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)
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:
