
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)
Suché směsi se nesmí předkládat, protože vytvářejí odlišné charakteristiky křivky DSC ve srovnání se správně smíchanými materiály.
Tvar vrcholů, krystalizační chování a fázové interakce se výrazně liší. Zahrnutí suchých směsí by proto snížilo přesnost modelu a zkreslilo výsledky tréninku.
Proteus® Now Quantifyje vycvičen speciálně pro analýzu realistických průmyslových materiálových systémů, které jsou obvykle směsné, nikoliv suché.
Pro tréninková data DSC by měly být předkládány pouze skutečné směsné materiály. Vhodné vzorky zahrnují směsné, tavené a homogenizované materiály, které představují reálné průmyslové materiálové systémy.
Konkrétně hledáme směsné materiály na bázi primárních polymerů, které realisticky reprezentují typické scénáře kontaminace vyskytující se v recyklačních tocích.
Tyto materiály umožňují modelu Quantify učit se na základě skutečných podmínek zpracování a interakcí materiálů.
Přijatelné typy vzorků:
- Směsné materiály
- Vzorky smíšené v tavenině
- Homogenizované polymerní směsi
Pro rozšíření a posílení systému Quantify v současné době upřednostňujeme standardizované soubory dat DSC ze specifických polymerních systémů, které se běžně vyskytují v recyklačních a průmyslových materiálových tocích.
Konkrétně hledáme směsné materiály založené na primárních polymerech, které realisticky reprezentují typické scénáře kontaminace vyskytující se v recyklačních tocích.
Polyolefinové systémy
- PP, HDPE, LDPE a LLDPE s typickou křížovou kontaminací
- Polyolefiny v kombinaci s PET, PA6, EVOH, EVA nebo PUR
Systémy na bázi PET
- PET v kombinaci s polyolefiny
- PET v kombinaci s obalovými bariérovými materiály
Směsi pro strojírenství a OEEZ
- ABS, HIPS, PC a PMMA v různých poměrech
- PP v kombinaci s ABS
- HDPE v kombinaci s EVOH
Systémy relevantní pro automobilový průmysl
- Směsi PP-EPDM
- PA6 nebo PA66 v kombinaci s PP
- Směsi PA6, PA66 a PBT
- Technické termoplasty s proměnlivým obsahem vláken
Skutečné směsné materiály odrážejí složité interakce a proměnlivost, které se vyskytují v průmyslových recyklačních tocích.
Trénink modelu Quantify s těmito realistickými soubory dat zlepšuje:
- detekci kontaminace
- klasifikaci založenou na krystalizaci
- spolehlivou predikci napříč proudy recyklátů
.
Čím reprezentativnější a rozmanitější je soubor dat, tím spolehlivější je výkonnost modelu.
Anonymizaci vaší společnosti nevyžadujeme. (pokud si to nepřejete)
Žádáme vás pouze o zobecnění typů materiálů.
Příklad: Místo "Ultramid A3K / B3K" → "PA66 / PA6"
Jaké údaje byste měli poskytnout?
Předložte, prosím, následující údaje:
- Třídy polymerů (např. PP, PE, PET)
- Složení v hmotnostních procentech
- Typ a obsah plniva
Jaký je platný formát údajů?
Příklad:
| ID vzorku / název souboru | PP-C [wt%] | PP-H [hm. %] | LDPE [wt%] | LLDPE [hm%] | HDPE [wt%] | PET [hm%] | Typ plniva | plnivo [hm%] |
| Vzorek 123 | 20 | 80 | ||||||
| Vzorek 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Vzorek 789 | 80 | mastek | 20 |
Šablonu si stáhněte zde:
Zašlete nám prosím své údaje a soubor excelu se složením materiálu. Příklad najdete zde:
| ID vzorku / název souboru | PP-C [wt%] | PP-H [wt%] | LDPE [wt%] | LLDPE [wt%] | HDPE [wt%] | PET [hm%] | Typ plniva | plnivo [hm%] |
| Vzorek 123 | 20 | 80 | ||||||
| Vzorek 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Vzorek 789 | 80 | mastek | 20 |
Stáhněte si šablonu:
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:





