Zur Seitenansicht
 

Titelaufnahme

Titel
Identification of DEM Simulation Parameters by Artificial Neural Networks and Bulk Experiments / eingereicht von Luca Benvenuti
VerfasserBenvenuti, Luca
Begutachter / BegutachterinPirker, Stefan ; Pereira, Gerald G.
ErschienenLinz, März 2016
Umfangxii, 122 Blätter : Illustrationen
HochschulschriftUniversität Linz, Univ., Dissertation, 2016
Anmerkung
Zusammenfassung in deutscher Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)künstliche neuronale Netze / Discrete Element Methode / Simulationen / Bulk-Experimente
Schlagwörter (EN)artificial neural networks / discrete element method / simulations / bulk experiments
Schlagwörter (GND)Diskrete-Elemente-Methode / Neuronales Netz / Bulk / Simulation
URNurn:nbn:at:at-ubl:1-8607 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist gemäß den "Hinweisen für BenützerInnen" verfügbar
Dateien
Identification of DEM Simulation Parameters by Artificial Neural Networks and Bulk Experiments [88.86 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Viele Industriezweige verarbeiten granulare Medien. Diese Arbeit beschreibt wie das Verhalten von Partikeln über numerische Simulationen, experimentelle Laborversuche, und künstlichen neuronale Netze (KNN) abgebildet werden kann. Die makroskopischen Simulationsergebnisse der Diskreten Elemente Methode werden durch die gewählten Kontaktmodelle und die Größenverteilung der Partikel bestimmt. üblicherweise benötigen die verwendeten Modelle semi-empirischen Parameter, welche nur schwierig durch direkte mikroskopische Messungen ermittelt werden können. Um diesen Aspekt zu verdeutlichen, werden die relevanten Bereiche der DEM Theorie erläutert. Die Theorie hinter KNN wird eingeführt um deren Effektivität zur Lösung von inversen Problemen mit nichtlinearer Regression zu demonstrieren. Anschließend werden kleinere DEM Simulationen beschrieben, welche mit unterschiedlichen Parametern und Größenverteilungen durchgeführt wurden. Die makroskopischen Ergebnisse dieser Simulationen wurden dazu verwendet um feed-forward KNNs über Rückpropagierung zu trainieren. Zeitgleich wurde das Verhalten von reinen Partikeln durch makroskopische Laborexperimente charakterisiert. Dafür wurden für die Metallindustrie übliche Partikel verwendet. Der Zusammenhang zwischen den makroskopischen Ergebnissen und mikroskopischen DEM Simulationen konnte darauf hin untersucht werden. Die künstlichen neuronalen Netze wurden anschließend verwendet um das makroskopische Verhalten. Durch diese Methode wurde eine umfassend Datenbank erstellt, welche Parameter von Partikel Simulationen mit makroskopsichen Ausgaben verknüpft. Diese Datenbank kann nun für ein Experiment mit bestimmten granularen Material eine gültige Auswahl von DEM Parametern ermitteln werden. Die Methode wurde zum Abschluss dazu verwendet DEM parameter für zwei industrielle Prozesse bei der Stahlerzeugung zu identifizieren.

Zusammenfassung (Englisch)

Numerous industries process particles. In this work, we focused on how to efficiently picture the behaviour of particles by means of numerical simulations, laboratory experiments, and Artificial Neural Networks (ANNs). Particle-particle contact laws and particles size distributions determine the macroscopic results in Discrete Element Method (DEM) simulations. Commonly, contact laws depend on semi-empirical parameters which are difficult to obtain by direct microscopic measurements. To clarify this aspect, we present the related elements of the DEM theory. The ANN theory is also introduced to demonstrate ANN effectiveness towards the solution of inverse problems with non linear regression. Later, we describe the series of small scale DEM simulations with different sets of particle-based simulation parameters and particle distributions, which we performed. The macroscopic results of these simulations were used to train dedicated feed-forward ANNs by the backward propagation reinforcement algorithm. Concurrently, the bulk behaviours of raw particles were characterized by means of macroscopic laboratory experiments. These particles were those commonly used by metallurgical industries. At this point, the relationship between macroscopic results and microscopic DEM simulation parameters could be investigated. We subsequently utilized this artificial neural network to predict the macroscopic ensemble behaviour in relation to additional sets of particle-based simulation parameters and particle distributions. By this method, a comprehensive database was established, relating particle-based simulation parameters to macroscopic ensemble output. If compared to an experiment of a specific granular material, this database identifies valid sets of DEM parameters which lead to the same macroscopic results as observed in the experiments. Finally, we applied the results of this method of DEM parameter identification to two industrial scale processes of steel production.