GranML

Over dit project

Granulaire materialen (GM's) zijn simpelweg een verzameling van afzonderlijke deeltjes, bijvoorbeeld rijst, koffie of ijzererts. Hoewel ze er eenvoudig uitzien, spelen GM's een cruciale rol in verschillende processen in de chemisch-farmaceutische, hightech-, agrovoedings- en energiesector. Voorbeelden hiervan zijn lasersinteren in additive manufacturing, tabletten maken in de farmaceutische industrie of gewoon het mengen van uw favoriete knapperige mueslimix in de voedingsindustrie. Deze processen voor de verwerking van bulkmaterialen staan echter bekend om hun inefficiëntie en ineffectiviteit. Dit heeft gevolgen voor de totale kosten en de productkwaliteit.

Om de kwaliteit van een proces te begrijpen en te verbeteren, maken GM-industrieën gebruik van computersimulaties, net zoals auto's en vliegtuigen sinds de jaren negentig worden ontworpen en geoptimaliseerd. Net zoals ingenieurs geavanceerde computermodellen gebruiken om ons brandstofzuinige voertuigontwerp te ontwikkelen, worden ook energiebesparende granulaire processen ontwikkeld met behulp van op fysica gebaseerde simulatiemodellen, met behulp van een computer.

Hoewel op fysica gebaseerde modellen grootschalige processen effectief kunnen optimaliseren, is het creëren en simuleren van een volledig representatief virtueel prototype van een GM-proces zeer iteratief, rekenintensief en tijdrovend. Daarentegen kan machine learning (ML), gezien de beschikbare gegevens, hier van enorme waarde zijn. Net zoals ML de gezondheidszorg, de energiesector en andere topsectoren heeft getransformeerd, zijn recente ML-gebaseerde ontwikkelingen voor GM's veelbelovend voor snellere virtuele prototyping en lagere rekenkosten. Hierdoor kunnen industrieën snel ontwerpen en optimaliseren, waardoor realtime, datagestuurde besluitvorming wordt verbeterd. 

De aanpak

GranML heeft als doel de GM-industrieën te versterken met ML. We zullen dit doen door:

• een diepgaande literatuurstudie over GM-ML uit te voeren;
• openbaar toegankelijke ML-implementatierichtlijnen te ontwikkelen;
• en een open-source proof-of-concept voor een voor de industrie relevante use case te ontwikkelen.

Uiteindelijk is het onze vervolgmissie om voort te bouwen op deze essentiële kennis door:

• het consortium uit te breiden;
• gezamenlijk een uniforme methodologie te ontwikkelen voor efficiënte computerprototyping, waarbij fysica- en ML-gebaseerde technologieën voor GM's worden verenigd;
• de bestaande infrastructuur voor computermodellering te verbeteren;
• en validatie door middel van op de industrie gerichte demonstratiemodellen.

Leer meer over dit project en de resultaten op de website van SIA.