با NeuralDEM، انقلابی در شبیه‌سازی‌های ذرات در مقیاس بزرگ را تجربه کنید. این چارچوب یادگیری عمیق، روش‌های سنتی را کنار گذاشته و شبیه‌سازی ذرات را با سرعت و دقت بی‌سابقه‌ای برای کاربردهای صنعتی ممکن می‌سازد. NeuralDEM شبیه‌سازی‌های بی‌درنگ از سیستم‌های پیچیده را به ارمغان می‌آورد.
شبیه‌سازی رفتار سیستم‌های ذره‌ای، مجموعه‌هایی از مواد دانه‌ای که با یکدیگر و سیالات اطراف برهم‌کنش دارند، در صنایع مختلف، از داروسازی گرفته تا معدن، بسیار مهم است. درک این برهم‌کنش‌های پیچیده برای بهینه‌سازی فرآیندها، طراحی تجهیزات کارآمد و پیش‌بینی رفتار مواد ضروری است. روش‌های عددی سنتی، مانند روش المان گسسته (DEM)، اگرچه دقیق هستند، اما در هنگام برخورد با سیستم‌های در مقیاس بزرگ با محدودیت‌های محاسباتی قابل توجهی روبرو هستند. این روش‌ها بر حل معادلات حرکت نیوتن برای هر ذره متکی هستند که منجر به هزینه‌های محاسباتی هنگفت، به‌ویژه هنگامی که با شبیه‌سازی‌های دینامیک سیالات (CFD-DEM) همراه می‌شوند، می‌شود. این گلوگاه محاسباتی، کاربرد این روش‌ها را در سناریوهای صنعتی دنیای واقعی که شامل صدها هزار یا حتی میلیون‌ها ذره هستند، مختل می‌کند.
NeuralDEM، یک چارچوب جدید که توسط محققانی از NXAI GmbH، مؤسسه یادگیری ماشین، JKU Linz، دانشگاه آمستردام و مؤسسه سرطان هلند توسعه داده شده است، با بهره‌گیری از قدرت یادگیری عمیق به این چالش‌ها می‌پردازد. بهместо محاسبه صریح برهم‌کنش‌های ذرات منفرد، NeuralDEM از معماری عملگرهای عصبی چندشاخه‌ای برای مدل‌سازی دینامیک ذرات و برهم‌کنش‌های سیال بهعنوان میدان‌های پیوسته استفاده می‌کند. این رویکرد نوآورانه پیچیدگی محاسباتی را بهطور قابل توجهی کاهش می‌دهد و شبیه‌سازی‌هایی با مقیاس و سرعت بی‌سابقه را ممکن می‌سازد.
هسته معماری NeuralDEM در استفاده از ترانسفورماتورهای چندشاخه‌ای نهفته است. این عملگرهای عصبی چندین پدیده فیزیکی را بهطور همزمان پردازش می‌کنند. شاخه‌های اصلی درون شبکه بر مدل‌سازی کمیت‌های فیزیکی اساسی مانند جابجایی ذرات و سرعت سیال تمرکز دارند. بهطور همزمان، شاخه‌های کمکی خواص ماکروسکوپی مانند انتقال و اختلاط ذرات را مدیریت می‌کنند. این جداسازی مدل‌سازی میکروسکوپی و ماکروسکوپی به NeuralDEM اجازه می‌دهد تا رفتار کلی سیستم را بدون نیاز به محاسبات میکروسکوپی دقیق و پرهزینه از نظر محاسباتی، ثبت کند.
این معماری چندشاخه‌ای همچنین به توانایی NeuralDEM در تعمیم در شرایط مختلف سیستم کمک می‌کند. برخلاف DEM سنتی، که نیاز به کالیبراسیون گسترده خواص مواد میکروسکوپی (به عنوان مثال، ضرایب اصطکاک) برای هر سناریوی خاص دارد، NeuralDEM می‌تواند در طیف وسیعی از شرایط آموزش داده شود و سپس رفتار را در موقعیت‌های جدید و نادیده بهطور دقیق پیش‌بینی کند. این سازگاری یک مزیت قابل توجه برای کاربردهای صنعتی است که در آن پارامترهای سیستم، هندسه‌ها و خواص مواد می‌توانند بهطور گسترده‌ای متفاوت باشند.
محققان عملکرد NeuralDEM را در دو سناریوی مجزا بهطور دقیق اعتبارسنجی کردند: جریان قیف و راکتورهای بستر سیال. در شبیه‌سازی‌های قیف شامل ۲۵۰۰۰۰ ذره، NeuralDEM پدیده‌های جریان ماکروسکوپی مانند رژیم‌های جریان جرمی و جریان قیفی را بهطور دقیق ثبت کرد. این نرخ‌های خروجی، زمان‌های تخلیه و حجم مواد باقیمانده را بهطور دقیق پیش‌بینی کرد و انحراف کمی از نتایج DEM واقعی نشان داد. بهطور قابل توجهی، NeuralDEM به این نتایج در کسری از زمان مورد نیاز برای شبیه‌سازی‌های DEM سنتی دست یافت و عملکرد بی‌درنگ را نشان داد. به عنوان مثال، زمان‌های تخلیه در عرض ۰.۱۹ ثانیه از محاسبات DEM تخمین زده شد و حجم مواد باقیمانده با خطای متوسط تنها ۰.۴۱٪ پیش‌بینی شد.
عملکرد NeuralDEM در شبیه‌سازی راکتورهای بستر سیال، قابلیت‌های آن را بیشتر برجسته کرد. این شبیه‌سازی‌ها، شامل ۵۰۰۰۰۰ ذره و ۱۶۰۰۰۰ سلول سیال، رفتارهای اختلاط پیچیده، زمان‌های ماند و الگوهای جریان دینامیکی را بهطور دقیق تکرار کردند. محققان بر توانایی NeuralDEM در شبیه‌سازی مسیرهای ۲۸ ثانیه‌ای تنها در ۲۸۰۰ گام زمانی یادگیری ماشین تأکید کردند که در مقایسه با روش‌های سنتی کاهش چشمگیری دارد. این کارایی، NeuralDEM را به ابزاری قدرتمند برای مدل‌سازی پدیده‌های سریع و گذرا که شامل برهم‌کنش‌های قوی ذره-سیال هستند، تبدیل می‌کند که در بسیاری از فرآیندهای صنعتی رایج است.
نکات کلیدی این تحقیق، پتانسیل NeuralDEM را برای تغییر حوزه شبیه‌سازی ذرات برجسته می‌کند:
- مقیاس‌پذیری: NeuralDEM سیستم‌هایی با مقیاس بی‌سابقه را با موفقیت شبیه‌سازی کرد و تا ۵۰۰۰۰۰ ذره و ۱۶۰۰۰۰ سلول سیال را مدیریت کرد و درها را به روی مدل‌سازی مسائل در مقیاس صنعتی که قبلاً فراتر از دسترس روش‌های سنتی بودند، باز کرد.
- دقت: این چارچوب دقت بالایی را در ثبت رژیم‌های جریان پیچیده، با خطاهای بسیار کم در پیش‌بینی کمیت‌های ماکروسکوپی نشان داد.
- کارایی: NeuralDEM زمان‌های محاسباتی را بهطور چشمگیری کاهش داد، به عملکرد بی‌درنگ دست یافت و گردش کار طراحی و بهینه‌سازی تکراری را فعال کرد.
- عمومیت: معماری چندشاخه‌ای به NeuralDEM اجازه می‌دهد تا در پارامترهای مختلف سیستم تعمیم یابد و نیاز به کالیبراسیون خسته‌کننده و زمان‌بر برای هر سناریوی جدید را از بین ببرد.
- نوآوری: معرفی عملگرهای عصبی چندشاخه‌ای نشان‌دهنده نوآوری قابل توجهی در مدل‌سازی عددی، جداسازی مدل‌سازی میکروسکوپی و ماکروسکوپی برای انعطاف‌پذیری و دقت بیشتر است.
در نتیجه، NeuralDEM نشان‌دهنده یک تغییر پارادایم در شبیه‌سازی جریان‌های ذره‌ای است. با مهار قدرت یادگیری عمیق، بر محدودیت‌های روش‌های سنتی غلبه می‌کند و یک راه‌حل مقیاس‌پذیر، دقیق و کارآمد برای مدل‌سازی فرآیندهای صنعتی پیچیده ارائه می‌دهد. این پیشرفت، راه را برای ادغام شبیه‌سازی‌های پیشرفته در گردش کار دنیای واقعی هموار می‌کند و نوآوری و بهینه‌سازی را در طیف وسیعی از صنایع که به درک و کنترل سیستم‌های ذره‌ای متکی هستند، تسریع می‌کند.
اگر به خواندن کامل این مطلب علاقه‌مندید، روی لینک مقابل کلیک کنید: marktechpost.com
