VICKI: Voraussage von Inhomogenitäten und Clusterdynamik mittels Künstlicher Intelligenz

Abstract

Das Ziel des Projekts VICKI war die Anwendung von Methoden der künstlichen Intelligenz/des maschinellen Lernens (KI/ML) zur Vorhersage von Clusterbildung in granularen Partikelensembles mit geringer Partikeldichte (granulare Gase). Das Projekt befasste sich mit dem Effekt, der auftritt, wenn eine externe Anregung des Ensembles mit einer bestimmten globalen Mindestpackungsdichte zur Bildung von Regionen mit hoher Dichte führt. Dieser Clustering-Effekt kann lokal begrenzt und dynamisch sein. Experimente mit granularen Gasen erfordern eine hochpräzise Mikrogravitation. Dies macht die experimentelle Untersuchung solcher Systeme äußerst schwierig. Die meisten theoretischen Studien wurden mit numerischen Simulationen unter Verwendung der Diskreten-Elemente-Methode (DEM) durchgeführt, die mit besonders hohen Rechenkosten verbunden sind. Das Projekt VICKI konzentrierte sich auf die Untersuchung der Möglichkeit, die Ergebnisse der dynamischen Clusterbildung für verschiedene Systeme auf der Grundlage der Systemparameter vorherzusagen, ohne dass kostenintensive DEM-Simulationen erforderlich sind. Stattdessen kann das Verhalten eines solchen komplexen und nichtlinearen Systems durch Methoden des ML vorhergesagt werden. Ein zumindest qualitativer Vergleich mit experimentellen Ergebnissen ist ebenfalls von Vorteil und schützt vor offensichtlichen Fehlern, die bei der Anwendung von KI/ML-basierten Methoden möglich sind. Im Rahmen des Projekts VICKI wurden mehrere Simulationen von Systemen mit unterschiedlichen Packungsdichten und externen Anregungsparametern durchgeführt und auf der Grundlage dieser Daten verschiedene ML-Methoden getestet. Es wurden Vorhersageergebnisse für kugelförmige und stabförmige Partikel erzielt. Der im Projekt VICKI entwickelte Arbeitsablauf kann auf andere Systemgeometrien und Partikelformen erweitert werden. Simulationen für Partikel mit komplexeren Formen und höherer Clustering-Affinität wurden ebenfalls durchgeführt. Darüber hinaus wurden die experimentellen Daten zum Jamming-Übergang im Siloausfluss der Mischung aus weichen und harten Partikeln gesammelt und mit Hilfe von ML-Methoden analysiert. Der Simulationscode wurde entwickelt, um die Daten zu ergänzen und ein besseres Verständnis solcher Systeme zu ermöglichen. Hier wurden Ergebnisse zur Möglichkeit der Vorhersage bevorstehender Verstopfungen auf der Grundlage des aktuellen Zustands und der Dynamik des Systems erzielt. The goal of project VICKI was the use of Artificial intelligence/Machine learning (AI/ML) methods for prediction of clustering in granular particle ensembles with low particle density (Granular Gases). The project was concerned with the effect when external excitation of the ensemble with a certain minimal global packing fraction leads to creation of high-density regions where the system behaves more like a liquid. This clustering can be localized and dynamic. Experiments with such ensembles require high-precision microgravity, and to observe the onset of clustering, long microgravity times are often needed as well. This makes the experimental study of such systems extremely hard to achieve. The majority of theoretical studies have been conducted with numerical simulations based on DEM methods, which have particularly high computational costs. Project VICKI was focused on the possibility to predict the dynamical clustering results for different systems based on the system parameters without the need of costly DEM simulations. Instead, the behavior of such complex and non-linear systems can be predicted by ML models trained on the simulated data. Comparison with experimental results also benefits the robustness of the predictions and helps to avoid obvious mistakes which are possible by application of AI/ML based methods. In VICKI project, multiple simulations of systems with different packing fractions and external excitation parameters were performed, and based on these data different ML methods were tested. The prediction results for spherical and rod-shaped particles were achieved. The workflow developed in project VICKI can be extended to other system geometries and particle shapes. Simulations for particles of complex shapes with higher clustering affinity were performed as well. In addition to the study of granular gases, the experimental data related to jamming transition in the silo outflow of the mixed soft and hard particles was collected and analyzed with the help of ML methods. The simulation code was developed for augmentation of the data and better understanding of such systems. Here, results on the possibility of predicting the upcoming clogs based on the current state and dynamics of the system have been achieved