NeuralDEM: simulación pionera de alto rendimiento de sistemas de partículas a gran escala con arquitecturas de operadores neuronales de múltiples ramas

Los avances en la simulación de flujos de partículas han tenido un impacto significativo en industrias que van desde la minería hasta la farmacéutica. Los sistemas de partículas consisten en materiales granulares que interactúan entre sí y con los fluidos circundantes, y su modelado preciso es fundamental para optimizar los procesos. Sin embargo, los métodos numéricos tradicionales como el Método de Elementos Discretos (DEM) enfrentan limitaciones computacionales sustanciales. Estos métodos rastrean los movimientos y las interacciones de las partículas resolviendo las ecuaciones de movimiento de Newton, lo que requiere enormes recursos computacionales. Junto con las simulaciones de dinámica de fluidos, DEM se vuelve aún más exigente, lo que hace que las simulaciones a gran escala o de larga duración no sean prácticas para aplicaciones en tiempo real.

Uno de los desafíos centrales en este dominio radica en la naturaleza multiescala de los sistemas de partículas. Simular millones de partículas que interactúan a lo largo del tiempo requiere pasos de tiempo a escala de microsegundos, lo que hace que las simulaciones se ejecuten durante horas o incluso días. Además, DEM requiere una calibración exhaustiva de las propiedades microscópicas del material, como los coeficientes de fricción, para lograr resultados macroscópicos precisos. Esta calibración es tediosa y propensa a errores, lo que complica aún más la integración de estas simulaciones en flujos de trabajo industriales iterativos. Los métodos existentes, aunque correctos, necesitan ayuda para adaptarse a las enormes demandas computacionales de los sistemas industriales con más de 500.000 partículas o células de fluido.

Investigadores de NXAI GmbH, el Instituto de Aprendizaje Automático, JKU Linz, la Universidad de Ámsterdam y el Instituto Holandés del Cáncer desarrollaron NeuralDEM. NeuralDEM emplea aprendizaje profundo para reemplazar las rutinas computacionalmente intensivas de DEM y CFD-DEM. Este marco modela la dinámica de partículas y las interacciones de fluidos como campos continuos, lo que reduce significativamente la complejidad computacional. Al aprovechar los operadores neuronales de múltiples ramas, NeuralDEM predice directamente comportamientos macroscópicos como regímenes de flujo y fenómenos de transporte sin requerir una calibración detallada de parámetros microscópicos. Esta capacidad de generalizar en diversas condiciones del sistema es una innovación clave, que permite una simulación perfecta de diversas geometrías, propiedades de partículas y condiciones de flujo.

La arquitectura de NeuralDEM se basa en el concepto de transformadores de múltiples ramas. Estos operadores neuronales procesan múltiples fenómenos físicos simultáneamente. Por ejemplo, el marco utiliza ramas primarias para modelar la física central, como el desplazamiento de partículas y la velocidad del fluido, mientras que las ramas auxiliares manejan cantidades macroscópicas como el transporte y la mezcla de partículas. Este diseño permite a NeuralDEM simular escenarios altamente complejos que involucran 500.000 partículas y 160.000 células fluidas, como se demuestra en los experimentos del reactor de lecho fluidizado. A diferencia del DEM tradicional, NeuralDEM opera en intervalos de tiempo más aproximados, logrando un rendimiento de simulación en tiempo real para procesos de larga duración.

En la validación experimental, NeuralDEM se aplicó a sistemas de reactores de lecho fluidizado y de tolva, demostrando su versatilidad y eficiencia. En simulaciones de tolva con 250.000 partículas, NeuralDEM capturó con precisión fenómenos de flujo macroscópicos, como el flujo másico y los regímenes de flujo en embudo. Predijo con éxito las tasas de flujo de salida, los tiempos de drenaje y los volúmenes de material residual con una desviación mínima de los resultados DEM reales. Por ejemplo, NeuralDEM estimó los tiempos de drenaje dentro de 0,19 segundos de los cálculos DEM y predijo los volúmenes de material residual con un error promedio del 0,41%. Estas simulaciones requirieron solo una fracción del tiempo computacional en comparación con DEM, logrando un rendimiento en tiempo real.

En reactores de lecho fluidizado, NeuralDEM demostró su capacidad para modelar fenómenos rápidos y transitorios que implican fuertes interacciones entre partículas y fluidos. Las simulaciones con 500.000 partículas y 160.000 celdas de fluido replicaron con precisión comportamientos de mezcla, tiempos de residencia y patrones de flujo dinámico. Los investigadores destacaron la capacidad de NeuralDEM para simular trayectorias de 28 segundos en sólo 2800 pasos de tiempo de aprendizaje automático, una reducción significativa en comparación con los métodos tradicionales. Esta eficiencia posiciona a NeuralDEM como una herramienta transformadora para aplicaciones industriales que requieren un modelado de procesos rápido y confiable.

La investigación presenta conclusiones clave que resaltan el potencial de NeuralDEM como tecnología revolucionaria:

• Escalabilidad: Sistemas simulados con éxito con hasta 500.000 partículas y 160.000 celdas de fluido, ampliando significativamente la aplicabilidad del modelado numérico a problemas de escala industrial.
• Precisión: se logró una alta fidelidad en el modelado de regímenes de flujo complejos, con errores tan bajos como 0,41 % para las predicciones de material residual.
• Eficiencia: Reducción de los tiempos computacionales de horas a tiempo real, lo que hace factible el diseño iterativo y la optimización.
• Generalidad: Robustez demostrada en diversos parámetros del sistema, incluidas geometrías, propiedades de materiales y velocidades de flujo.
• Innovación: Se introdujeron operadores neuronales de múltiples ramas capaces de desacoplar el modelado microscópico y macroscópico para mejorar la flexibilidad y la precisión.

En conclusión, NeuralDEM representa un paso adelante en la simulación de flujos de partículas, cerrando la brecha entre la viabilidad computacional y la aplicabilidad industrial. Al aprovechar el aprendizaje profundo para abordar las limitaciones de los métodos tradicionales, NeuralDEM ha redefinido el panorama del modelado numérico. Su eficiencia, escalabilidad y precisión lo convierten en una herramienta fundamental para las industrias que buscan optimizar procesos y acelerar los ciclos de ingeniería. Los resultados de esta investigación muestran un camino claro para integrar simulaciones avanzadas en flujos de trabajo del mundo real, abriendo nuevas posibilidades de innovación en el modelado de sistemas de partículas.

Mira el Papel y Proyecto. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 55.000 ml.

(SEMINARIO WEB GRATUITO sobre IA) Implementación del procesamiento inteligente de documentos con GenAI en servicios financieros y transacciones inmobiliarias– Del marco a la producción

Nikhil es consultor interno en Marktechpost. Está cursando una doble titulación integrada en Materiales en el Instituto Indio de Tecnología de Kharagpur. Nikhil es un entusiasta de la IA/ML que siempre está investigando aplicaciones en campos como los biomateriales y la ciencia biomédica. Con una sólida formación en ciencia de materiales, está explorando nuevos avances y creando oportunidades para contribuir.