L'ingénierie des poudres s'enrichit de l'IA
Technologie révolutionnaire 350 fois plus rapide que les méthodes conventionnelles
Imaginez un monde sans poudres. Cela peut paraître exagéré, mais notre vie quotidienne est intimement liée aux poudres de diverses manières, qu'il s'agisse d'aliments, de produits pharmaceutiques, de cosmétiques, de batteries, de céramiques, etc. Dans toutes ces industries, le mélange de poudres est une opération unitaire importante au cours de laquelle différents types de poudres sont mélangés pour obtenir une uniformité. Cependant, il peut être difficile de prédire quelles sont les conditions optimales pour obtenir l'uniformité souhaitée, car le processus repose souvent sur des essais et des erreurs, ainsi que sur l'expertise des ingénieurs.
Cette technologie permet d'augmenter la vitesse de calcul d'environ 350 fois tout en conservant le même niveau de précision que les méthodes conventionnelles
Hideya Nakamura, Osaka Metropolitan University
Les simulations numériques utilisant la méthode des éléments discrets (DEM) ont été largement utilisées comme une approche permettant de prédire avec précision le mélange des poudres. Pour ce faire, on calcule le mouvement de toutes les particules dans un laps de temps très court (1/1 000 000 de seconde), on calcule le mouvement de l'ensemble de la poudre à l'aide des valeurs calculées, puis on répète le processus à plusieurs reprises pour calculer le mouvement de chaque particule un peu plus tard. Par conséquent, le temps considérable nécessaire pour prédire le mélange de poudres entrave considérablement la capacité de mettre en place des processus de mélange de poudres à grande échelle et de longue durée.
Une équipe de recherche dirigée par le professeur associé Hideya Nakamura, le professeur associé Shuji Ohsaki, le professeur Satoru Watano et le doctorant Naoki Kishida de l'école supérieure d'ingénierie de l'université métropolitaine d'Osaka a mis au point une nouvelle méthode de simulation faisant appel à l'IA. En outre, l'équipe a réussi à améliorer la vitesse de calcul d'environ 350 fois. Cette nouvelle méthode se caractérise par l'utilisation d'un réseau neuronal récurrent (RNN) qui permet de simuler le mélange de poudres sur une longue période avec un faible coût de calcul tout en conservant le même niveau de précision que les méthodes conventionnelles.
"Nous avons réussi à exploiter nos connaissances en matière de technologie des poudres, que nous avons affinées pendant de nombreuses années, et à les combiner avec l'apprentissage automatique pour prédire rapidement le comportement unique de poudres complexes", a expliqué le professeur Nakamura. "Nous aimerions nous appuyer sur cette réussite pour contribuer à l'avenir des industries qui cherchent à améliorer la qualité des produits et à rationaliser la production."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Actualités les plus lues
Plus actualités de nos autres portails
Derniers contenus consultés
Découverte d'une nouvelle supraconductivité de surface dans un matériau topologique - Une étape importante dans la recherche sur les matériaux
Comment les déchets textiles sont transformés en nouvelles ressources pour un avenir plus durable de l'industrie de la mode - La start-up Renasens est l'un des 5 finalistes de l'ISC3 Innovation Challenge 2024 sur le thème 'Innovations in Sustainable Chemistry for Textiles' (Innovations en chimie durable pour les textiles)
Comment l'apprentissage automatique peut aider à prédire les propriétés spectrales des matériaux
Un microscope à rayons X unique ouvre la voie à des batteries plus puissantes - Nouvelles perspectives sur les changements morphologiques et chimiques dans les matériaux pour batteries
Comment la morphologie des surfaces peut-elle modifier la sélectivité en électrocatalyse ? - La rugosité du catalyseur, un facteur clé
"L'intégration de la robotique et de l'IA est sur le point de révolutionner les laboratoires scientifiques - En automatisant les tâches de routine, les scientifiques peuvent se concentrer sur des questions de recherche de plus haut niveau, ouvrant ainsi la voie à des percées plus rapides
