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)
Les mélanges secs ne doivent pas être soumis car ils génèrent des caractéristiques de courbe DSC différentes de celles des matériaux correctement composés.
La forme des pics, 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 et les interactions entre les phases diffèrent considérablement. L'inclusion de mélanges secs réduirait donc la précision du modèle et fausserait les résultats de la formation.
Proteus® Now Quantifyest formé spécifiquement pour analyser des systèmes de matériaux industriels réalistes, qui sont généralement composés plutôt que mélangés à sec.
Seuls des matériaux composés réels doivent être soumis pour les données d'entraînement DSC. Les échantillons appropriés comprennent des matériaux composés, mélangés par Températures et enthalpies de fusionL'enthalpie de fusion d'une substance, également connue sous le nom de chaleur latente, est une mesure de l'apport d'énergie, généralement de la chaleur, nécessaire pour convertir une substance de l'état solide à l'état liquide. Le point de fusion d'une substance est la température à laquelle elle passe de l'état solide (cristallin) à l'état liquide (fusion isotrope). fusion et homogénéisés qui représentent des systèmes de matériaux industriels réalistes.
Nous recherchons en particulier 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.
Ces matériaux permettent au modèle Quantify d'apprendre à partir de conditions de traitement et d'interactions matérielles réelles.
Types d'échantillons acceptés :
- Matériaux composés
- Échantillons mélangés à l'état fondu
- Mélanges de polymères homogénéisés
Pour développer et renforcer Quantify, nous donnons actuellement la priorité aux ensembles de données DSC normalisées provenant de systèmes polymères spécifiques que l'on trouve couramment dans les flux de matériaux industriels et de recyclage.
Nous recherchons en particulier 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.
Systèmes de polyoléfines
- PP, PEHD, PEBD et PEBDL avec contamination croisée typique
- Polyoléfines combinées avec PET, PA6, EVOH, EVA ou PUR
Systèmes à base de PET
- PET combiné avec des polyoléfines
- PET combiné avec des matériaux de barrière d'emballage
Mélanges techniques et DEEE
- ABS, HIPS, PC et PMMA en proportions variables
- PP combiné à l'ABS
- PEHD combiné avec EVOH
Systèmes pour l'industrie automobile
- Mélanges PP-EPDM
- PA6 ou PA66 combinés avec du PP
- Mélanges de PA6, PA66 et PBT
- Thermoplastiques techniques à teneur variable en fibres
Les matériaux composés réels reflètent les interactions complexes et la variabilité que l'on trouve dans les flux de recyclage industriels.
L'entraînement du modèle Quantify à l'aide de ces ensembles de données réalistes améliore
- la détection des contaminations
- 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
- la fiabilité de la prédiction dans les flux de recyclage
Plus l'ensemble de données est représentatif et diversifié, plus les performances du modèle sont fiables.
Nous ne demandons pas l'anonymat de votre entreprise. (sauf si vous le souhaitez)
Nous vous demandons seulement de généraliser les types de matériaux.
Exemple : Au lieu de "Ultramid A3K / B3K" → "PA66 / PA6"
Quelles sont les données à fournir ?
Veuillez indiquer :
- Classes de polymères (par exemple, PP, PE, PET)
- Composition en % en poids
- Type et teneur de la charge
Quel est un format de données valide ?
Exemple :
| ID de l'échantillon / nom du fichier | PP-C [% en poids] | PP-H [% en poids] | LDPE [% en poids] | LLDPE [% en poids] | HDPE [% en poids] | PET [% en poids] | Type de charge | charge [% en poids] |
| Échantillon 123 | 20 | 80 | ||||||
| Échantillon 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Échantillon 789 | 80 | talc | 20 |
Téléchargez le modèle ici :
Veuillez nous envoyer vos données ainsi que votre fichier Excel sur la composition des matériaux. Vous trouverez un exemple ici :
| ID de l'échantillon / nom du fichier | PP-C [% en poids] | PP-H [% en poids] | LDPE [% en poids] | LLDPE [% en poids] | HDPE [% en poids] | PET [% en poids] | Type de charge | charge [% en poids] |
| Échantillon 123 | 20 | 80 | ||||||
| Échantillon 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Échantillon 789 | 80 | talc | 20 |
Télécharger le modèle :
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 :
