Ajude a aprimorar os modelos preditivos para reciclados
Contribua com dados de treinamento para Proteus® Agora Quantifique
Os fluxos de reciclagem são inerentemente complexos.
Eles consistem em uma ampla variedade de polímeros, aditivos e contaminantes desconhecidos que, muitas vezes, variam significativamente de lote para lote. Essa complexidade representa um desafio significativo para o setor de reciclagem de polímeros, dificultando a identificação confiável de materiais e a detecção de contaminação.
Para enfrentar esse desafio, Proteus® Now Quantify está sendo desenvolvido para melhorar a detecção de contaminações e a classificação de materiais para polímeros reciclados. Expandir e refinar o banco de dados de materiais subjacentes é fundamental para atingir esse objetivo.
Para criar modelos de aprendizado de máquina confiáveis, precisamos de dados de treinamento de alta qualidade e padronizados de NETZSCH DSC de compostos industriais reais. Estamos procurando especificamente materiais compostos baseados em polímeros virgens que representem realisticamente cenários típicos de contaminação encontrados em fluxos de reciclagem. Isso nos permite criar conjuntos de dados controlados e bem definidos para treinamento robusto de modelos.
Sua contribuição ajudará a aumentar a precisão, a robustez e a aplicabilidade industrial das previsões, apoiando assim a avaliação aprimorada de reciclados no setor de polímeros. Misturas secas e reciclados reais não são adequados.
“Ajude-nos a tornar o Proteus® Now Quantify ainda mais avançado e se beneficie diretamente dos resultados aprimorados da análise. Ao compartilhar dados de treinamento padronizados do NETZSCH DSC, você ajuda a tornar os modelos de IA mais precisos, robustos e mais adequados para reciclados industriais reais. Quanto mais diversificado for o conjunto de dados, mais preciso e valioso será o modelo para todos.”
Por que a padronização é importante
Os modelos de aprendizado de máquina são tão bons quanto os dados em que são treinados. Para Quantify forneça previsões confiáveis, as seguintes condições devem ser atendidas:
- As condições de medição devem ser idênticas
- Os históricos térmicos devem ser comparáveis
- As formas das curvas devem refletir o verdadeiro comportamento do composto
Até mesmo small desvios nos parâmetros de DSC influenciam a forma do pico, a entalpia e o comportamento de CristalizaçãoA cristalização é o processo físico de endurecimento durante a formação e o crescimento de cristais. Durante esse processo, o calor da cristalização é liberado.cristalização, o que afeta diretamente o desempenho do modelo.
Portanto, somente as medições conduzidas de acordo com o padrão Quantify definido podem ser usadas para treinamento.
Quantificar Lista de verificação de medição (obrigatória para dados de treinamento)
Parâmetros do método
- Peso da amostra: 10 ± 1 mg
- Taxa de aquecimento: 10 K/min
- Taxa de resfriamento: 10 K/min
- Atmosfera: Nitrogênio (fluxos de gás padrão)
- Cadinho: Al Concavus® com tampa perfurada
- Sensibilidade e TempCal válidos
- BeFlat® ativado
⚠️ Esses parâmetros são fixos para Proteus® Now Quantify. Os desvios podem alterar as formas dos picos e reduzir a confiabilidade da previsão.
Um documento detalhado de diretrizes de medição está disponível aqui:
O que você ganha com isso?
Contribua com seus dados e obtenha benefícios enquanto ajuda a promover a análise de polímeros orientada por IA:
- Visibilidade em nosso site como um parceiro de colaboração
- Acesso exclusivo a novos Proteus® Now Quantify modelos e recursos
- Melhores resultados para seus próprios materiais
- Oportunidades de colaboração (publicações, conferências)
Institutos que impulsionam o futuro da análise de polímeros baseada em IA
Os institutos e laboratórios a seguir já contribuíram com conjuntos de dados DSC padronizados para apoiar o aprimoramento contínuo de Proteus® Now Quantify. Ao compartilhar dados industriais reais, eles ajudam a fortalecer a detecção de contaminações, a classificação de materiais e a previsão confiável para fluxos de reciclagem de polímeros.
Agradecemos sinceramente a todos os parceiros por sua colaboração e pelo avanço da análise de materiais orientada por dados em conjunto com NETZSCH.
Perguntas frequentes (FAQ)
Sua contribuição
Ao enviar dados de treinamento de DSC padronizados, você ajuda a:
- melhorar os algoritmos de detecção de contaminação
- fortalecer a classificação baseada em CristalizaçãoA cristalização é o processo físico de endurecimento durante a formação e o crescimento de cristais. Durante esse processo, o calor da cristalização é liberado.cristalização
- aumentar a previsão confiável em todos os fluxos de reciclados
- tornar o Quantify mais aplicável a materiais industriais reais
Quanto mais representativo e diversificado for o conjunto de dados, melhor será o desempenho do modelo.
Como participar
- Siga exatamente a lista de verificação de medição Quantify (consulte o documento de diretrizes acima)
- Certifique-se de que o material seja um composto real (sem misturas secas)
- Torne anônimos os dados do tipo de polímero, se desejar: precisamos apenas de classes de materiais, quantidade de carga e quantidades de composição para cada classe (consulte as Perguntas frequentes)
- Envie-nos um e-mail para discutir sua contribuição ou compartilhar dados
- Nossos especialistas em Quantify entrarão em contato com você:
