Tabla de contenido
Publicidad
Manual: sIRoPAD
8
La base de datos
8.1
La estructura de los modelos de red neuronales
La identificación del tipo de plástico en nuestra base de datos es el resultado de un modelo matemático llamado
modelo de red neuronal. En este proceso de tratamiento de información se trata, simplificado, de un
reconocimiento de patrones
diferentes se categorizan en un solo grupo principal y varios subgrupos.
La margen de medición completa del sensor está dividida en 16 sectores, también llamados píxel. Con el modelo
de red neuronal todos los datos primarios del sensor NIR se convierten de tal forma, que cada grupo de
termoplásticos forma una curva von forma de U o siusoidal, y sólamente puede tener un mínimo en la línea de
cero. Esta es la posición del así llamado min-píxel, que puede variar de 1 a 16. Esto es, además de la forma de
la curva, muy importante para la identificación del tipo de plástico. El programa informático lo examina y lo evalua
El sIRoPAD se ha desarrollado como aparato para mayores cantidades de granulados y flakes,
específicamente para la identificación de la pureza de flakes PET, pero también lo puede emplear para
otras mezclas de plásticos.
También puede efectuar la medición singular de partículas, que se colocan debajo de la sonda de
medición.
Por ésta razón, algunos de los modelos de identificación del sIRoPAD son diferentes a los de los otros
espectrómetros de la serie IoSys. Los modelos Standard, Gray Type, Clear Type y Foil corresponden con los
modelos en los otros aparatos; los modelos All y HPP son diferentes.
8.1.1 El modelo HPP (Household and Packaging Plastics / High Purity PET)
Este modelo de identificación incluye plásticos de color natural, coloridos, grises, claros y transparentes, que
existen como materiales sólidos, triturados, granulados o parecidos a láminas y como mezclas (blend).
Además se ha optimizado este modelo con elfin de detectar impurezas como láminas adherentes o pegamentos
y también otros materias extrañas polímeras en flakes PET. Quiere decir para facilitar la identificación de flakes
PET limpios (High Purity PET), si como contaminación pueden ocurrir plásticos típicos del ámbito doméstico y
del sector de embalaje (Household and Packaging Plastics).
Para la identificación de material PET (muy) puro se indican las contaminaciones agrupadas más ampliamente
(de esta manera el listado en la tabla es más claro), con el fin de registrar y calcular mejor las diferencias
espectrales finísimas. O sea para identificar las impurezas más pequeñas, se agrupan los espectros NIR de
muchos plásticos, que proceden como impurezas típicas del ámbito doméstico y del sector de embalaje y que
por eso puedan tener influencia espectral en un material PET limpio/puro.
2
La limitación del un algoritmo de red neuronal es que una vez finalizado no se puedan calibrar otros tipos de plásticos por el mismo usuario.
El modelo solamente es capaz de identificar los grupos principales y los subgrupos calibrados. Las modificaciones se deben relalizar por el
productor.
- 27 -
2
capacitado anteriormente. Para la diferenciación más precisa, los tipos de plásticos
Copyright: GUT
En el caso de que no se
sobrepasen los valores
límites fjados de la
comparación entre la
medición actual y los
espectros de la base de
datos (vale: primer
puesto menos de 70%,
segundo puesto más de
30 %), esto indica que la
red neuronal no pudo
identificar la muestra
fiablemente. Una
identificación no posible
se indica con el mensaje
(---) („no resultado").
Publicidad
Tabla de contenido
