通过转移学习进行基于AI的自适应替代模型,用于DEM模拟多组件分离的模拟
Ahmed Hadi1, Morteza Moradi2, Yusong Pang3
1Department of Maritime and Transport Technology, Faculty of Mechanical Engineering, Delft University of Technology, Delft, 2628CD, The Netherlands. A.H.Hadi-1@tudelft.nl.
Scientific reports
|November 6, 2024
概括
机器学习替代模型 (SMs) 加快颗粒材料离散元件方法 (DEM) 校准. 一种新的转移学习方法显著减少了对新情景的数据需求,提高了使用最小样本的模型准确性.
科学领域:
- 计算物理和工程计算物理和工程
- 材料科学和颗粒力学 颗粒力学
- 机器学习在科学建模中的应用.
背景情况:
- 颗粒状材料的分离是一个重要的工业挑战.
- 离散元件方法 (DEM) 模拟提供了洞察力,但需要广泛的校准.
- 机器学习 (ML) 替代模型 (SMs) 为DEM校准提供了一个有前途的解决方案.
研究的目的:
- 开发有效的SM,将DEM相互作用参数与颗粒分离联系起来.
- 为了评估各种ML模型并使用贝叶斯优化优化超参数.
- 为适应性中小企业在新情景中引入转移学习 (TL) 方法.
主要方法:
- 在经济高效的DEM模拟数据上训练了多个ML模型 (ANN,合体学习).
- 采用贝叶斯优化与超参数调整的交叉验证.
- 开发了一种基于TL的新方法,使用高斯过程回归 (GPR) 来处理未见的场景.
主要成果:
- 高斯过程回归 (GPR) 在非常小的数据集中显示出高精度.
- 通过TL方法,在很少样本的情况下,可以为未见的初始配置提供准确的SM.
- 在未见的场景中,对TL-GPR观察到17% (1个样本) 和47% (5个样本) 的性能改善.
结论:
- 拟议的基于TL的SM显著降低了DEM校准的数据负担.
- 这种方法加速了对颗粒材料的可靠DEM模型的开发.
- 这些发现有助于有效校准和预测颗粒分离现象.
