EDEM-HyperStudy：机器学习与仿真相结合，实现散装固体混合优化
22/08/2024
-
在 Inspire 中对设备几何形状进行参数化 -
在 EDEM 中进行混合过程模拟 -
在 HyperStudy 中自动生成DoE，并建立机器学习预测模型，根据目标快速预估全局最优参数集
EDEM-HyperStudy：仿真与机器学习相结合实现虚拟优化视频
使用 Inspire 进行几何参数化
桨叶混合机的设计需要进行几何参数化，该案例的几何参数化在 Inspire 软件中执行。通过将设计参数分配给草图和几何工具来定义变量，Inspire 中的变量管理器用于更新参数值以改变桨叶混合机结构的设计。
图 1：Inspire 几何参数化使用 EDEM 进行过程模拟和参数化
图 2 显示了桨叶混合机连续混合过程的 EDEM 仿真示例。设备性能指标以EDEM中颗粒在设备内的停留时间、转轴扭矩和出口质量流量数据来量化评价混合均匀性、能耗以及设备产能。
图 2：EDEM 混合过程仿真
使用 HyperStudy 进行机器学习和设计优化
图 3：DOE的一部分
根据DoE获得的仿真数据，在 HyperStudy 中使用多目标遗传算法，以有效识别给定目标的最佳参数集。多目标优化的结果是下图所示的帕累托前沿，这是没有权重的优化，因此所有目标都被认为是相同的，显示了同时实现不同目标的最佳选择。
通过仿真对比验证了机器学习模型的准确性。根据预测输出参数的模型，算法会在几秒钟内完成数千次模拟设置并预测输出结果，从而节省了大量时间。
此外，可以在HyperStudy中使用加权和方法定义唯一的目标函数并收敛到最佳值。这涉及到为每个目标输出参数分配权重，权重越高，表示该目标的相对重要性越高。
如图 5 所示，性能最佳的结构设计方案中，通过为颗粒停留时间分配更高的相对权重，获得了最佳的混合性能；而在成本效益最佳的方案中，最大限度地减少了桨叶的数量，混合性能则有所降低。
↓↓相关推荐↓↓