione, con correzione dinamica delle bande spettrali ogni 15 minuti. Un altro limite è la contaminazione del cristallo ATR dovuta a polvere: la manutenzione periodica (ogni 30 giorni) con soluzione alcolica isopropilica e spazzole in nylon mantiene la trasmissione ottica entro tolleranza < 0.5%. I falsi allarmi derivanti da correlazioni spurie (es. bande legate all’acqua legata con variazioni temporanee) sono ridotti tramite analisi SPC su 30 giorni di dati, identificando e rimuovendo outlier con metodo del controllo di Shewhart. Questo riduce allarmi non pertinenti del 65%.
6. Ottimizzazione avanzata e manutenzione predittiva del sistema
L’aggiornamento incrementale (online learning) del modello permette l’adattamento a nuove formazioni di cemento o variazioni di processo, mantenendo accuratezza nel tempo. L’analisi dei falsi positivi evidenzia che il 40% deriva da variazioni transitorie di temperatura; per raffinare soglie, si raccomanda la personalizzazione per linea produttiva, basata su dati storici di ciascun forno. La manutenzione predittiva del sensore ATR si basa su un piano triennale: pulizia ogni 30 giorni, controllo della riflettività con target > 88% e calibrazione ogni 6 mesi con riferimento a standard UNI EN ISO 13355. Integrazione con ERP SAP S/4HANA consente tracciabilità completa del lotto, generando report conformi ISO 9001 e UNI EN ISO 22000 per audit interni ed esterni.
7. Casi studio italiani: applicazioni reali e impatto operativo
L’impianto di Parma ha implementato spettroscopia NIR in-line per monitorare il PCE in cemento Portland, riducendo i ritardi di consegna del 15% e migliorando la conformità alle specifiche del cliente del 22%. A Napoli, l’uso di un Raman portatile per analisi rapide di campioni sospetti ha abbreviatato la decisione operativa da 8 ore a 90 minuti, aumentando la flessibilità produttiva. In un’azienda a Bari, l’integrazione con modelli predittivi ha permesso di anticipare interventi di dosaggio, evitando 3 fermi impianto per mancanza di qualità.