Ronde deeltjes en hun eigenschappen zijn wiskundig eenvoudig te beschrijven. Maar hoe minder rond of bolvormig de vorm, hoe moeilijker het wordt om voorspellingen te doen over hun gedrag. In zijn proefschrift aan de Technische Universiteit van Kaiserslautern (TUK) heeft Robert Hesse een neuraal netwerk getraind om automatisch de pakkingsdichtheid en stroombaarheid van niet-bolvormige deeltjes te bepalen.

Weinig deeltjes in de natuur of bij industriële productie zijn precies rond; in plaats daarvan is er een veelvoud aan varianten en vormkenmerken. Dit is precies wat het zo ingewikkeld maakt om niet-sferische deeltjes te beschrijven en hun behandeling te optimaliseren op basis van de beschrijving. Hoe ronder een tablet bijvoorbeeld is, hoe kleiner de kans dat hij tijdens het vulproces aan andere tabletten blijft haken. Een platte cilindrische vorm kan al worden geoptimaliseerd door een lichte afronding als het gaat om pakkingsdichtheid.

Maar hoe kunnen alle eigenschappen die de vloeibaarheid en pakkingsdichtheid bepalen snel worden vastgelegd om beslissingen te nemen over de keuze van een vorm? Wat voorheen vereenvoudigde berekeningen van individuele wiskundige parameters of matrijscomponenten vereiste, kan automatisch worden afgeleid door een getrainde kunstmatige intelligentie - in dit geval een zogenaamd "Deep Convolutional Neural Network" - met behulp van een 3D-model.

"Met behulp van simulaties waarin alleen de vorm van de deeltjes varieerde, heb ik een uitgebreide experimentele dataset gemaakt en deze gebruikt om het neurale netwerk te trainen", meldt Hesse, een onderzoeksmedewerker bij de afdeling Mechanical Process Engineering. "Door gestandaardiseerde experimenten met 3D-geprinte deeltjes kon de simulatiemethodologie worden gevalideerd in de testfase, dat wil zeggen, om te matchen met hoe nauwkeurig de simulatie echte deeltjes kan weergeven."

Het getrainde neurale netwerk filtert nu opvallende kenmerken zoals krommen, hoeken, randen, enz. uit elke driedimensionale puntenwolk die de hele vorm vertegenwoordigt. Met behulp van deze informatie kan het de stroombaarheid en willekeurige pakkingsdichtheid analyseren. "Dit is bijvoorbeeld handig om de vorm van farmaceutische producten te optimaliseren in termen van minimale machineafmetingen en verpakkingsgroottes", zegt de onderzoeker. + Verder verkennen

Beheersing van het betonproductieproces verhoogt de sterkte met 30%