KI trifft Partikeltechnologie, um Vorhersagen zu Fließfähigkeit und Packungsdichte zu vereinfachen
Runde Partikel und ihre Eigenschaften sind mathematisch einfach zu beschreiben. Doch je weniger rund bzw. sphärisch die Form, desto schwerer wird es, Vorhersagen zu deren Verhalten zu treffen. Etwa, wenn ein Pharmahersteller wissen möchte, wie sich eine andere Tablettenform auf die benötigte Verpackungsgröße auswirkt. Robert Hesse hat in seiner Doktorarbeit an der Technischen Universität Kaiserslautern (TUK) eine Lösung entwickelt, konkret ein neuronales Netz trainiert, um Packungsdichte und Fließfähigkeit von nicht-sphärischen Partikeln automatisiert zu bestimmen.
Nur wenige Partikel in der Natur oder in der industriellen Fertigung sind exakt rund, sondern es gibt eine Vielzahl an Varianten und Formcharakteristiken. Genau das macht es so kompliziert, nicht-sphärische Partikel zu beschreiben und basierend auf der Beschreibung deren Handhabung zu optimieren. Ein Beispiel: Je runder eine Tablette ist, desto weniger verhakt sie sich mit anderen Tabletten im Abfüllprozess. Eine flache zylindrische Form kann bereits durch leichte Abrundungen optimiert werden, wenn es um die Packungsdichte geht.
Doch wie lassen sich all die Eigenschaften, die Fließfähigkeit und Packungsdichte bestimmen, schnell erfassen, um Entscheidungen zur Wahl einer Form abzuleiten? Was bislang vereinfachte Berechnungen einzelner mathematischer Parameter bzw. Formbestandteile erforderte, kann eine trainierte Künstliche Intelligenz – in dem Fall ein sogenanntes Deep Convolutional Neural Network – anhand eines 3D-Modells automatisiert ableiten. Über Simulationen, bei denen nur die Form der Partikel variierte, habe ich einen umfassenden Versuchsdatensatz erstellt und damit das neuronale Netz trainiert, berichtet Hesse, wissenschaftlicher Mitarbeiter am Lehrstuhl für Mechanische Verfahrenstechnik. Standardisierte Experimente mit 3D-gedruckten Partikeln ermöglichten in der Erprobungsphase die Validierung der Simulationsmethodik– sprich abzugleichen, wie exakt die Simulation echte Partikel abbilden kann.
Das trainierte neuronale Netz filtert nun aus einer beliebigen dreidimensionalen Punktewolke, die die gesamte Form repräsentiert, markante Merkmale wie Rundungen, Ecken, Kanten usw. heraus. Anhand dieser Informationen kann es die Fließfähigkeit und zufällige Packungsdichte analysieren. Dies ist beispielsweise hilfreich, um die Form pharmazeutischer Produkte hinsichtlich minimaler Maschinendimensionen und Verpackungsgrößen zu optimieren.
Aktuelle Onlineartikel
-
14. 03. 2024 Forschen im Pop-Up-Labor: CAIS erhält € 170.000 für transdisziplinäres Forschungsprojekt
-
13. 03. 2024 Grüne Startups als treibende Kräfte für eine nachhaltige Wirtschaft
-
12. 03. 2024 Neue Chips passen sich an ihre Aufgabe an
-
12. 03. 2024 Spezial-Elektrolyseur für grünen Strom
-
11. 03. 2024 Innovative Schmiermittel revolutionieren die Kaltumformung von Metallen
-
08. 03. 2024 Wie Oberflächenrauheit die Haftung weicher Materialien beeinflusst