Contribuer à l'amélioration des modèles prédictifs pour les produits recyclés
Fournir des données de formation à Proteus® Maintenant Quantify
Les flux de recyclage sont intrinsèquement complexes.
Ils sont constitués d'une grande variété de polymères, d'additifs et de contaminants inconnus qui varient souvent de manière significative d'un lot à l'autre. Cette complexité représente un défi important pour l'industrie du recyclage des polymères, car elle rend difficile l'identification fiable des matériaux et la détection des contaminations.
Pour relever ce défi, Proteus® Now Quantify est en cours de développement afin d'améliorer la détection des contaminations et la classification des matériaux pour les polymères recyclés. Pour atteindre cet objectif, il est essentiel d'élargir et d'affiner la base de données des matériaux sous-jacents.
Pour construire des modèles d'apprentissage automatique fiables, nous avons besoin de données d'entraînement DSC de haute qualité, normalisées NETZSCH, provenant de composés industriels réels. Nous recherchons spécifiquement des matériaux composés à base de polymères vierges qui représentent de manière réaliste les scénarios de contamination typiques que l'on trouve dans les flux de recyclage. Cela nous permet de créer des ensembles de données contrôlés et bien définis pour l'apprentissage de modèles robustes.
Votre contribution permettra d'accroître la précision, la robustesse et l'applicabilité industrielle des prédictions, et donc d'améliorer l'évaluation des produits recyclés dans l'industrie des polymères. Les mélanges secs et les produits recyclés réels ne conviennent pas.
“Aidez-nous à rendre Proteus® Now Quantify encore plus puissant et bénéficiez directement de meilleurs résultats d'analyse. En partageant les données d'entraînement normalisées de NETZSCH DSC, vous contribuez à rendre les modèles d'IA plus précis, plus robustes et mieux adaptés aux recyclats industriels réels. Plus l'ensemble de données est diversifié, plus le modèle est précis et utile pour tous.”
L'importance de la normalisation
La qualité des modèles d'apprentissage automatique dépend des données sur lesquelles ils sont formés. Pour Quantify fournisse des prédictions fiables, les conditions suivantes doivent être remplies :
- Les conditions de mesure doivent être identiques
- Les historiques thermiques doivent être comparables
- Les formes des courbes doivent refléter le comportement réel du composé
Même les écarts de small dans les paramètres DSC influencent la forme du pic, l'enthalpie et le comportement de CristallisationLa cristallisation est le processus physique de durcissement au cours de la formation et de la croissance des cristaux. Au cours de ce processus, la chaleur de cristallisation est libérée.cristallisation, ce qui affecte directement les performances du modèle.
Par conséquent, seules les mesures effectuées selon la norme Quantify définie peuvent être utilisées pour la formation.
Quantifier Liste de contrôle des mesures (obligatoire pour les données de formation)
Paramètres de la méthode
- Poids de l'échantillon : 10 ± 1 mg
- Vitesse de chauffage : 10 K/min
- Vitesse de refroidissement : 10 K/min
- Atmosphère : Azote (flux de gaz par défaut)
- Creuset : Al Concavus® avec couvercle percé
- Sensibilité et TempCal valides
- BeFlat® activé
⚠️ Ces paramètres sont fixés pour Proteus® Now Quantify. Les écarts peuvent modifier la forme des pics et réduire la fiabilité de la prédiction.
Un document détaillé sur les lignes directrices relatives aux mesures est disponible ici :
Qu'est-ce que vous y gagnez ?
Fournissez vos données et bénéficiez d'avantages tout en contribuant à faire progresser l'analyse des polymères pilotée par l'IA :
- Visibilité sur notre site web en tant que partenaire de collaboration
- Accès exclusif aux nouveaux Proteus® Now Quantify modèles et fonctionnalités
- De meilleurs résultats pour vos propres matériaux
- Opportunités de collaboration (publications, conférences)
Instituts à l'origine de l'avenir de l'analyse des polymères basée sur l'IA
Les instituts et laboratoires suivants ont déjà fourni des ensembles de données DSC normalisées afin de soutenir l'amélioration continue de la technologie DSC Proteus® Now Quantify. En partageant des données industrielles réelles, ils contribuent à renforcer la détection des contaminations, la classification des matériaux et la fiabilité des prévisions pour les flux de recyclage des polymères.
Nous remercions sincèrement tous les partenaires pour leur collaboration et pour avoir fait progresser l'analyse des matériaux guidée par les données avec NETZSCH.
Foire aux questions (FAQ)
Votre contribution
En soumettant des données d'entraînement DSC normalisées, vous contribuez à
- améliorer les algorithmes de détection de la contamination
- renforcer la classification basée sur la CristallisationLa cristallisation est le processus physique de durcissement au cours de la formation et de la croissance des cristaux. Au cours de ce processus, la chaleur de cristallisation est libérée.cristallisation
- augmenter la fiabilité de la prédiction dans les flux de produits recyclés
- rendre Quantify plus applicable aux matériaux industriels réels
Plus l'ensemble de données est représentatif et diversifié, meilleure est la performance du modèle.
Comment participer
- Suivre à la lettre la liste de contrôle des mesures Quantify (voir le document d'orientation ci-dessus)
- Assurez-vous que le matériau est un véritable composé (pas de mélanges secs)
- Anonymisez les données relatives au type de polymère si vous le souhaitez : nous n'avons besoin que des classes de matériaux, de la quantité de charge et des quantités de composition pour chaque classe (voir FAQ)
- Envoyez-nous un email pour discuter de votre contribution ou partager des données
- Nos experts Quantify vous contacteront :
