
Help voorspellende modellen voor Recyclaten te verbeteren
Draag trainingsgegevens bij aan Proteus® Nu kwantificeren
Recyclingstromen zijn inherent complex.
Ze bestaan uit een grote verscheidenheid aan polymeren, additieven en onbekende verontreinigingen die vaak aanzienlijk verschillen van partij tot partij. Deze complexiteit vormt een grote uitdaging voor de polymeerrecyclingindustrie en maakt betrouwbare materiaalidentificatie en verontreinigingsdetectie moeilijk.
Om deze uitdaging aan te gaan, Proteus® Now Quantify ontwikkeld om de detectie van verontreinigingen en de classificatie van materialen voor gerecyclede polymeren te verbeteren. Het uitbreiden en verfijnen van de onderliggende materialendatabase is de sleutel tot het bereiken van dit doel.
Om betrouwbare modellen voor machinaal leren te bouwen, hebben we gestandaardiseerde NETZSCH DSC-trainingsgegevens van hoge kwaliteit nodig van echte industriële samenstellingen. We zijn specifiek op zoek naar samengestelde materialen op basis van nieuwe polymeren die typische vervuilingsscenario's in recyclagestromen realistisch weergeven. Dit stelt ons in staat om gecontroleerde, goed gedefinieerde datasets te creëren voor robuuste modeltraining.
Uw bijdrage zal de nauwkeurigheid, robuustheid en industriële toepasbaarheid van voorspellingen helpen vergroten, waardoor de evaluatie van recyclaten in de polymeerindustrie wordt verbeterd. Droge mengsels en echte recyclaten zijn niet geschikt.
Help ons Proteus® Now Quantify nog krachtiger te maken en profiteer direct van betere analyseresultaten. Door gestandaardiseerde NETZSCH DSC-trainingsgegevens te delen, helpt u de AI-modellen nauwkeuriger en robuuster te maken en beter geschikt voor echte industriële recyclaten. Hoe diverser de dataset, hoe nauwkeuriger en waardevoller het model wordt voor iedereen.


Waarom standaardisatie belangrijk is
Modellen voor machinaal leren zijn slechts zo goed als de gegevens waarop ze zijn getraind. Voor Kwantificeer betrouwbare voorspellingen levert, moet aan de volgende voorwaarden worden voldaan:
- De meetomstandigheden moeten identiek zijn
- Het temperatuurverloop moet vergelijkbaar zijn
- De krommevormen moeten het werkelijke gedrag van de verbinding weerspiegelen
Zelfs small afwijkingen in DSC-parameters beïnvloeden de piekvorm, enthalpie en kristallisatiegedrag, wat een directe invloed heeft op de prestaties van het model.
Daarom kunnen alleen metingen die zijn uitgevoerd onder de gedefinieerde Quantify-standaard worden gebruikt voor training.
Kwantificeer Checklist metingen (verplicht voor trainingsgegevens)
Methode Parameters
- Gewicht monster: 10 ± 1 mg
- Verwarmingssnelheid: 10 K/min
- Koelsnelheid: 10 K/min
- Atmosfeer: Stikstof (standaard gasstromen)
- Kroes: Al Concavus® met doorboord deksel
- Gevoeligheid en TempCal geldig
- BeFlat® geactiveerd
⚠️ Deze parameters liggen vast voor Proteus® Now Quantify. Afwijkingen kunnen de piekvormen veranderen en de betrouwbaarheid van de voorspelling verminderen.
Een gedetailleerd document met meetrichtlijnen is hier beschikbaar:

