Pomozte zlepšit prediktivní modely pro recykláty
Přispívat tréninkovými daty na Proteus® Nyní kvantifikujte
Recyklační toky jsou ze své podstaty složité.
Skládají se ze široké škály polymerů, přísad a neznámých kontaminantů, které se často mezi jednotlivými šaržemi výrazně liší. Tato složitost představuje pro průmysl recyklace polymerů značnou výzvu, která ztěžuje spolehlivou identifikaci materiálu a detekci kontaminace.
Řešení této výzvy, Proteus® Now Quantify je vyvíjen systém pro zlepšení detekce kontaminace a klasifikace materiálů pro recyklované polymery. Klíčem k dosažení tohoto cíle je rozšíření a zdokonalení základní databáze materiálů.
K vytvoření spolehlivých modelů strojového učení potřebujeme vysoce kvalitní, standardizovaná NETZSCH DSC tréninková data ze skutečných průmyslových sloučenin. Konkrétně hledáme směsné materiály založené na primárních polymerech, které realisticky reprezentují typické scénáře znečištění vyskytující se v recyklačních tocích. To nám umožní vytvořit kontrolované, dobře definované soubory dat pro robustní trénování modelů.
Váš příspěvek pomůže zvýšit přesnost, robustnost a průmyslovou použitelnost předpovědí, a podpoří tak lepší hodnocení recyklátů v polymerním průmyslu. Suché směsi a skutečné recykláty nejsou vhodné.
“Pomozte nám udělat Proteus® Now Quantify ještě výkonnějším a využívejte přímo lepší výsledky analýzy. Sdílením standardizovaných tréninkových dat NETZSCH DSC pomůžete zpřesnit, zkvalitnit a vylepšit modely umělé inteligence pro skutečné průmyslové recykláty. Čím rozmanitější je soubor dat, tím přesnější a hodnotnější je model pro všechny.”
Proč je standardizace důležitá
Modely strojového učení jsou tak dobré, jak dobrá jsou data, na kterých jsou vyškoleny. Pro Kvantifikovat poskytovat spolehlivé předpovědi, musí být splněny následující podmínky:
- Podmínky měření musí být identické
- Teplotní historie musí být srovnatelné
- Tvary křivek musí odrážet skutečné chování směsi
I small odchylky v parametrech DSC ovlivňují tvar píku, entalpie a krystalizační chování, což přímo ovlivňuje výkonnost modelu.
Proto lze pro trénink použít pouze měření provedená podle definovaného standardu Quantify .
Kvantifikujte Kontrolní seznam měření (povinný pro údaje o školení)
Parametry metody
- Hmotnost vzorku: 10 ± 1 mg
- Rychlost zahřívání: 10 K/min
- Rychlost chlazení: 10 K/min
- Atmosféra: (výchozí průtoky plynů)
- Kelímek: Al Concavus® s propíchnutým víkem
- Citlivost a platnost TempCal
- BeFlat® aktivováno
⚠️ Tyto parametry jsou pevně stanoveny pro Proteus® Now Quantify. Odchylky mohou měnit tvary špiček a snižovat spolehlivost předpovědi.
Podrobný dokument s pokyny pro měření je k dispozici zde:
Co z toho budete mít?
Přispějte svými daty a získejte výhody a zároveň pomozte pokročit v analýze polymerů založené na umělé inteligenci:
- Zviditelnění na našich webových stránkách jako partner pro spolupráci
- Exkluzivní přístup k novým Proteus® Now Quantify modelům a funkcím
- Lepší výsledky pro vaše vlastní materiály
- Možnosti spolupráce (publikace, konference)
Ústavy, které určují budoucnost analýzy polymerů na bázi umělé inteligence
Následující ústavy a laboratoře již přispěly standardizovanými soubory dat DSC na podporu neustálého zlepšování Proteus® Now Quantify. Sdílením skutečných průmyslových dat pomáhají posílit detekci kontaminace, klasifikaci materiálů a spolehlivé předpovědi pro recyklační toky polymerů.
Všem partnerům upřímně děkujeme za spolupráci a za to, že společně s NETZSCH. posunují materiálovou analýzu založenou na datech.
Často kladené otázky (FAQ)
Váš příspěvek
Odesláním standardizovaných údajů o školení DSC pomáháte:
- zlepšit algoritmy detekce kontaminace
- posílit klasifikaci založenou na krystalizaci
- zvýšit spolehlivost predikce napříč toky recyklátů
- zvýšit použitelnost nástroje Quantify na skutečné průmyslové materiály
Čím reprezentativnější a rozmanitější je soubor dat, tím lepší je výkonnost modelu.
Jak se zúčastnit
- Postupujte přesně podle kontrolního seznamu pro kvantifikaci měření (viz výše uvedený dokument s pokyny)
- Ujistěte se, že materiál je skutečná směs (žádné suché směsi)
- Pokud chcete,anonymizujte údaje o typu polymeru: potřebujeme pouze třídy materiálů, množství plniva a množství složení pro každou třídu (viz časté dotazy)
- Pošlete nám e-mail, abychom s vámi prodiskutovali váš příspěvek nebo se podělili o údaje
- Naši odborníci z Quantify se vám ozvou:
