Robert Hesse viser de 3D-printede ikke-sfæriske partikler, han brugte til at validere simuleringsmodellerne i projektet. Kredit:TUK, Koziel
Runde partikler og deres egenskaber er nemme at beskrive matematisk. Men jo mindre rund eller sfærisk formen er, jo sværere bliver det at forudsige deres adfærd. I sin doktorafhandling ved det tekniske universitet i Kaiserslautern (TUK) har Robert Hesse trænet et neuralt netværk til automatisk at bestemme pakningstætheden og flydeevnen af ikke-sfæriske partikler.
Få partikler i naturen eller i industriel produktion er nøjagtigt runde; i stedet er der et væld af varianter og formkarakteristika. Det er netop det, der gør det så kompliceret at beskrive ikke-sfæriske partikler og optimere deres håndtering ud fra beskrivelsen. For eksempel, jo rundere en tablet er, jo mindre sandsynlig er det, at den hænger fast på andre tabletter i påfyldningsprocessen. En flad cylindrisk form kan allerede optimeres ved let afrunding, når det kommer til pakningstæthed.
Men hvordan kan alle de egenskaber, der bestemmer flydeevne og pakningstæthed, hurtigt registreres for at udlede beslutninger om valget af en form? Det, der tidligere krævede forenklede beregninger af individuelle matematiske parametre eller formkomponenter, kan udledes automatisk af en trænet kunstig intelligens – i dette tilfælde et såkaldt "Deep Convolutional Neural Network" – ved hjælp af en 3D-model.
"Ved at bruge simuleringer, hvor kun formen af partiklerne varierede, skabte jeg et omfattende eksperimentelt datasæt og brugte det til at træne det neurale netværk," rapporterer Hesse, en forskningsmedarbejder ved Institut for Mekanisk Procesteknik. "Standardiserede eksperimenter med 3D-printede partikler gjorde det muligt at validere simuleringsmetoden i testfasen - det vil sige at matche, hvor nøjagtigt simuleringen kan repræsentere rigtige partikler."
Det trænede neurale netværk bortfiltrerer nu fremtrædende træk såsom kurver, hjørner, kanter osv. fra enhver tredimensionel punktsky, der repræsenterer hele formen. Ved hjælp af denne information kan den analysere flydeevne og tilfældig pakningstæthed. "Dette er f.eks. nyttigt til at optimere formen på farmaceutiske produkter med hensyn til mindste maskindimensioner og pakkestørrelser," siger forskeren. + Udforsk yderligere