Las partículas redondas y sus propiedades son fáciles de describir matemáticamente. Pero cuanto menos redonda o esférica sea la forma, más difícil será hacer predicciones sobre su comportamiento. En su tesis doctoral en la Universidad Técnica de Kaiserslautern (TUK), Robert Hesse ha entrenado una red neuronal para determinar automáticamente la densidad de empaquetamiento y la fluidez de partículas no esféricas.

Pocas partículas en la naturaleza o en la producción industrial son exactamente redondas; en cambio, hay una multitud de variantes y características de forma. Esto es exactamente lo que hace que sea tan complicado describir partículas no esféricas y optimizar su manejo en función de la descripción. Por ejemplo, cuanto más redonda es una tableta, es menos probable que se enganche con otras tabletas en el proceso de llenado. Una forma cilíndrica plana ya se puede optimizar mediante un ligero redondeo en lo que respecta a la densidad de empaque.

Pero, ¿cómo se pueden registrar rápidamente todas las propiedades que determinan la fluidez y la densidad de empaque para derivar decisiones sobre la elección de una forma? Lo que antes requería cálculos simplificados de parámetros matemáticos individuales o componentes del molde puede derivarse automáticamente mediante una inteligencia artificial entrenada, en este caso, la llamada "Red neuronal convolucional profunda", utilizando un modelo 3D.

"Usando simulaciones en las que solo variaba la forma de las partículas, creé un conjunto completo de datos experimentales y lo usé para entrenar la red neuronal", informa Hesse, investigador asociado del Departamento de Ingeniería de Procesos Mecánicos. "Los experimentos estandarizados con partículas impresas en 3D permitieron validar la metodología de simulación en la fase de prueba, es decir, igualar la precisión con la que la simulación puede representar partículas reales".

La red neuronal entrenada ahora filtra características sobresalientes como curvas, esquinas, bordes, etc. de cualquier nube de puntos tridimensional que represente la forma completa. Usando esta información, puede analizar la fluidez y la densidad de empaque aleatorio. “Esto es útil, por ejemplo, para optimizar la forma de los productos farmacéuticos en términos de dimensiones mínimas de máquina y tamaños de envase”, dice el investigador. + Explora más

El control del proceso de fabricación del hormigón aumenta la resistencia en un 30 %