La ingeniería de polvos añade la IA a la mezcla
Tecnología revolucionaria 350 veces más rápida que los métodos convencionales
Imagine un mundo sin polvos. Puede sonar exagerado, pero nuestra vida cotidiana está íntimamente ligada a los polvos de diversas maneras, desde alimentos, productos farmacéuticos y cosméticos hasta pilas, Cerámica, etc. En todas estas industrias, la mezcla de polvos es una operación unitaria importante en la que se mezclan distintos tipos de polvos para conseguir uniformidad. Sin embargo, puede ser difícil predecir qué condiciones son óptimas para lograr la uniformidad deseada, ya que el proceso a menudo se basa en el ensayo y error, así como en la experiencia de los ingenieros.
Esta tecnología multiplica por 350 la velocidad de cálculo, manteniendo el mismo nivel de precisión que los métodos convencionales.
Hideya Nakamura, Osaka Metropolitan University
Las simulaciones numéricas mediante el método de elementos discretos (DEM) se han utilizado ampliamente como un enfoque que puede predecir con exactitud la mezcla de polvos. Esto se consigue calculando el movimiento de todas las partículas en un intervalo de tiempo muy corto (1/1.000.000 de segundo), calculando el movimiento de todo el polvo utilizando los valores calculados y repitiendo el proceso una y otra vez para calcular el movimiento de cada partícula con poco tiempo de antelación. Por lo tanto, la gran cantidad de tiempo que se necesita para predecir la mezcla de polvos dificulta considerablemente la capacidad de realizar procesos de mezcla de polvos a gran escala y de larga duración.
Un equipo de investigación dirigido por el profesor asociado Hideya Nakamura, el profesor asociado Shuji Ohsaki, el profesor Satoru Watano y el estudiante de doctorado Naoki Kishida, de la Escuela de Postgrado de Ingeniería de la Universidad Metropolitana de Osaka, ha desarrollado un nuevo método de simulación mediante IA. Además, el equipo ha conseguido aumentar la velocidad de cálculo unas 350 veces. Este nuevo método se caracteriza por utilizar una red neuronal recurrente (RNN) que permite una simulación de mezcla de polvos a larga escala con bajos costes computacionales y manteniendo el mismo nivel de precisión que los métodos convencionales.
"Hemos aprovechado con éxito nuestros conocimientos en tecnología de polvos, que hemos perfeccionado a lo largo de muchos años, y los hemos combinado con el aprendizaje automático para predecir rápidamente el comportamiento único de polvos complejos", explicó el profesor Nakamura. "Nos gustaría aprovechar este logro para contribuir al futuro de las industrias que buscan mejorar la calidad del producto y racionalizar la producción".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
