Tragen Sie zur Verbesserung von Vorhersagemodellen für Recyclingmaterialien bei
Stellen Sie Trainingsdaten für Proteus® Now Quantify bereit
Recyclingströme sind von Natur aus komplex.
Sie bestehen aus einer Vielzahl von Polymeren, Additiven und unbekannten Verunreinigungen, die sich von Charge zu Charge oft erheblich unterscheiden. Diese Komplexität stellt eine große Herausforderung an die Polymerrecyclingindustrie dar, da sie eine zuverlässige Materialidentifizierung und Verunreinigungserkennung erschwert.
Um diese Herausforderung zu meistern, wurde Proteus® Now Quantify entwickelt. Die Software erkennt Verunreinigungen und verbessert die Materialklassifizierung für recycelte Polymere. Die Erweiterung und Verfeinerung der zugrunde liegenden Materialdatenbank ist der Schlüssel zur Erreichung dieses Ziels.
Um zuverlässige Modelle für maschinelles Lernen (ML) zu erstellen, benötigen wir hochwertige, standardisierte NETZSCH-DSC-Trainingsdaten aus realen industriellen Polymermischungen. Konkret suchen wir nach Compounds auf Basis von Neu-Polymeren, die typische Verunreinigungsszenarien in Recyclingströmen realistisch abbilden. Dies ermöglicht es uns, kontrollierte und klar definierte Datensätze für ein robustes Modelltraining zu erstellen.
Ihr Beitrag hilft, die Genauigkeit, Robustheit und industrielle Anwendbarkeit der Vorhersagen zu erhöhen und damit eine verbesserte Bewertung von Rezyklaten in der Polymerindustrie zu erreichen.Trockenmischungen und tatsächliche Rezyklate sind nicht geeignet.
Helfen Sie uns, Proteus® Now Quantify noch leistungsfähiger zu machen, und profitieren Sie direkt von verbesserten Analyseergebnissen. Durch die Bereitstellung standardisierter NETZSCH-DSC-Trainingsdaten tragen Sie dazu bei, die KI-Modelle genauer, robuster und besser für echte industrielle Rezyklate geeignet zu machen. Je vielfältiger der Datensatz, desto genauer und wertvoller wird das Modell für alle.
Warum Standardisierung wichtig ist
Maschinelle Lernmodelle sind nur so gut wie die Daten, mit denen sie trainiert werden. Damit Quantify zuverlässige Vorhersagen liefern kann, müssen die folgenden Bedingungen erfüllt sein:
- Die Messbedingungen müssen identisch sein.
- Die thermischen Verläufe müssen vergleichbar sein.
- Die Kurvenformen müssen das tatsächliche Verhalten der Verbindung widerspiegeln.
Selbst kleine Abweichungen bei den DSC-Parametern beeinflussen die Peakform, die Enthalpie und das Kristallisationsverhalten, was sich direkt auf die Modellleistung auswirkt.
Quantify-Messcheckliste (obligatorisch für Trainingsdaten)
Methodenparameter
- Probengewicht: 10 ± 1 mg
- Heizrate: 10 K/min
- Abkühlgeschwindigkeit: 10 K/min
- Atmosphäre: Stickstoff (Standard-Gasdurchfluss)
- Tiegel: Al Concavus® mit gelochtem Deckel
- Empfindlichkeit und TempCal gültig
- BeFlat® aktiviert
⚠️ Diese Parameter sind für Proteus® Now Quantifyfest vorgegeben. Abweichungen können die Peakformen verändern und die Zuverlässigkeit der Vorhersage beeinträchtigen.
Ein detailliertes Dokument mit Messrichtlinien ist hier verfügbar: (Englisch)
Wie können Sie davon profitieren?
Stellen Sie Ihre Daten zur Verfügung und profitieren Sie, während Sie gleichzeitig die KI-gestützte Polymeranalyse vorantreiben:
- Präsenz auf unserer Website als Kooperationspartner
- Exklusiver Zugang zu neuen Proteus® Now Quantify-Modellen und -Funktionen
- Bessere Ergebnisse für Ihre eigenen Materialien
- Möglichkeiten zur Zusammenarbeit (Publikationen, Konferenzen)
Institute, die die Zukunft der KI-basierten Polymeranalyse vorantreiben
Die folgenden Institute und Labore haben bereits standardisierte DSC-Datensätze bereitgestellt, um die kontinuierliche Verbesserung von Proteus® Now Quantify zu unterstützen. Durch die Weitergabe realer Industriedaten tragen sie dazu bei, die Erkennung von Verunreinigungen, die Materialklassifizierung und die Vorhersagegenauigkeit für Polymerrecyclingströme zu verbessern.
Wir danken allen Partnern herzlich für ihre Zusammenarbeit und dafür, dass sie gemeinsam mit NETZSCH die datengestützte Materialanalyse vorantreiben.
Häufig gestellte Fragen (FAQ)
Daten von Trockenmischungen dürfen nicht eingereicht werden, da sie im Vergleich zu ordnungsgemäß kompoundierten Materialien andere DSC-Kurvenmerkmale aufweisen.
Peakformen, Kristallisationsverhalten und Phasenwechselwirkungen unterscheiden sich erheblich. Die Einbeziehung von Trockenmischungen würde daher die Modellgenauigkeit verringern und die Trainingsergebnisse verfälschen.
Proteus® Now Quantify ist speziell darauf trainiert, realistische industrielle Materialsysteme zu analysieren, die in der Regel compoundiert und nicht trocken gemischt sind.
