圆形粒子及其性质易于数学描述。但形状越不圆或球形,就越难预测它们的行为。在凯瑟斯劳滕技术大学(TUK)的博士论文中,罗伯特·黑塞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,存在多种变体和形状特征。这正是为什么描述非球形粒子并根据描述优化其处理变得如此复杂的原因。例如,药片越圆,在灌装过程中与其他药片发生碰撞的可能性越小。当涉及到堆积密度时,扁平的圆柱形形状已经可以通过轻微的倒圆来优化。
但是,如何能够快速记录决定流动性和堆积密度的所有特性,从而得出形状选择的决定?先前需要的单个数学参数或模具组件的简化计算可以通过经过训练的人工智能自动导出鈥攊在这种情况下,我们称之为“深度卷积神经网络”鈥攗唱3D模型。
机械过程工程系的研究助理黑森报告说:“通过模拟,只有颗粒的形状发生变化,我创建了一个全面的实验数据集,并用它来训练神经网络。”。“使用3D打印粒子的标准化实验允许在测试阶段验证模拟方法鈥攖也就是说,要匹配模拟可以多精确地表示真实粒子。”
经过训练的神经网络现在从代表整个形状的任何三维点云中过滤出显著特征,如曲线、角点、边缘等。利用这些信息,它可以分析流动性和随机堆积密度。研究人员说:“例如,这对于优化制药产品在最小机器尺寸和包装尺寸方面的形状非常有用。”。