粉体粗視化モデルの開発と粉体混合の高速計算

点击翻译按钮获取中文摘要

粉体混合は，あらゆる産業分野の根幹を支える重要な粉体単位操作である．粉体の混合度（均一性を表す指標）は，これを加工して得られる最終製品の品質に大きく影響を及ぼすため，混合度を予測する手法が求められている．混合度の予測には，離散要素法（DEM）を用いた数値シミュレーションが広く用いられている．DEMは粉体を構成する個々の粒子について運動方程式を解くことで，粉体全体の非定常運動を求める手法である．この計算は極めて小さいタイムステップ（数マイクロオーダー）毎に行われ，粉体混合の全過程（数百秒オーダー）を計算するためには，膨大な数の時間発展計算を繰り返す必要がある．そこで本年度の研究では，DEMで計算した粒子運動データで学習し，これを用いて，極めて大きなタイムステップで粒子の運動を高速計算できる手法Recurrent Neural Network with Stochastically calculated Random motion (RNNSR)を開発した．RNNSRでは粒子運動挙動を平均成分とランダム成分を分割し，それぞれ機械学習モデル(RNN)とランダムモデル(SR)で予測した．そして提案したRNNSRを転動型ドラム混合機に適用し，混合挙動，粒子速度および計算速度の観点から妥当性を検証した．その結果，RNNSRによって混合挙動，粒子速度が精度よく予測できることを確認した．また計算速度をDEMと比較した場合，RNNSRによって高速で運動挙動の予測が可能であることが示された．本検討における成果は国内外の4件の学会で発表し，2件の受賞に至った．また本研究における成果は論文への投稿を進めている．