Suche
Generic filters
Exact matches only

Achema 2022: KI trifft auf Partikeltechnologie

Kategorie:
Thema:
Autor: Isabell Hochstrat

Achema 2022: KI trifft auf Partikeltechnologie
Robert Hesse zeigt die im 3D-Druckverfahren hergestellten nicht-sphärischen Partikel, mit denen er die Simulationsmodelle im Projekt validiert hat. (©TUK, Thomas Koziel)
18.08.2022 Ι Um Vorhersagen zu Fließfähigkeit und Packungsdichte von nicht-sphärischen Partikeln zu vereinfachen, hat Robert Hesse von der Technischen Universität Kaiserslautern (TUK) eine Lösung entwickelt: Er hat ein neuronales Netz trainiert, um die Eigenschaften dieser Partikel automatisiert zu bestimmen. Seine Idee präsentiert er auf der Achema am Forschungsstand Rheinland-Pfalz in Halle 6 an Stand A35.

Je weniger rund, desto schwerer die Vorhersage

Runde Partikel und ihre Eigenschaften sind mathematisch einfach zu beschreiben. Doch nur wenige Partikel in der Natur oder in der industriellen Fertigung sind exakt rund. Vielmehr gibt es eine Vielzahl an Varianten und Formcharakteristika. Genau das macht es so kompliziert, nicht-sphärische Partikel zu beschreiben und basierend auf der Beschreibung deren Handhabung zu optimieren.

Wenn ein Pharmahersteller beispielsweise wissen möchte, wie sich eine andere Tablettenform auf die benötigte Verpackungsgröße auswirkt, sind diese Informationen nützlich: Je runder eine Tablette ist, desto weniger verhakt sie sich mit anderen Tabletten im Abfüllprozess. Eine flache zylindrische Form kann bereits durch leichte Abrundungen die Packungsdichte optimieren.

Training mittels Simulationen

Die Abbildung zeigt, was das neuronale Netz aus einer Form macht, um Merkmale zu identifizieren. Aus sogenannten Faltungen (Convolutions), welche sich das neuronale Netz mit den Trainingsdaten angeeignet hat, werden Merkmale immer weiter abstrahiert und extrahiert. Oben ist beispielsweise zu sehen, wie ein Würfelrahmen erfasst wird: anhand von zwei Faltungen im ersten Layer und zwei Faltungen im zweiten Layer. Insgesamt verfügt das Netz über 6 solcher Layer-Schichten (daher der Name Deep Convolutional Neural Network) mit 32 oder 64 paralleler Faltungen je Layer. Abbildung: Robert Hesse

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.“

Identifizierung markanter Merkmale

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“, sagt der Forscher.

Auf der Achema in Halle 6 an Stand A35 gibt Hesse interessierten Besuchern Einblick in seine Forschung und die Fähigkeiten des neuronalen Netzwerkes.

Zur Pressemeldung der TUK

F & S - Unsere Themen

Bleiben Sie auf dem aktuellen Stand der Technik in
diesen Bereichen der Filtration und Separation:

Sie möchten die F&S Filtrieren und Separieren testen

Bestellen Sie Ihr kostenloses Probeheft

Überzeugen Sie sich selbst: Gerne senden wir Ihnen die F&S kostenlos und unverbindlich zur Probe!

Finance Illustration 03

Das könnte Sie auch interessieren:

Rekultivierung: Pilze bringen Mondlandschaften zum Blühen         
Kreislaufwirtschaft: Rotorblätter nachhaltig nutzen
Energy efficiency: timers cut power consumption in half

Publikationen

Taschenwörterbuch der Filtration & Separation

Taschenwörterbuch der Filtration & Separation

Erscheinungsjahr: 2021

Das Wörterbuch enthält ca. 1800 Fachbegriffe aus dem Bereich der Filtrations- und Separationstechnologien (Deutsch-English / English-German) Das vorliegende Taschenwörterbuch der Filtration und  Separation im praktischen Westentaschenformat ...

Zum Produkt

Global Guide 2022-2024

Global Guide 2022-2024

Erscheinungsjahr: 2022

The Global Guide 2022-2024 is a world handbook for the filtration and separation industry. The comprehensive reference work compiles all the necessary information for this purpose and thus provides a complete overview of the industry. In the first ...

Zum Produkt