Hjälp till att förbättra prediktiva modeller för återvunna material
Bidra med utbildningsdata till Proteus® Kvantifiera nu
Återvinningsströmmar är till sin natur komplexa.
De består av en mängd olika polymerer, tillsatser och okända föroreningar som ofta varierar avsevärt från batch till batch. Denna komplexitet utgör en stor utmaning för polymeråtervinningsindustrin, eftersom det är svårt att identifiera material och upptäcka föroreningar på ett tillförlitligt sätt.
För att ta itu med denna utmaning, Proteus® Now Quantify utvecklas för att förbättra upptäckten av föroreningar och klassificeringen av material för återvunna polymerer. Att utöka och förfina den underliggande materialdatabasen är nyckeln till att uppnå detta mål.
För att bygga tillförlitliga maskininlärningsmodeller behöver vi högkvalitativa, standardiserade NETZSCH DSC-träningsdata från verkliga industriella föreningar. Vi letar specifikt efter sammansatta material baserade på jungfruliga polymerer som på ett realistiskt sätt representerar typiska föroreningsscenarier som finns i återvinningsströmmar. Detta gör det möjligt för oss att skapa kontrollerade, väldefinierade dataset för robust modellträning.
Ditt bidrag kommer att bidra till att öka förutsägelsernas noggrannhet, robusthet och industriella tillämpbarhet och därmed stödja förbättrad utvärdering av återvinningsmaterial i polymerindustrin. Torra blandningar och faktiska återvinningsmaterial är inte lämpliga.
“Hjälp oss att göra Proteus® Now Quantify ännu mer kraftfullt och dra direkt nytta av förbättrade analysresultat. Genom att dela standardiserade träningsdata från NETZSCH DSC hjälper du till att göra AI-modellerna mer exakta, robusta och bättre lämpade för verkliga industriella återvinningsmaterial. Ju mer varierad datauppsättningen är, desto mer exakt och värdefull blir modellen för alla.”
Varför standardisering är viktigt
Maskininlärningsmodeller är bara så bra som de data de tränas på. För Kvantifiera ska kunna leverera tillförlitliga förutsägelser måste följande villkor uppfyllas:
- Mätförhållandena måste vara identiska
- Termisk historik måste vara jämförbar
- Kurvformerna måste återspegla föreningens verkliga beteende
Även small avvikelser i DSC-parametrar påverkar toppens form, entalpi och kristallisationsbeteende, vilket direkt påverkar modellens prestanda.
Därför kan endast mätningar som utförs enligt den definierade Quantify-standarden användas för utbildning.
Kvantifiera Checklista för mätning (Obligatorisk för utbildningsdata)
Parametrar för metoden
- Provets vikt: 10 ± 1 mg
- Uppvärmningshastighet: 10 K/min
- Kylningshastighet: 10 K/min
- Atmosfär: Kväve (standard gasflöden)
- Smältdegel: Al Concavus® med genomborrat lock
- Känslighet och TempCal giltiga
- BeFlat® aktiverad
⚠️ Dessa parametrar är fasta för Proteus® Now Quantify. Avvikelser kan ändra topparnas form och minska tillförlitligheten i prognoserna.
Ett detaljerat dokument med riktlinjer för mätning finns tillgängligt här:
Vad tjänar du på det?
Bidra med dina data och få fördelar samtidigt som du hjälper till att främja AI-driven polymeranalys:
- Synlighet på vår webbplats som samarbetspartner
- Exklusiv tillgång till nya Proteus® Now Quantify modeller och funktioner
- Bättre resultat för dina egna material
- Samarbetsmöjligheter (publikationer, konferenser)
Institut som driver framtiden för AI-baserad polymeranalys
Följande institut och laboratorier har redan bidragit med standardiserade DSC-dataset för att stödja den kontinuerliga förbättringen av Proteus® Now Quantify. Genom att dela med sig av verkliga industridata bidrar de till att stärka upptäckten av föroreningar, materialklassificering och tillförlitliga förutsägelser för återvinningsströmmar av polymerer.
Vi vill uppriktigt tacka alla partners för deras samarbete och för att de tillsammans med NETZSCH främjar datadriven materialanalys.
Vanliga frågor och svar (FAQ)
Ditt bidrag
Genom att skicka in standardiserade DSC-träningsdata hjälper du till:
- förbättra algoritmerna för kontamineringsdetektering
- stärka kristallisationsbaserad klassificering
- öka tillförlitliga förutsägelser över återvinningsströmmar
- göra Quantify mer tillämpbart på verkliga industriella material
Ju mer representativ och mångsidig datauppsättningen är, desto bättre blir modellens prestanda.
Hur man deltar
- Följ checklistan för Quantify-mätning (se riktlinjedokumentet ovan) exakt
- Se till att materialet är en riktig förening (inga torrblandningar)
- Anonymisera polymertypdata om du vill: vi behöver bara materialklasser, fyllnadsmängd och sammansättningsmängder för varje klass (se FAQ)
- Skicka ett e-postmeddelande till oss för att diskutera ditt bidrag eller dela data
- Våra Quantify-experter kommer att kontakta dig:
