Neue Veröffentlichung zur sensorbasierten Partikelmassenvorhersage in „Waste Management“ erschienen

  Methodische Darstellung der 3 Schritte zur sensorbasierten Partikelmassenvorhersage Urheberrecht: © ANTS Sensorbasierte Partikelmassenvorhersage

Methoden der sensorbasierten Stoffstromcharakterisierung (SBMC) sind Gegenstand aktueller Forschung und versprechen die Optimierung zukünftiger Sortieranlagen durch neue Anwendungen wie eine automatisierte Überwachung der Produktqualitäten oder adaptive Prozesssteuerungen. Um flächen- oder volumenbasierte Sensordaten in zuverlässige Stoffstromcharakteristika mit Angaben in Massenprozent umzuwandeln, sind Informationen über einzelne Partikelmassen erforderlich.

In einer neuen Veröffentlichung des ANTS wurde hierzu ein Lösungsansatz entwickelt, der auf der Vorhersage von Partikelmassen durch Machine Learning Modelle basiert. Auf Basis eines erstellten Datensatzes, der die 3D-Formen und Massen von 3.830 Partikeln aus Leichtverpackungsabfällen abbildet, wurden verschiedene Machine Learning Modelle trainiert und die Genauigkeit ihrer Vorhersagen verglichen. Im Ergebnis zeigte sich, dass die untersuchten Machine Learning Modelle um bis zu 43% präzisere Vorhersagen (R² = 0,763) im Vergleich zum Stand der Technik (mittlere Flächengewichte; R² = 0,533) ermöglichen.

Bis zum 15.12.2021 ist ein kostenloser Zugriff auf die Veröffentlichung über Science Direct möglich.