L’IA rencontre la technologie des particules pour simplifier les prédictions de fluidité et de densité de garnissage

Les particules rondes et leurs propriétés sont faciles à décrire mathématiquement. Mais moins la forme est ronde ou sphérique, plus il devient difficile de faire des prédictions sur leur comportement. Dans sa thèse de doctorat à l’Université technique de Kaiserslautern (TUK), Robert Hesse a formé un réseau de neurones pour déterminer automatiquement la densité de tassement et la fluidité des particules non sphériques.

Peu de particules dans la nature ou dans la production industrielle sont exactement rondes ; au lieu de cela, il existe une multitude de variantes et de caractéristiques de forme. C’est exactement ce qui rend si compliqué la description des particules non sphériques et l’optimisation de leur manipulation en fonction de la description. Par exemple, plus un comprimé est rond, moins il est susceptible de s’accrocher à d’autres comprimés lors du processus de remplissage. Une forme cylindrique plate peut déjà être optimisée par un léger arrondi en ce qui concerne la densité de tassement.

Mais comment enregistrer rapidement toutes les propriétés qui déterminent la fluidité et la compacité pour en déduire des décisions sur le choix d’une forme ? Ce qui nécessitait auparavant des calculs simplifiés de paramètres mathématiques individuels ou de composants de moules peut être dérivé automatiquement par une intelligence artificielle entraînée – dans ce cas, un « réseau de neurones à convolution profonde » – à l’aide d’un modèle 3D.

« À l’aide de simulations dans lesquelles seule la forme des particules variait, j’ai créé un ensemble de données expérimentales complet et je l’ai utilisé pour former le réseau de neurones », rapporte Hesse, chercheur associé au Département de génie des procédés mécaniques. « Des expériences standardisées avec des particules imprimées en 3D ont permis de valider la méthodologie de simulation dans la phase de test, c’est-à-dire de faire correspondre la précision avec laquelle la simulation peut représenter des particules réelles. »

Le réseau de neurones formé filtre désormais les caractéristiques saillantes telles que les courbes, les coins, les bords, etc. de tout nuage de points tridimensionnel représentant la forme entière. À l’aide de ces informations, il peut analyser la fluidité et la densité de tassement aléatoire. « C’est utile, par exemple, pour optimiser la forme des produits pharmaceutiques en termes de dimensions minimales de machine et de tailles d’emballage », explique le chercheur.

Fourni par Technische Universität Kaiserslautern