Für die DSC-Trainingsdaten sollten nur echte, gemischte Materialproben eingereicht werden. Geeignet sind gemischte, schmelzgemischte und homogenisierte Materialien, die realistische industrielle Materialsysteme repräsentieren.
Insbesondere suchen wir nach Compound-Materialien auf Basis von Neu-Polymeren, die typische Verunreinigungsszenarien in Recyclingströmen realistisch abbilden.
Diese Materialien ermöglichen es dem Quantify-Modell, aus realen Verarbeitungsbedingungen und Materialwechselwirkungen zu lernen.
Akzeptierte Probentypen:
- Compoundierte Materialien
- Schmelzgemischte Proben
- Homogenisierte Polymermischungen
Um Quantify zu erweitern und zu stärken, legen wir derzeit den Schwerpunkt auf standardisierte DSC-Datensätze von spezifischen Polymersystemen, die häufig in Recycling- und industriellen Materialströmen vorkommen.
Insbesondere suchen wir nach Compound-Materialien auf Basis von Neu-Polymeren, die typische Verunreinigungsszenarien in Recyclingströmen realistisch abbilden.
Polyolefin-Systeme
- PP, HDPE, LDPE und LLDPE mit typischer Kreuzkontamination
- Polyolefine in Kombination mit PET, PA6, EVOH, EVA oder PUR
PET-basierte Systeme
- PET in Kombination mit Polyolefinen
- PET in Kombination mit Verpackungsbarrierematerialien
Technische Kunststoffe und WEEE-Mischungen
- ABS, HIPS, PC und PMMA in unterschiedlichen Mischungsverhältnissen
- PP in Kombination mit ABS
- HDPE in Kombination mit EVOH
Automobilrelevante Systeme
- PP-EPDM-Mischungen
- PA6 oder PA66 in Kombination mit PP
- PA6-, PA66- und PBT-Mischungen
- Technische Thermoplaste mit variablem Faseranteil
Echte Compound-Materialien spiegeln die komplexen Wechselwirkungen und die Variabilität wider, die in industriellen Recyclingströmen zu finden sind.
Das Training des Quantify-Modells mit diesen realistischen Datensätzen verbessert:
- die Erkennung von Verunreinigungen
- die auf KristallisationAls Kristallisation bezeichnet man den physikalischen Vorgang der Verhärtung bei der Bildung und beim Wachstum von Kristallen. Bei diesem Prozess wird Kristallisationswärme frei.Kristallisation basierende Klassifizierung
- die Robustheit der Vorhersagen über verschiedene Rezyklatströme hinweg
Je repräsentativer und vielfältiger der Datensatz ist, desto zuverlässiger wird die Modellleistung.
Wir setzen keine Anonymisierung Ihres Unternehmens voraus (es sei denn, Sie wünschen dies).
Wir bitten Sie lediglich, die Materialtypen zu verallgemeinern.
Beispiel: Anstelle von „Ultramid A3K / B3K“ → „PA66 / PA6“
Welche Daten sollten Sie bereitstellen?
Bitte reichen Sie Folgendes ein:
- Polymerklassen (z. B. PP, PE, PET)
- Zusammensetzung in Gew.-%
- Füllstofftyp und -gehalt
Was ist ein gültiges Datenformat?
Beispiel:
| Proben-ID / Dateiname | PP-C [Gew.-%] | PP-H [Gew.-%] | LDPE [Gew.-%] | LLDPE [Gew.-%] | HDPE [Gew.-%] | PET [Gew.-%] | Füllstofftyp | Füllstoff [Gew.-%] |
| Probe 123 | 20 | 80 | ||||||
| Beispiel 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Beispiel 789 | 80 | Talk | 20 |
Laden Sie die Vorlage hier herunter: (Englisch)
Bitte senden Sie uns Ihre Daten sowie Ihre Excel-Datei zur Materialzusammensetzung. Ein Beispiel finden Sie hier:
| Proben-ID / Dateiname | PP-C [Gew.-%] | PP-H [Gew.-%] | LDPE [Gew.-%] | LLDPE [Gew.-%] | HDPE [Gew.-%] | PET [Gew.-%] | Füllstofftyp | Füllstoff [Gew.-%] |
| Probe 123 | 20 | 80 | ||||||
| Beispiel 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Beispiel 789 | 80 | Talcum | 20 |
Vorlage herunterladen: (Englisch)
Ihr Beitrag
Durch die Einreichung standardisierter DSC-Trainingsdaten helfen Sie dabei,
- die Algorithmen zur Kontaminationserkennung zu verbessern,
- die kristallisationsbasierte Klassifizierung zu stärken,
- die Vorhersagegenauigkeit über verschiedene Rezyklatströme hinweg zu erhöhen, sowie
- Quantify besser auf reale industrielle Materialien anwendbar zu machen.
Je repräsentativer und vielfältiger der Datensatz, desto besser die Modellleistung.
So nehmen Sie teil
- Befolgen Sie die Quantify-Messcheckliste (siehe Leitfaden oben) genau
- Stellen Sie sicher, dass es sich um eine echte Compoundierung handelt (keine Trockenmischungen)
- Anonymisieren Sie die Daten zum Polymertyp, falls Sie möchten: Wir benötigen lediglich Materialklassen, Füllstoffmenge und Zusammensetzungsanteile für jede Klasse (siehe FAQ)
- Schreiben Sie uns eine E-Mail, um Ihren Beitrag zu besprechen oder Daten zu teilen
- Unsere Quantify-Experten werden sich bei Ihnen zurückmelden:
