
Hjælp med at forbedre forudsigelsesmodeller for genbrugsmaterialer
Bidrag med træningsdata til Proteus® Kvantificer nu
Genbrugsstrømme er i sagens natur komplekse.
De består af en bred vifte af polymerer, tilsætningsstoffer og ukendte forureninger, som ofte varierer betydeligt fra batch til batch. Denne kompleksitet udgør en betydelig udfordring for polymergenvindingsindustrien og gør pålidelig materialeidentifikation og forureningsdetektion vanskelig.
For at løse denne udfordring, Proteus® Now Quantify udviklet til at forbedre påvisningen af forureninger og klassificeringen af materialer til genbrugspolymerer. At udvide og forfine den underliggende materialedatabase er nøglen til at nå dette mål.
For at opbygge pålidelige maskinlæringsmodeller har vi brug for standardiserede NETZSCH DSC-træningsdata af høj kvalitet fra ægte industrielle forbindelser. Vi er specifikt på udkig efter sammensatte materialer baseret på nye polymerer, der realistisk repræsenterer typiske forureningsscenarier, der findes i genbrugsstrømme. Det giver os mulighed for at skabe kontrollerede, veldefinerede datasæt til robust modeltræning.
Dit bidrag vil hjælpe med at øge nøjagtigheden, robustheden og den industrielle anvendelighed af forudsigelser og dermed understøtte forbedret evaluering af genbrugsmaterialer i polymerindustrien. Tørre blandinger og faktiske genbrugsmaterialer er ikke egnede.
Hjælp os med at gøre Proteus® Now Quantify endnu mere kraftfuld, og få direkte gavn af forbedrede analyseresultater. Ved at dele standardiserede NETZSCH DSC-træningsdata hjælper du med at gøre AI-modellerne mere nøjagtige, robuste og bedre egnet til ægte industrielle genbrugsmaterialer. Jo mere forskelligartet datasættet er, jo mere nøjagtig og værdifuld bliver modellen for alle.


Hvorfor standardisering er vigtig
Maskinlæringsmodeller er kun så gode som de data, de er trænet på. For Quantify kan levere pålidelige forudsigelser, skal følgende betingelser være opfyldt:
- Målebetingelserne skal være identiske
- Termiske historier skal være sammenlignelige
- Kurveformerne skal afspejle forbindelsens sande opførsel
Selv small afvigelser i DSC-parametre påvirker peak-form, entalpi og krystallisationsadfærd, hvilket direkte påvirker modellens ydeevne.
Derfor kan kun målinger, der er udført i henhold til den definerede Quantify-standard , bruges til træning.
Kvantificer Tjekliste for måling (obligatorisk for træningsdata)
Parametre for metoden
- Prøvens vægt: 10 ± 1 mg
- Opvarmningshastighed: 10 K/min
- Afkølingshastighed: 10 K/min
- Atmosfære: Nitrogen (standard gasstrømme)
- Smeltedigel: Al Concavus® med gennembrudt låg
- Følsomhed og TempCal gyldig
- BeFlat® aktiveret
⚠️ Disse parametre er faste for Proteus® Now Quantify. Afvigelser kan ændre topformerne og reducere forudsigelsens pålidelighed.
Et detaljeret dokument med retningslinjer for måling er tilgængeligt her:

Hvad får du ud af det?
Bidrag med dine data og få fordele, mens du hjælper med at fremme AI-drevet polymeranalyse:
- Synlighed på vores hjemmeside som samarbejdspartner
- Eksklusiv adgang til nye Proteus® Now Quantify modeller og funktioner
- Bedre resultater for dine egne materialer
- Samarbejdsmuligheder (publikationer, konferencer)
Institutter, der driver fremtiden for AI-baseret polymeranalyse
Følgende institutter og laboratorier har allerede bidraget med standardiserede DSC-datasæt for at understøtte den løbende forbedring af Proteus® Now Quantify. Ved at dele ægte industrielle data hjælper de med at styrke påvisning af forureninger, materialeklassificering og pålidelig forudsigelse af polymergenbrugsstrømme.
Vi takker oprigtigt alle partnere for deres samarbejde og for at fremme datadrevet materialeanalyse sammen med NETZSCH.
Ofte stillede spørgsmål (FAQ)
Tørre blandinger må ikke indsendes, fordi de genererer forskellige DSC-kurveegenskaber sammenlignet med korrekt sammensatte materialer.
Peakformer, krystalliseringsadfærd og faseinteraktioner adskiller sig markant. Inkludering af tørblandinger vil derfor reducere modellens nøjagtighed og forvrænge træningsresultaterne.
Proteus® Now Quantifyer trænet specifikt til at analysere realistiske industrielle materialesystemer, som typisk er sammensatte snarere end tørblandede.
Kun ægte sammensatte materialer bør indsendes til DSC-træningsdata. Egnede prøver omfatter sammensatte, smelteblandede og homogeniserede materialer, der repræsenterer realistiske industrielle materialesystemer.
Vi leder specifikt efter sammensatte materialer baseret på jomfruelige polymerer, der realistisk repræsenterer typiske forureningsscenarier, der findes i genbrugsstrømme.
Disse materialer gør det muligt for Quantify-modellen at lære af ægte forarbejdningsforhold og materialeinteraktioner.
Accepterede prøvetyper:
- Sammensatte materialer
- Smelteblandede prøver
- Homogeniserede polymerblandinger
For at udvide og styrke Quantify prioriterer vi i øjeblikket standardiserede DSC-datasæt fra specifikke polymersystemer, der almindeligvis findes i genbrugs- og industrielle materialestrømme.
Vi leder specifikt efter sammensatte materialer baseret på jomfruelige polymerer, der realistisk repræsenterer typiske forureningsscenarier, der findes i genbrugsstrømme.
Polyolefin-systemer
- PP, HDPE, LDPE og LLDPE med typisk krydskontaminering
- Polyolefiner kombineret med PET, PA6, EVOH, EVA eller PUR
PET-baserede systemer
- PET kombineret med polyolefiner
- PET kombineret med emballagebarrierematerialer
Tekniske og WEEE-blandinger
- ABS, HIPS, PC og PMMA i varierende forhold
- PP kombineret med ABS
- HDPE kombineret med EVOH
Bilrelevante systemer
- PP-EPDM-blandinger
- PA6 eller PA66 kombineret med PP
- PA6-, PA66- og PBT-blandinger
- Teknisk termoplast med variabelt fiberindhold
Ægte sammensatte materialer afspejler de komplekse interaktioner og variationer, der findes i industrielle genbrugsstrømme.
Træning af Quantify-modellen med disse realistiske datasæt forbedrer:
- opdagelsen af forureninger
- krystallisationsbaseret klassificering
- pålidelig forudsigelse på tværs af genbrugsstrømme
Jo mere repræsentativt og varieret datasættet er, jo mere pålidelig bliver modellens ydeevne.
Vi kræver ikke anonymisering af din virksomhed. (medmindre det er dit ønske)
Vi beder dig kun om at generalisere materialetyper.
Et eksempel: I stedet for "Ultramid A3K / B3K" → "PA66 / PA6"
Hvilke data skal du angive?
Vær venlig at indsende:
- Polymerklasser (f.eks. PP, PE, PET)
- Sammensætning i vægt%
- Type og indhold af fyldstof
Hvad er et gyldigt dataformat?
Eksempel:
| Prøve-ID/filnavn | PP-C [vægt%] | PP-H [vægt%] | LDPE [vægt%] | LLDPE [vægt%] | HDPE [vægt%] | PET [vægt%] | Type fyldstof | fyldstof [vægt%] |
| Prøve 123 | 20 | 80 | ||||||
| Prøve 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Prøve 789 | 80 | talkum | 20 |
Download skabelonen her:
Send os venligst dine data samt din excel-fil med materialesammensætning. Find et eksempel her:
| Prøve-ID / filnavn | PP-C [vægt%] | PP-H [vægt%] | LDPE [vægt%] | LLDPE [vægt%] | HDPE [vægt%] | PET [vægt%] | Type fyldstof | fyldstof [vægt%] |
| Prøve 123 | 20 | 80 | ||||||
| Prøve 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Prøve 789 | 80 | talkum | 20 |
Download skabelonen:
Dit bidrag

Ved at indsende standardiserede DSC-træningsdata hjælper du:
- forbedre algoritmer til detektion af kontaminering
- styrke krystallisationsbaseret klassificering
- øge pålidelig forudsigelse på tværs af genbrugsstrømme
- gøre Quantify mere anvendelig til rigtige industrielle materialer
Jo mere repræsentativt og mangfoldigt datasættet er, jo bedre er modellens ydeevne.
Sådan deltager du

- Følg tjeklisten for Quantify-målinger (se retningslinjedokumentet ovenfor) nøjagtigt
- Sørg for, at materialet er en rigtig blanding (ingen tørblandinger)
- Anonymiser polymertypedataene, hvis du vil: Vi har kun brug for materialeklasser, fyldstofmængde og sammensætningsmængder for hver klasse (se FAQ)
- Send os en e-mail for at diskutere dit bidrag eller dele data
- Vores Quantify-eksperter vil kontakte dig:





