Newswise — Точное моделирование движения частиц в жидкостях имеет решающее значение в самых разных областях — от химического машиностроения до аэрокосмической отрасли. Коэффициент сопротивления, который влияет на то, как частицы оседают и движутся в жидкой среде, является ключевым фактором в этих расчетах. Хотя поведение сферических частиц хорошо изучено, предсказание коэффициента сопротивления частиц неправильной формы уже давно является проблемой. Эти сложности подчеркнули необходимость более сложного подхода к моделированию взаимодействий частиц с жидкостью, особенно для несферических частиц.

Команда из Нанкинского университета науки и технологий и Университета Вестлейк решила эту проблему, объединив машинное обучение с передовыми численными методами. Их исследование (DOI: 10.1002/msd2.12124), опубликованное в Международный журнал динамики механических систем 27 августа 2024 г. объединяет метод дискретных элементов (DEM) с решеточным методом Больцмана (LBM) для создания набора данных высокой точности. Эти данные были использованы для разработки четырех моделей машинного обучения, направленных на прогнозирование коэффициента сопротивления многоугольных частиц, причем одна модель достигла ошибки прогнозирования менее 5%, что является значительным шагом вперед в исследованиях гидродинамики.

Исследование направлено на решение давней проблемы прогнозирования коэффициента сопротивления частиц неправильной формы. Традиционно одних факторов формы было недостаточно для того, чтобы уловить сложные детали, влияющие на поведение частиц. Используя моделирование DEM и LBM, исследователи создали точный набор данных, который позволил им разработать несколько моделей машинного обучения. Модель генетического алгоритма и искусственной нейронной сети (GA-ANN) превзошла другие, уменьшив ошибку прогнозирования до менее 5%. Этот прорыв демонстрирует эффективность машинного обучения в повышении точности моделей взаимодействия частиц и жидкости.

Профессор Ченг Ченг, один из ведущих исследователей, отметил: «Это исследование демонстрирует огромный потенциал машинного обучения для решения сложных задач гидродинамики. Используя численное моделирование и искусственный интеллект (ИИ), мы достигли беспрецедентного уровня точности в прогнозирование коэффициентов сопротивления многоугольных частиц, которые могут иметь далеко идущие последствия как в академических, так и в промышленных условиях».

Эта способность прогнозировать коэффициенты сопротивления с такой точностью имеет широкое применение в таких отраслях, как химическая обработка, экологическая инженерия и аэрокосмические технологии. Усовершенствованные модели прогнозирования сопротивления могут улучшить такие процессы, как седиментация, фильтрация и движение, делая системы более эффективными. Ожидается, что результаты этого исследования приведут к прогрессу в разработке методов взаимодействия жидкости и частиц с широким потенциалом для оптимизации различных промышленных систем.

###

Ссылки

DOI

10.1002/msd2.12124

Исходный URL-адрес источника

https://doi.org/10.1002/msd2.12124

Информация о финансировании

Это исследование финансировалось Национальным фондом естественных наук Китая, номер гранта/премии: 11972194.

О Международный журнал динамики механических систем (IJMSD)

Международный журнал динамики механических систем (IJMSD) это журнал с открытым доступом, целью которого является систематическое раскрытие жизненно важного влияния динамики механических систем на весь жизненный цикл современного промышленного оборудования. Механические системы могут различаться в разных масштабах и интегрированы с электронными, электрическими, оптическими, тепловыми, магнитными, акустическими, аэродинамическими, жидкостными системами и т. д. Журнал приветствует исследования и обзорные статьи по динамике, касающиеся передовой теории, моделирования, вычислений, анализа, программное обеспечение, проектирование, управление, производство, тестирование и оценка общих механических систем.