Partículas redondas e suas propriedades são fáceis de descrever matematicamente. Mas quanto menos redonda ou esférica a forma, mais difícil se torna fazer previsões sobre seu comportamento. Em sua tese de doutorado na Universidade Técnica de Kaiserslautern (TUK), Robert Hesse treinou uma rede neural para determinar automaticamente a densidade de empacotamento e a fluidez de partículas não esféricas.
Poucas partículas na natureza ou na produção industrial são exatamente redondas; em vez disso, há uma infinidade de variantes e características de forma. É exatamente isso que torna tão complicado descrever partículas não esféricas e otimizar seu manuseio com base na descrição. Por exemplo, quanto mais redondo for um comprimido, menor a probabilidade de se prender em outros comprimidos no processo de enchimento. Uma forma cilíndrica plana já pode ser otimizada por um leve arredondamento quando se trata de densidade de empacotamento.

Mas como todas as propriedades que determinam a fluidez e a densidade de empacotamento podem ser registradas rapidamente para tomar decisões sobre a escolha de uma forma? O que anteriormente exigia cálculos simplificados de parâmetros matemáticos individuais ou componentes do molde pode ser derivado automaticamente por uma inteligência artificial treinada - neste caso, a chamada "Rede Neural Convolucional Profunda" - usando um modelo 3D.

"Usando simulações nas quais apenas a forma das partículas variava, criei um conjunto de dados experimental abrangente e usei-o para treinar a rede neural", relata Hesse, pesquisador associado do Departamento de Engenharia de Processos Mecânicos. "Experimentos padronizados com partículas impressas em 3D permitiram que a metodologia de simulação fosse validada na fase de teste - ou seja, para corresponder com a precisão com que a simulação pode representar partículas reais".

A rede neural treinada agora filtra recursos salientes, como curvas, cantos, arestas, etc. de qualquer nuvem de pontos tridimensional que represente a forma inteira. Usando essas informações, ele pode analisar a fluidez e a densidade aleatória de empacotamento. "Isso é útil, por exemplo, para otimizar a forma de produtos farmacêuticos em termos de dimensões mínimas de máquinas e tamanhos de embalagens", diz o pesquisador. + Explorar mais

Controlar o processo de fabricação do concreto aumenta a resistência em 30%