
Ayude a mejorar los modelos predictivos para reciclados
Aporte datos de formación a Proteus® Cuantificar ahora
Los flujos de reciclado son intrínsecamente complejos.
Se componen de una amplia variedad de polímeros, aditivos y contaminantes desconocidos que a menudo varían significativamente de un lote a otro. Esta complejidad supone un reto importante para la industria del reciclado de polímeros, ya que dificulta la identificación fiable del material y la detección de la contaminación.
Para hacer frente a este reto, Proteus® Now Quantify para mejorar la detección de contaminaciones y la clasificación de materiales para polímeros reciclados. Ampliar y perfeccionar la base de datos de materiales subyacente es clave para lograr este objetivo.
Para construir modelos de aprendizaje automático fiables, necesitamos datos de entrenamiento DSC de alta calidad y estandarizados de NETZSCH a partir de compuestos industriales reales. En concreto, buscamos materiales compuestos basados en polímeros vírgenes que representen de forma realista los escenarios de contaminación típicos que se encuentran en los flujos de reciclaje. Esto nos permite crear conjuntos de datos controlados y bien definidos para un entrenamiento robusto del modelo.
Su contribución ayudará a aumentar la precisión, robustez y aplicabilidad industrial de las predicciones, apoyando así una mejor evaluación de los reciclados en la industria de polímeros. Las mezclas secas y los reciclados reales no son adecuados.
Ayúdenos a hacer que Proteus® Now Quantify sea aún más potente y benefíciese directamente de unos resultados de análisis mejorados. Compartiendo los datos de entrenamiento DSC estandarizados de NETZSCH, ayudará a que los modelos de IA sean más precisos, robustos y se adapten mejor a los reciclados industriales reales. Cuanto más diverso sea el conjunto de datos, más preciso y valioso será el modelo para todos.


Por qué es importante la normalización
Los modelos de aprendizaje automático son tan buenos como los datos con los que se han entrenado. Para Cuantificar ofrezca predicciones fiables, deben cumplirse las siguientes condiciones:
- Las condiciones de medición deben ser idénticas
- Los historiales térmicos deben ser comparables
- Las formas de las curvas deben reflejar el comportamiento real del compuesto
Incluso las desviaciones de small en los parámetros de DSC influyen en la forma del pico, la entalpía y el comportamiento de CristalizaciónLa cristalización es el proceso físico de endurecimiento durante la formación y el crecimiento de cristales. Durante este proceso se libera calor de cristalización.cristalización, lo que afecta directamente al rendimiento del modelo.
Por lo tanto, sólo pueden utilizarse para el entrenamiento las mediciones realizadas según la norma Quantify definida.
Cuantificar Lista de comprobación de la medición (obligatoria para los datos de formación)
Parámetros del método
- Peso de la muestra: 10 ± 1 mg
- Velocidad de calentamiento 10 K/min
- Velocidad de enfriamiento 10 K/min
- Atmósfera: Nitrógeno (flujos de gas por defecto)
- Crisol: Al Concavus® con tapa perforada
- Sensibilidad y TempCal válidos
- BeFlat® activado
⚠️ Estos parámetros son fijos para Proteus® Now Quantify. Las desviaciones pueden cambiar las formas de los picos y reducir la fiabilidad de la predicción.
Aquí encontrará un documento detallado sobre las directrices de medición:

¿En qué le beneficia?
Contribuya con sus datos y obtenga beneficios mientras ayuda a avanzar en el análisis de polímeros basado en IA:
- Visibilidad en nuestro sitio web como socio colaborador
- Acceso exclusivo a nuevos Proteus® Now Quantify modelos y funciones
- Mejores resultados para sus propios materiales
- Oportunidades de colaboración (publicaciones, conferencias)
Institutos que impulsan el futuro del análisis de polímeros basado en IA
Los siguientes institutos y laboratorios ya han contribuido con conjuntos de datos DSC normalizados para apoyar la mejora continua de Proteus® Now Quantify. Al compartir datos industriales reales, ayudan a reforzar la detección de contaminaciones, la clasificación de materiales y la predicción fiable de flujos de reciclado de polímeros.
Agradecemos sinceramente a todos los socios su colaboración y su avance en el análisis de materiales basado en datos junto con NETZSCH.
Preguntas más frecuentes (FAQ)
Las mezclas secas no deben presentarse porque generan características de curva DSC diferentes en comparación con los materiales compuestos correctamente.
Las formas de los picos, el comportamiento de CristalizaciónLa cristalización es el proceso físico de endurecimiento durante la formación y el crecimiento de cristales. Durante este proceso se libera calor de cristalización.cristalización y las interacciones de fase difieren significativamente. Por lo tanto, la inclusión de mezclas secas reduciría la precisión del modelo y distorsionaría los resultados del entrenamiento.
Proteus® Now Quantifyestá entrenado específicamente para analizar sistemas de materiales industriales realistas, que normalmente están compuestos en lugar de mezclados en seco.
Sólo deben enviarse materiales compuestos reales para los datos de formación de DSC. Las muestras adecuadas incluyen materiales compuestos, mezclados por fusión y homogeneizados que representen sistemas de materiales industriales realistas.
En concreto, buscamos materiales compuestos basados en polímeros vírgenes que representen de forma realista las situaciones de contaminación típicas de los flujos de reciclado.
Estos materiales permiten que el modelo Quantify aprenda de las condiciones reales de procesamiento y de las interacciones entre materiales.
Tipos de muestra aceptados:
- Materiales compuestos
- Muestras de mezcla fundida
- Mezclas de polímeros homogeneizados
Para ampliar y reforzar Quantify, actualmente estamos dando prioridad a conjuntos de datos DSC estandarizados de sistemas de polímeros específicos que se encuentran habitualmente en flujos de materiales industriales y de reciclaje.
En concreto, buscamos materiales compuestos basados en polímeros vírgenes que representen de forma realista los escenarios de contaminación típicos de los flujos de reciclaje.
Sistemas de poliolefinas
- PP, HDPE, LDPE y LLDPE con contaminación cruzada típica
- Poliolefinas combinadas con PET, PA6, EVOH, EVA o PUR
Sistemas basados en PET
- PET combinado con poliolefinas
- PET combinado con materiales de barrera para envases
Mezclas para ingeniería y RAEE
- ABS, HIPS, PC y PMMA en proporciones variables
- PP combinado con ABS
- HDPE combinado con EVOH
Sistemas relevantes para la automoción
- Mezclas PP-EPDM
- PA6 o PA66 combinado con PP
- Mezclas de PA6, PA66 y PBT
- Termoplásticos técnicos con contenido de fibra variable
Los materiales compuestos reales reflejan las complejas interacciones y la variabilidad que se encuentran en los flujos de reciclaje industrial.
El entrenamiento del modelo Quantify con estos conjuntos de datos realistas mejora
- la detección de contaminaciones
- la clasificación basada en la CristalizaciónLa cristalización es el proceso físico de endurecimiento durante la formación y el crecimiento de cristales. Durante este proceso se libera calor de cristalización.cristalización
- la predicción fiable entre flujos de reciclado
Cuanto más representativo y diverso sea el conjunto de datos, más fiable será el rendimiento del modelo.
No exigimos anonimizar su empresa. (a menos que sea su deseo)
Sólo le pedimos que generalice los tipos de material.
Ejemplo: En lugar de "Ultramid A3K / B3K" → "PA66 / PA6"
Qué datos debe proporcionar?
Sírvase presentar:
- Clases de polímeros (por ejemplo, PP, PE, PET)
- Composición en % en peso
- Tipo y contenido de relleno
¿Qué formato de datos es válido?
Por ejemplo
| ID de la muestra / nombre del archivo | PP-C [% en peso] | PP-H [wt%] | LDPE [wt%] | LLDPE [wt%] | HDPE [wt%] | PET [wt%] | Tipo de relleno | relleno [% en peso] |
| Muestra 123 | 20 | 80 | ||||||
| Muestra 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Muestra 789 | 80 | talco | 20 |
Descargue la plantilla aquí:
Envíenos sus datos y su archivo Excel de composición de materiales. Aquí encontrará un ejemplo:
| Muestra ID / nombre de archivo | PP-C [% en peso] | PP-H [wt%] | LDPE [wt%] | LLDPE [wt%] | HDPE [wt%] | PET [wt%] | Tipo de relleno | relleno [% en peso] |
| Muestra 123 | 20 | 80 | ||||||
| Muestra 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Muestra 789 | 80 | talco | 20 |
Descargue la plantilla:
Su contribución

Al enviar datos de entrenamiento DSC estandarizados, usted ayuda a:
- mejorar los algoritmos de detección de contaminación
- reforzar la clasificación basada en la CristalizaciónLa cristalización es el proceso físico de endurecimiento durante la formación y el crecimiento de cristales. Durante este proceso se libera calor de cristalización.cristalización
- aumentar la fiabilidad de la predicción en los flujos de reciclado
- hacer que Quantify sea más aplicable a materiales industriales reales
Cuanto más representativo y diverso sea el conjunto de datos, mejor será el rendimiento del modelo.
Cómo participar

- Siga al pie de la letra la lista de comprobación de medición Cuantificar (véase el documento de directrices anterior)
- Asegúrese de que el material es un compuesto real (no mezclas secas)
- Si lo desea,anonimice los datos del tipo de polímero: sólo necesitamos las clases de material, la cantidad de relleno y las cantidades de composición de cada clase (consulte las preguntas frecuentes)
- Envíenos un correo electrónico para comentar su contribución o compartir datos
- Nuestros expertos en Quantify se pondrán en contacto con usted:





