Pulvertechnik bringt AI in den Mix

Revolutionäre Technologie, die 350 Mal schneller ist als herkömmliche Methoden

31.10.2023

Stellen Sie sich eine Welt ohne Puder vor. Es mag übertrieben klingen, aber unser tägliches Leben ist auf vielfältige Weise mit Pulvern verbunden, von Lebensmitteln, Arzneimitteln und Kosmetika bis hin zu Batterien, Keramik usw. In all diesen Industriezweigen ist das Mischen von Pulvern ein wichtiger Arbeitsschritt, bei dem verschiedene Pulversorten gemischt werden, um eine gleichmäßige Verteilung zu erreichen. Es kann jedoch schwierig sein, vorherzusagen, welche Bedingungen optimal sind, um die gewünschte Gleichmäßigkeit zu erreichen, da der Prozess oft auf Versuch und Irrtum sowie auf das Fachwissen der Ingenieure angewiesen ist.

Hideya Nakamura, Osaka Metropolitan University

Diese Technologie erhöht die Berechnungsgeschwindigkeit um das 350-fache bei gleicher Genauigkeit wie herkömmliche Methoden.

Numerische Simulationen mit der Diskrete-Elemente-Methode (DEM) sind ein weit verbreiteter Ansatz, mit dem sich die Pulvermischung genau vorhersagen lässt. Dies wird dadurch erreicht, dass die Bewegung aller Partikel in einem sehr kurzen Zeitbereich (1/1.000.000 einer Sekunde) berechnet wird, die Bewegung des gesamten Pulvers anhand der berechneten Werte berechnet wird und der Prozess dann immer wieder wiederholt wird, um die Bewegung jedes einzelnen Partikels eine kurze Zeit im Voraus zu berechnen. Der erhebliche Zeitaufwand, der für die Vorhersage der Pulvermischung erforderlich ist, behindert daher die Möglichkeit, Pulvermischprozesse in großem Maßstab und über lange Zeiträume hinweg durchzuführen.

Ein Forschungsteam unter der Leitung von Associate Professor Hideya Nakamura, Associate Professor Shuji Ohsaki, Professor Satoru Watano und Doktorand Naoki Kishida von der Graduate School of Engineering an der Osaka Metropolitan University hat eine neue Simulationsmethode unter Verwendung von KI entwickelt. Außerdem ist es dem Team gelungen, die Rechengeschwindigkeit um das 350-fache zu erhöhen. Diese neue Methode zeichnet sich durch den Einsatz eines rekurrenten neuronalen Netzes (RNN) aus, das eine Simulation der Pulvermischung im Langzeitmaßstab mit geringen Rechenkosten ermöglicht und dabei die gleiche Genauigkeit wie herkömmliche Methoden aufweist.

"Wir haben unser langjähriges Wissen in der Pulvertechnologie erfolgreich genutzt und es mit maschinellem Lernen kombiniert, um das einzigartige Verhalten komplexer Pulver schnell vorherzusagen", erklärt Professor Nakamura. "Auf dieser Leistung möchten wir aufbauen, um einen Beitrag zur Zukunft der Industrie zu leisten, die die Produktqualität verbessern und die Produktion rationalisieren will."

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Weitere News aus dem Ressort Wissenschaft

Meistgelesene News

Weitere News von unseren anderen Portalen

Entdecken Sie die neuesten Entwicklungen in der Batterietechnologie!

Verwandte Inhalte finden Sie in den Themenwelten

Themenwelt Batterietechnik

Die Themenwelt Batterietechnik bündelt relevantes Wissen in einzigartiger Weise. Hier finden Sie alles über Anbieter und deren Produkte, Webinare, Whitepaper, Kataloge und Broschüren.

20+ Produkte
150+ Unternehmen
25+ White Paper
10+ Broschüren
Themenwelt anzeigen

Themenwelt Batterietechnik

Die Themenwelt Batterietechnik bündelt relevantes Wissen in einzigartiger Weise. Hier finden Sie alles über Anbieter und deren Produkte, Webinare, Whitepaper, Kataloge und Broschüren.

20+ Produkte
150+ Unternehmen
25+ White Paper
10+ Broschüren