AI与粒子技术相结合可简化流动性和填充密度预测

圆形粒子及其性质很容易用数学来描述。但形状越不圆或球形，就越难预测它们的行为。在凯泽斯劳滕技术大学(TUK)的博士论文中，RobertHesse训练了一个神经网络来自动确定非球形颗粒的堆积密度和流动性。

自然界或工业生产中很少有颗粒是完全圆形的;相反，有许多变体和形状特征。这正是描述非球形粒子并根据描述优化它们的处理变得如此复杂的原因。例如，药片越圆，在灌装过程中被其他药片卡住的可能性就越小。在填充密度方面，扁平圆柱形已经可以通过轻微的倒圆来优化。

但是，如何快速记录所有决定流动性和填充密度的特性，以便做出形状选择的决定?以前需要对单个数学参数或模具组件进行简化计算的内容可以通过训练有素的人工智能(在本例中为所谓的“深度卷积神经网络”)使用3D模型自动推导出来。

“使用只有颗粒形状变化的模拟，我创建了一个全面的实验数据集并用它来训练神经网络，”机械过程工程系的研究助理Hesse报告说。“使用3D打印粒子的标准化实验使模拟方法能够在测试阶段得到验证——也就是说，与模拟能够准确地代表真实粒子的程度相匹配。”

经过训练的神经网络现在从代表整个形状的任何3维点云中过滤掉显着特征，例如曲线、角、边缘等。使用这些信息，它可以分析流动性和随机堆积密度。“这对于例如在最小机器尺寸和包装尺寸方面优化药品形状很有用，”研究人员说。

标签：