Wat zit er voor jou in?
Draag uw gegevens bij en profiteer van de voordelen die AI-gestuurde polymeeranalyses opleveren:
- Zichtbaarheid op onze website als samenwerkingspartner
- Exclusieve toegang tot nieuwe Proteus® Now Quantify modellen & functies
- Betere resultaten voor uw eigen materialen
- Mogelijkheden tot samenwerking (publicaties, conferenties)
Instituten die de toekomst van AI-gebaseerde polymeeranalyse bepalen
De volgende instituten en laboratoria hebben al gestandaardiseerde DSC-datasets bijgedragen ter ondersteuning van de voortdurende verbetering van Proteus® Now Quantify. Door echte industriële gegevens te delen, helpen ze de detectie van verontreinigingen, materiaalclassificatie en betrouwbare voorspellingen voor polymeerrecyclingstromen te verbeteren.
Wij danken alle partners hartelijk voor hun samenwerking en voor het bevorderen van datagestuurde materiaalanalyse samen met NETZSCH.
Veelgestelde vragen (FAQ)
Droge mengsels mogen niet worden ingediend omdat ze andere DSC-curvekenmerken genereren dan correct samengestelde materialen.
Piekvormen, kristallisatiegedrag en fase-interacties verschillen aanzienlijk. Het opnemen van droge mengsels zou daarom de nauwkeurigheid van het model verminderen en de trainingsresultaten vervormen.
Proteus® Now Quantifyis specifiek getraind om realistische industriële materiaalsystemen te analyseren, die meestal eerder samengesteld zijn dan droog gemengd.
Alleen echte samengestelde materialen mogen worden ingediend voor DSC-trainingsgegevens. Geschikte monsters zijn onder andere samengestelde, gesmolten en gehomogeniseerde materialen die realistische industriële materiaalsystemen vertegenwoordigen.
We zijn specifiek op zoek naar samengestelde materialen op basis van nieuwe polymeren die typische verontreinigingsscenario's in recyclagestromen realistisch weergeven.
Met deze materialen kan het Quantify-model leren van echte verwerkingsomstandigheden en materiaalinteracties.
Geaccepteerde monstertypes:
- Samengestelde materialen
- Gesmolten monsters
- Gehomogeniseerde polymeermengsels
Om Quantify uit te breiden en te versterken, zijn we momenteel op zoek naar gestandaardiseerde DSC-datasets van specifieke polymeersystemen die vaak voorkomen in recycling- en industriële materiaalstromen.
We zijn specifiek op zoek naar samengestelde materialen op basis van nieuwe polymeren die een realistisch beeld geven van typische verontreinigingsscenario's in recyclingstromen.
Polyolefinesystemen
- PP, HDPE, LDPE en LLDPE met typische kruisverontreiniging
- Polyolefinen gecombineerd met PET, PA6, EVOH, EVA of PUR
Op PET gebaseerde systemen
- PET gecombineerd met polyolefinen
- PET gecombineerd met barrièrematerialen voor verpakking
Technische en AEEA-mengsels
- ABS, HIPS, PC en PMMA in variabele verhoudingen
- PP gecombineerd met ABS
- HDPE gecombineerd met EVOH
Automotive-relevante systemen
- PP-EPDM mengsels
- PA6 of PA66 gecombineerd met PP
- Mengsels van PA6, PA66 en PBT
- Technische thermoplasten met variabele vezelinhoud
Echte samengestelde materialen weerspiegelen de complexe interacties en variabiliteit in industriële recyclingstromen.
Het trainen van het Quantify-model met deze realistische datasets verbetert
- de detectie van verontreinigingen
- classificatie op basis van KristallisatieKristallisatie is het fysieke proces van verharding tijdens de vorming en groei van kristallen. Tijdens dit proces komt kristallisatiewarmte vrij.kristallisatie
- betrouwbare voorspelling over recyclagestromen heen
Hoe representatiever en diverser de dataset, hoe betrouwbaarder de prestaties van het model worden.
We hoeven je bedrijf niet te anonimiseren. (tenzij dit uw wens is)
We vragen je alleen om materiaalsoorten te veralgemenen.
Voorbeeld: In plaats van "Ultramid A3K / B3K" → "PA66 / PA6"
Welke gegevens moet u opgeven?
Graag opgeven:
- Polymeerklassen (bijv. PP, PE, PET)
- Samenstelling in wt%
- Type en gehalte vulstof
Wat is een geldig gegevensformaat?
Voorbeeld:
| Monster-ID / bestandsnaam | PP-C [wt%] | PP-H [wt%] | LDPE [wt%] | LLDPE [wt%] | HDPE [wt%] | PET [wt%] | Type vulstof | vulstof [wt%] |
| Monster 123 | 20 | 80 | ||||||
| Monster 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Steekproef 789 | 80 | talk | 20 |
Download de sjabloon hier:
Stuur ons uw gegevens en uw excel-bestand met materiaalsamenstelling. Hier vindt u een voorbeeld:
| Monster ID / bestandsnaam | PP-C [wt%] | PP-H [wt%] | LDPE [wt%] | LLDPE [wt%] | HDPE [wt%] | PET [wt%] | Type vulstof | vulstof [wt%] |
| Monster 123 | 20 | 80 | ||||||
| Monster 456 | 5 | 20 | 5 | 5 | 60 | 5 | ||
| Steekproef 789 | 80 | talk | 20 |
Download de sjabloon:
Uw bijdrage

Door gestandaardiseerde DSC-trainingsgegevens in te sturen, helpt u:
- verontreinigingsdetectiealgoritmen te verbeteren
- de classificatie op basis van KristallisatieKristallisatie is het fysieke proces van verharding tijdens de vorming en groei van kristallen. Tijdens dit proces komt kristallisatiewarmte vrij.kristallisatie te versterken
- de betrouwbaarheid van voorspellingen over recyclagestromen te verhogen
- quantify beter toepasbaar te maken op echte industriële materialen
Hoe representatiever en diverser de dataset, hoe beter de modelprestaties.
Hoe deel te nemen

- Volg de meetchecklist van Quantify ( zie bovenstaand document met richtlijnen) nauwkeurig op
- Zorg ervoor dat het materiaal een echte samenstelling is (geen droge mengsels)
- Anonimiseer de gegevens van het polymeertype als u dat wilt: we hebben alleen materiaalklassen, vulstofhoeveelheid en samenstellingshoeveelheden voor elke klasse nodig (zie FAQ)
- Stuur ons een e-mail om uw bijdrage te bespreken of gegevens te delen
- Onze Quantify-experts zullen contact met je opnemen:





