混合ML-DEM方法:矩形料斗内颗粒排放预测

《Chemical Engineering Research and Design》:Hybrid ML-DEM: Rectangular Hopper Particle Discharge Prediction

【字体: 大 中 小 】 时间:2026年05月05日 来源:Chemical Engineering Research and Design 3.9

编辑推荐:

  Saman Kazemi|Reza Zarghami|Navid Mostoufi|Rahmat Sotudeh-Gharebagh|Kashayar Saleh德黑兰大学工程学院化学工程系,伊朗德黑兰,邮编11155-4563摘要离散元方法(DEM)是模拟颗粒系统中颗粒行为最常

  
Saman Kazemi|Reza Zarghami|Navid Mostoufi|Rahmat Sotudeh-Gharebagh|Kashayar Saleh
德黑兰大学工程学院化学工程系,伊朗德黑兰,邮编11155-4563

摘要

离散元方法(DEM)是模拟颗粒系统中颗粒行为最常用的工具之一,尽管其计算成本较高,因为每个颗粒都需要单独跟踪。本研究介绍了ML-DEM,这是一种基于机器学习(ML)的技术,可以在保持预测准确性的同时显著减少计算时间。在这种混合技术中,大部分时间间隔的预测使用连续卷积神经网络完成,剩余部分则使用传统的DEM方法,从而实现连续的数据交换和真实的颗粒行为预测。该技术被应用于一个矩形料斗,并与实验结果和DEM结果进行了比较。还研究了颗粒装载量和料斗角度对结果的影响,以证明其在不同几何形状和操作条件下的鲁棒性。这种方法在预测小规模和大规模料斗中的颗粒排放方面都有效,并且能够缩短计算时间。总体而言,ML-DEM为更快的颗粒流动模拟提供了一条高效途径,同时保持了可接受的准确性。这突显了混合物理-ML策略在推动下一代颗粒系统建模方面的潜力。

引言

颗粒系统在能源、聚合物、制药、食品、采矿和农业等领域发挥着重要作用(Khazeni和Mansourpour,2018)。这些系统的操作稳定性和结构完整性在很大程度上取决于颗粒材料的流动特性。因此,了解流动力学对于确保最有效的设计和操作至关重要(H?hner等人,2013)。为了提高产品质量,模拟工具对于深入理解颗粒流动物理特性非常重要(Kumar等人,2018)。离散元方法(DEM)由Cundall和Strack开发(Cundall和Strack,1979),通过计算每个颗粒在每个时间步长的动态参数(如加速度、速度和位置)来模拟颗粒的运动(Balevi?ius等人,2011)。DEM利用微观尺度(颗粒尺度)的相互作用来准确预测宏观尺度行为;因此,计算成本很高,尤其是当颗粒数量增加时(Govender等人,2018)。大颗粒组装体的DEM模拟通常需要数小时甚至数天(Fransen等人,2021)。因此,开发在不牺牲准确性的情况下提高DEM模拟速度的方法非常重要。
先前的多项研究已经使用机器学习(ML)来预测料斗中的颗粒排放行为。Fransen等人(Fransen等人,2021)提出了一种基于DEM数据的元模型来分析料斗的性能。结果表明,这种元模型能够适当反映设计参数与性能之间的关系。Kumar等人(Kumar等人,2018)使用人工神经网络根据包括料斗内角、体积密度和平均直径在内的多种参数,利用DEM生成的数据来预测多组分系统的质量排放率。神经网络的预测结果与实验数据高度一致。Liao等人(Liao等人,2021)使用基于AlexNet的全连接模型和具有长短期记忆的卷积神经网络来估计料斗排放时间和剩余颗粒数量。使用所开发的模型,CPU时间减少了75%。
在上述研究中,机器学习仅用于预测DEM结果,而不是加速计算。Lai等人(Lai等人,2022)将2D DEM与神经计算网络结合使用,以检测非球形颗粒之间的接触并评估其接触特性。与传统DEM相比,所提出的方法对于椭圆颗粒的模拟速度提高了约31%,对于形状不规则的颗粒则提高了超过68%。Hwang等人(Myers和Sellers,1978)使用人工神经网络根据每对颗粒的相对位置和方向预测颗粒碰撞及其特性,包括平均碰撞点和平均法线。所提出的方法能够快速、准确地计算规则和非球形颗粒之间的碰撞。需要注意的是,这两项研究都专注于模拟非球形颗粒;对于球形颗粒的模拟,尚未实现计算成本的降低。Lu等人(Lu等人,2021)使用连续卷积神经网络替代了颗粒-颗粒和颗粒-边界接触力的直接计算,计算速度比传统的MFiX-DEM模拟快了大约78倍。然而,根据Lu等人(Lu等人,2021)的说法,所提出的神经网络仅限于其训练所用的几何形状。在此之前,类似的神经网络曾用于根据平滑颗粒流体动力学(SPH)方法生成的数据预测拉格朗日流体运动(Ummenhofer等人,2019)。在另一项研究中,Kazemi等人(Zhang等人,2021)提出了一种利用先前描述的深度神经网络和连续卷积运算符来加速旋转鼓筒DEM模拟的新方法。结果表明,这种方法相对准确,与传统的基于CPU(8核)和GPU的DEM方法相比,计算成本分别降低了约65%和35%。然而,由于所提出的模型使用颗粒位置向量作为输入,其适用性仅限于表现出重复行为的系统。
料斗用于储存和排放颗粒材料,可以使用DEM高效地进行建模。尽管大多数料斗在几何形状上很简单,但其中的颗粒运动非常复杂,可能会严重影响其性能(Lai等人,2023)。González-Montellano等人(González-Montellano等人,2011)研究了玻璃珠和玉米颗粒从矩形料斗中的排放情况,包括流动模式、排放率和平均体积密度。研究发现,DEM对玻璃珠的预测非常准确,但对于玉米颗粒则需要校准。Govender等人(Govender等人,2018)使用基于GPU的DEM代码研究了球形和多面体颗粒从实验室规模料斗中的排放情况,并将结果与Myers和Sellers(Myers和Sellers,1978)的经验相关性进行了比较。研究结果表明,所提出的模型具有出色的颗粒行为预测能力。为了更好地理解材料流动,Balevi?ius等人(Balevi?ius等人,2011)对平底、空间楔形和平面楔形料斗中的颗粒材料填充和排放进行了建模。根据结果,空间楔形料斗的流出速度较低,排放时间较长。H?hner等人(H?hner等人,2013,H?hner等人,2015)使用DEM研究了球形和非球形颗粒从平底料斗中的排放情况。他们的发现表明,较小的颗粒或较高的长宽比会降低排放率,并使颗粒流动更加间歇性。Zhang等人(Zhang等人,2022)使用DEM研究了颗粒形状对倾斜底部料斗排放的影响,考虑了几何参数、颗粒特性和相互作用参数。结果表明,球形颗粒更容易从料斗中排出。他们还研究了含有二元混合物的料斗中的颗粒排放情况,发现二元混合物的行为与单一颗粒不同(Zhang等人,2021)。Barik等人(Barik等人,2024)比较了不同尺寸微晶纤维素的料斗排放情况,发现同心孔径产生的流速最高,而双孔径则会导致更明显的颗粒分离。
本研究旨在使用机器学习方法与DEM相结合来预测颗粒行为,从而在保持准确性的同时减少计算时间。换句话说,为了在将料斗建模为具有显著颗粒碰撞的密集系统时保持准确性,并避免累积误差,在每个考虑的时间间隔中,95%的模拟使用ML完成,其余部分使用传统的DEM完成。因此,本研究介绍了一种新颖的混合ML-DEM框架,这是其首次实现。这种混合技术的一个关键优势是其多功能性和不受特定系统几何形状和操作条件的影响。为此,在所提出的技术中,DEM与ML相结合,两者之间持续交换数据。ML部分使用了具有连续卷积层的深度神经网络。由于深度学习是机器学习的一个子集,因此所提出的技术被称为ML-DEM。所提出的方法用于预测矩形料斗中球形颗粒的排放。这种新开发的技术可以作为使用混合、数据驱动方法模拟颗粒运动的起点,以降低计算成本。

章节摘录

建模

在所提出的ML-DEM技术中,首先使用机器学习框架对DEM数据进行神经网络训练。然而,DEM训练数据中的偏差(源于建模差异和参数不确定性,特别是关于碰撞参数的差异)可能会引入偏差到训练过程中。因此,神经网络可能会学会复制DEM模型的固有特性,而不是潜在的物理现实。为了减轻这一点,...

结果与讨论

所提出的ML-DEM技术用于研究倾斜底部矩形料斗中的颗粒排放情况。如图3所示,料斗的高度、宽度和厚度分别为40 cm、18 cm和3.6 cm。孔径宽度为3.6 cm,料斗角度为45°。球形颗粒的直径为6 mm,由密度为1191 kg/m3的亚克力制成。料斗最初从顶部填充到40 cm的高度,包含15000个颗粒。更多细节...

结论

本研究介绍了一种混合ML-DEM技术,该技术使用连续卷积神经网络预测大部分时间步骤,而在短期校正间隔期间依赖于DEM,从而显著减少了计算时间,同时不牺牲准确性。该技术已在矩形料斗的颗粒排放问题上得到了验证,并显示出与实验数据和传统DEM的高度一致。关于颗粒装载量和料斗角度的参数研究证实,该技术能够捕捉到预期的...

CRediT作者贡献声明

Rahmat Sotudeh-Gharebagh:撰写——审阅与编辑、可视化、研究。Kashayar Saleh:撰写——审阅与编辑、可视化。Navid Mostoufi:撰写——审阅与编辑、监督。Saman Kazemi:撰写——原始草稿、软件、方法论。Reza Zarghami:撰写——审阅与编辑、验证、监督、方法论。

利益冲突声明

作者声明他们没有已知的竞争财务利益或可能影响本文所述工作的个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号