Table des Matières
Publicité
Manuel : sIRoPAD
8
La base de données
8.1
Structure des modèles de réseaux neuraux
L'identification des types de plastique de la base de données est le résultat d'un modèle mathématique, soit un
modèle de réseau neural. Ce processus de traitement des informations est plus simplement une reconnaissance
des modèles déjà instruits
groupe principal et plusieurs sous-groupes.
Le champ de mesure total du capteur est divisé en 16 secteurs appelés pixels. Toutes les données brutes du
capteur NIR via le modèle de réseau neural sont convertis de sorte que chaque groupe thermoplastique forme
une courbe en U ou sinusoïdale et puisse avoir un seul minimum sur la ligne du zéro. Il s'agit de la position du
pixel minimum, pouvant varier de 1 à 16. Ceci également, outre la forme des courbes pour les types de
reconnaissance des plastiques, est très important et sera examiné et évalué par le programme de calcul.
sIRoPAD a été développé comme un dispositif pour grandes quantités de granulés et de flocons,
essentiellement pour la reconnaissance de la pureté des flocons de PET, mais peut également être utilisé
pour d'autres mélanges de matières plastiques.
Il est également possible de procéder à des mesures de particules susceptibles de se déplacer sous la
tête de mesure.
Pour cette raison, les modèles de reconnaissance de sIRoPAD diffèrent en partie de ceux des autres
spectromètres de la gamme IoSys. Les modèles Standard, Gray Type, Clear Type et Foil correspondent aux
modèles sur d'autres dispositifs, les modèles All et HPP sont différents.
8.1.1
Modèle HPP (Household and Packaging Plastics / High Purity PET)
Ce modèle de reconnaissance comprend tous les plastiques de couleur naturelle, colorés, gris, clairs,
transparents, se présentant aussi bien sous forme solide, déchiquetée, granulée et de pellicule, mais également
sous forme de mélanges.
De plus, ce modèle a été optimisé pour détecter les contaminants tels que les films adhésifs, les matériaux
adhésifs et autres petits corps étrangers polymériques dans les flocons de PET, afin de permettre la
reconnaissance des flocons de PET nettoyés (High Purity PET) lorsque les matières plastiques typiques d'origine
domestique ou obtenues à partir du secteur de l'emballage (Household and Packaging Plastics) peuvent
présenter des contaminations.
Pour la reconnaissance des matières en PED (hautement) pur, les contaminations sont indiquées sous forme de
groupements approximatifs (pour rendre la liste plus claire dans le tableau), afin qu'il soit possible de mieux
collecter et calculer les différences spectrales les plus petites. Cela signifie que pour détecter les contaminations
les plus petites, il est procédé au regroupement des spectres NIR de nombreux plastiques reconductibles à une
contamination type de l'environnement domestique et du secteur de l'emballage, qui pourrait donc avoir une
2
La limite d'un algorithme de réseau neural est que, après son achèvement, l'utilisateur ne pourra pas calibrer d'autres types de plastique de
façon autonome. Le modèle est capable de reconnaître uniquement le groupe principal et les sous-groupes calibrés. Les modifications doivent
être effectuées par le fabricant.
- 30 -
2
. Pour la définition précise, les différents types de plastique sont classés dans un
Copyright : GUT
Si les limites spécifiées de
comparaison
entre
mesure courante et les
spectres de la base de
données ne sont pas
dépassées (à savoir : 1
place moins de70%, 2
place plus de 30%), alors
ceci
indique
que
réseau neural n'a pas été
en
mesure
d'identifier
l'échantillon de manière
fiable.
L'absence
d'identification est indiquée
par le message (---) («
aucun résultat »).
la
ère
ème
le
Publicité
Table des Matières
