Pressemitteilung

Achema 2022: KI trifft Partikeltechnologie, um Vorhersagen zu Fließfähigkeit und Packungsdichte zu vereinfachen

Robert Hesse zeigt die im 3D-Druckverfahren hergestellten nicht-sphärischen Partikel, mit denen er die Simulationsmodelle im Projekt validiert hat. Foto: TUK, Koziel
Die Abbildung zeigt, was das neuronale Netz aus einer Form macht, um Merkmale zu identifizieren. Aus sogenannten Faltungen (Convolutions), welche sich das neuronale Netz mit den Trainingsdaten angeeignet hat, werden Merkmale immer weiter abstrahiert und extrahiert. Oben ist beispielsweise zu sehen, wie ein Würfelrahmen erfasst wird: anhand von zwei Faltungen im ersten Layer und zwei Faltungen im zweiten Layer. Insgesamt gab verfügt das Netz über 6 solcher Layer-Schichten (daher der Name Deep Convolutional Neural Network) mit 32 oder 64 paralleler Faltungen je Layer. Abbildung: Robert Hesse

Runde Partikel und ihre Eigenschaften sind mathematisch einfach zu beschreiben. Doch je weniger rund bzw. sphärisch die Form, desto schwerer wird es, Vorhersagen zu deren Verhalten zu treffen. Etwa, wenn ein Pharmahersteller wissen möchte, wie sich eine andere Tablettenform auf die benötigte Verpackungsgröße auswirkt. Robert Hesse hat in seiner Doktorarbeit an der Technischen Universität Kaiserslautern (TUK) eine Lösung entwickelt, konkret ein neuronales Netz trainiert, um Packungsdichte und Fließfähigkeit von nicht-sphärischen Partikeln automatisiert zu bestimmen. Seine Idee präsentiert er vom 22. bis 26. August auf der Achema am Forschungsstand Rheinland-Pfalz (Stand A35, Halle 6).

Nur wenige Partikel in der Natur oder in der industriellen Fertigung sind exakt rund, sondern es gibt eine Vielzahl an Varianten und Formcharakteristiken. Genau das macht es so kompliziert, nicht-sphärische Partikel zu beschreiben und basierend auf der Beschreibung deren Handhabung zu optimieren. Ein Beispiel: Je runder eine Tablette ist, desto weniger verhakt sie sich mit anderen Tabletten im Abfüllprozess. Eine flache zylindrische Form kann bereits durch leichte Abrundungen optimiert werden, wenn es um die Packungsdichte geht.

Doch wie lassen sich all die Eigenschaften, die Fließfähigkeit und Packungsdichte bestimmen, schnell erfassen, um Entscheidungen zur Wahl einer Form abzuleiten? Was bislang vereinfachte Berechnungen einzelner mathematischer Parameter bzw. Formbestandteile erforderte, kann eine trainierte Künstliche Intelligenz – in dem Fall ein sogenanntes „Deep Convolutional Neural Network“ – anhand eines 3D-Modells automatisiert ableiten. „Über Simulationen, bei denen nur die Form der Partikel variierte, habe ich einen umfassenden Versuchsdatensatz erstellt und damit das neuronale Netz trainiert“, berichtet Hesse, wissenschaftlicher Mitarbeiter am Lehrstuhl für Mechanische Verfahrenstechnik. „Standardisierte Experimente mit 3D-gedruckten Partikeln ermöglichten in der Erprobungsphase die Validierung der Simulationsmethodik– sprich abzugleichen, wie exakt die Simulation echte Partikel abbilden kann.“ 

Das trainierte neuronale Netz filtert nun aus einer beliebigen dreidimensionalen Punktewolke, die die gesamte Form repräsentiert, markante Merkmale wie Rundungen, Ecken, Kanten usw. heraus. Anhand dieser Informationen kann es die Fließfähigkeit und zufällige Packungsdichte analysieren. „Dies ist beispielsweise hilfreich, um die Form pharmazeutischer Produkte hinsichtlich minimaler Maschinendimensionen und Verpackungsgrößen zu optimieren“, sagt der Forscher.

Auf der Achema gibt Hesse interessierten Besuchern anhand einer Posterpräsentation Einblick in seine Forschung und die Fähigkeiten des neuronalen Netzwerkes.


Fragen beantwortet:

Robert Hesse (M.Sc.)
Lehrstuhl für Mechanische Verfahrenstechnik
Tel.: 0631 205-2416
E-Mail: robert.hesse@mv.uni-kl.de

Der Auftritt der Forscherinnen und Forscher der TU Kaiserslautern bei der Achema wird von Klaus Dosch vom Referat für Technologie und Innovation organisiert. Er ist Ansprechpartner für Unternehmen und vermittelt unter anderem Kontakte zur Wissenschaft.
Kontakt: Klaus Dosch, E-Mail: dosch@rti.uni-kl.de, Tel.: 0631 205-3001

Robert Hesse zeigt die im 3D-Druckverfahren hergestellten nicht-sphärischen Partikel, mit denen er die Simulationsmodelle im Projekt validiert hat. Foto: TUK, Koziel
Die Abbildung zeigt, was das neuronale Netz aus einer Form macht, um Merkmale zu identifizieren. Aus sogenannten Faltungen (Convolutions), welche sich das neuronale Netz mit den Trainingsdaten angeeignet hat, werden Merkmale immer weiter abstrahiert und extrahiert. Oben ist beispielsweise zu sehen, wie ein Würfelrahmen erfasst wird: anhand von zwei Faltungen im ersten Layer und zwei Faltungen im zweiten Layer. Insgesamt gab verfügt das Netz über 6 solcher Layer-Schichten (daher der Name Deep Convolutional Neural Network) mit 32 oder 64 paralleler Faltungen je Layer. Abbildung: Robert Hesse

Die TU Kaiserslautern

Die TU Kaiserslautern (TUK) ist eine ingenieur- und naturwissenschaftlich ausgerichtete Forschungsuniversität mit internationaler Sichtbarkeit. Ihren Studierenden bietet sie zukunftsorientierte Studiengänge sowie eine wissenschaftliche Ausbildung mit moderner Infrastruktur und gutem Praxisbezug. An der TUK gibt es neben exzellenter Einzelforschung eine Vielzahl koordinierter Forschungsverbünde. In der Grundlagenforschung sind dies mehrere von der Deutschen Forschungsgemeinschaft geförderte Sonderforschungsbereiche und Transregios. Die Themenbereiche der anwendungsorientierten Forschung werden meist in enger Kooperation mit den zehn Forschungsinstituten am Standort bearbeitet. Indem die TUK Forschungsstärke mit Wissens- und Technologietransfer verbindet, schlägt sie nicht zuletzt die Brücke zwischen Wissenschaft, Wirtschaft und Gesellschaft. Als Campus-Universität am Rande des Pfälzerwaldes zeichnet sie sich durch kurze Wege, ein partnerschaftliches Miteinander und naturnahe Lebens- und Arbeitsqualität aus.

Pressekontakt

Julia Reichelt
Stabsstelle Universitätskommunikation

Tel.: +49(0)631/205-5784
Fax: +49(0)631/205-3658
Mail: presse(at)uni-kl.de
Web: www.uni-kl.de/pr-marketing