menu
Met een door Bullit ontwikkelde tool kunnen de researchers van Nouryon Specialty Chemicals in Deventer hun experimenten beheren en inzien, en wordt de resulterende meetdata automatisch gekoppeld. Op deze manier kunnen de onderzoekers efficiënter en met meer grip on hun proces werken, en zetten we een stap richting een toekomst die steeds meer wordt gedreven door data en AI.
In het Innovatie Centrum in Deventer richt Nouryon zich op innovatie en R&D. Hier werkt het bedrijf samen met partners en klanten aan de ontwikkeling en het testen van nieuwe technologieën en chemische oplossingen.
Bij Nouryon in Deventer worden tests uitgevoerd met specifieke chemische composities, bestaande uit diverse componenten en ingrediënten in bepaalde hoeveelheden, zoals mengsels van peroxides en additieven. Tijdens deze experimenten, die soms langer dan een dag duren, wordt er met speciale apparatuur zeer veel data verzameld om de eigenschappen van deze composities beter te begrijpen. Nouryon realiseert zich dat er meer waarde uit deze data te halen valt, maar de vraag is: hoe kunnen zij dit het beste aanpakken?
Samen zijn we aan de slag gegaan om het werken met experimentele data makkelijker en efficiënter te maken. We hebben de oude tool vervangen en een nieuwe koppeling gemaakt met de meetapparatuur, zodat AI nu kan worden toegepast op de meetdata. In de vernieuwde tool kunnen groepen experimenten eenvoudig worden aangemaakt en beschreven en dankzij een importfunctie kan Nouryon makkelijk extra eigenschappen toevoegen aan de experimenten. De meetdata wordt automatisch op de achtergrond aan het juiste experiment gekoppeld. Hierdoor sluit de tool goed aan op het bestaande proces, zonder dat er nog veel handmatig werk nodig is. Dit zorgt ervoor dat experimenten efficiënter verlopen, de kans op fouten kleiner is en de gegevens betrouwbaarder zijn.
Dankzij de nieuwe tool worden de researchers in Deventer niet alleen beter ondersteund bij het uitvoeren, documenteren en vergelijken van experimenten, maar leggen we ook de basis voor een data-gedreven manier van werken. De ambitie is om de verzamelde experimentele data in te zetten voor het trainen van kunstmatige intelligentie (AI). Zodra er voldoende data in het systeem staat, kunnen we hiermee aan de slag. Met behulp van AI-modellen kunnen we vooraf voorspellingen doen over de uitkomsten van nieuwe composities of suggesties geven voor ingrediënten die bijdragen aan een gewenste eigenschap. Zo maken we het de experimenten niet alleen beter en betrouwbaarder, maar ook sneller en efficiënter door AI slim in te zetten, wat tijd en middelen bespaart.
