Os avanços na simulação do fluxo de partículas tiveram um grande impacto em indústrias que vão desde minerais até farmacêuticas. Os sistemas particulados consistem na interação de materiais granulares e fluidos circundantes, e sua modelagem precisa é essencial para a otimização do processo. No entanto, os métodos numéricos tradicionais, como o Método dos Elementos Discretos (DEM), enfrentam grandes limitações computacionais. Esses métodos rastreiam o movimento e as interações das partículas resolvendo as equações de movimento de Newton, que requerem grandes recursos computacionais. Junto com as simulações de dinâmica de fluidos, o DEM se torna ainda mais necessário, tornando impraticáveis simulações grandes ou demoradas para aplicações em tempo real.
Um dos principais desafios neste campo reside na natureza multiescala dos sistemas de partículas. A simulação de milhões de partículas interagindo ao longo do tempo requer intervalos de tempo na escala de microssegundos, fazendo com que as simulações durem horas ou dias. Além disso, o DEM requer medições extensas de pequenas propriedades físicas, como coeficientes de atrito, para obter resultados macroscópicos precisos. Tal medição é tediosa e falha, o que complica ainda mais a integração destas simulações no progresso da atividade industrial. Os métodos existentes, embora bons, precisam de ajuda para atender às grandes demandas computacionais de sistemas industriais com mais de 500.000 partículas ou células fluidas.
Pesquisadores da NXAI GmbH, do Instituto de Aprendizado de Máquina, JKU Linz, da Universidade de Amsterdã e do Instituto Holandês do Câncer o desenvolveram. NeuralDEM. NeuralDEM usa aprendizado profundo para substituir os métodos computacionalmente intensivos de DEM e CFD-DEM. Esta estrutura representa as forças das partículas e as interações dos fluidos como campos contínuos, reduzindo bastante a complexidade computacional. Usando o poder dos operadores neurais multiramais, o NeuralDEM prevê diretamente comportamentos macroscópicos, como leis de fluxo e condições de transporte, sem exigir estimativas de parâmetros muito detalhadas. Esta capacidade de generalizar através de várias condições do sistema é uma inovação fundamental, permitindo a simulação perfeita de várias geometrias, estruturas de partículas e condições de fluxo.
A arquitetura NeuralDEM é construída sobre o conceito de transformadores multiramais. Esses operadores neurais processam muitos eventos físicos simultaneamente. Por exemplo, a estrutura usa ramificações básicas para modelar a física central, como deslocamento de partículas e velocidade do fluido, enquanto ramificações auxiliares lidam com quantidades maiores, como transporte e mistura de partículas. Este projeto permite que o NeuralDEM simule cenários muito complexos envolvendo 500.000 partículas e 160.000 células fluidas, conforme demonstrado em experimentos com reatores de leito fluidizado. Ao contrário do DEM tradicional, o NeuralDEM opera em passos de tempo robustos, alcançando desempenho de simulação em tempo real para processos de longo prazo.
Em experimentos de validação, o NeuralDEM foi aplicado em sistemas de reatores tipo hopper e reatores de leito fluidizado, demonstrando sua flexibilidade e eficiência. Em uma simulação de funil envolvendo 250.000 partículas, o NeuralDEM capturou com precisão fenômenos de fluxo macroscópico, como fluxo de massa e leis de fluxo em funil. Ele previu com sucesso taxas de descarga, tempos de drenagem e quantidade de material residual com desvio mínimo dos resultados reais do DEM. Por exemplo, o NeuralDEM estimou os tempos de drenagem em 0,19 segundos dos cálculos do DEM e previu os volumes de material residual com um erro médio de 0,41%. Essas simulações requerem apenas uma fração do tempo de computação em comparação com o DEM, alcançando desempenho em tempo real.
Em reatores de leito fluidizado, o NeuralDEM demonstrou sua capacidade de modelar fenômenos rápidos e transitórios envolvendo interações dinâmicas fluido-partículas. Uma simulação com 500.000 partículas e 160.000 células de fluido reproduziu com precisão o comportamento de mistura, os tempos de residência e os padrões de fluxo dinâmico. Os pesquisadores destacaram a capacidade do NeuralDEM de simular trajetórias por 28 segundos com apenas 2.800 passos de tempo de aprendizado de máquina, uma redução significativa em comparação aos métodos tradicionais. Essa eficiência posiciona o NeuralDEM como uma ferramenta revolucionária para aplicações industriais que exigem modelagem de processos rápida e confiável.
O estudo revela conclusões importantes que destacam o potencial do NeuralDEM como uma tecnologia revolucionária:
- Robustez: simule com sucesso sistemas com até 500.000 partículas e 160.000 células de fluido, ampliando enormemente o desempenho da modelagem numérica para problemas em escala industrial.
- Precisão: Alta confiabilidade alcançada na modelagem de caminhos de fluxo complexos, com erros tão baixos quanto 0,41% para previsões de resíduos.
- Eficiência: Tempos de computação reduzidos de horas para tempo real, tornando possível o design iterativo e a otimização.
- Generalização: Robustez demonstrada em vários parâmetros do sistema, incluindo geometria, propriedades de materiais e velocidades de fluxo.
- Inovação: Introduziu operadores neurais multi-ramos capazes de combinar modelos microscópicos e macroscópicos para maior flexibilidade e precisão.
Concluindo, o NeuralDEM representa um avanço na simulação de fluxo de partículas, preenchendo a lacuna entre a viabilidade computacional e o desempenho industrial. Ao usar o aprendizado profundo para lidar com as limitações dos métodos convencionais, o NeuralDEM redefiniu o cenário da modelagem numérica. Sua eficiência, escalabilidade e precisão fazem dele uma ferramenta essencial para indústrias que buscam melhorar processos e acelerar ciclos de engenharia. Os resultados deste estudo mostram uma maneira clara de integrar simulação avançada em fluxos de trabalho do mundo real, abrindo novas oportunidades para inovação na modelagem específica de sistemas.
Confira Papel de novo O projeto. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
[FREE AI WEBINAR] Usando processamento inteligente de documentos e GenAI em serviços financeiros e transações imobiliárias– Da estrutura à produção
Nikhil é consultor estagiário na Marktechpost. Ele está cursando dupla graduação em Materiais no Instituto Indiano de Tecnologia, Kharagpur. Nikhil é um entusiasta de IA/ML que pesquisa constantemente aplicações em áreas como biomateriais e ciências biomédicas. Com sólida formação em Ciência de Materiais, ele explora novos desenvolvimentos e cria oportunidades para contribuir.
🐝🐝 Evento do LinkedIn, 'Uma plataforma, possibilidades multimodais', onde o CEO da Encord, Eric Landau, e o chefe de engenharia de produto, Justin Sharps, falarão sobre como estão reinventando o processo de desenvolvimento de dados para ajudar o modelo de suas equipes – a IA está mudando o jogo, rápido.
