Neuronale Netze sagen Kräfte in gestauten granularen Festkörpern voraus

Forscher unter Leitung der Universität Göttingen entwickeln neue Machine-Learning-Methode zum Verständnis von Kraftketten

05.09.2022 - Deutschland

Körniges Material ist überall um uns herum. Beispiele sind Sand, Reis, Nüsse, Kaffee und sogar Schnee. Diese Materialien bestehen aus festen Teilchen, die groß genug sind, um keine thermischen Schwankungen zu erfahren. Stattdessen wird ihr Zustand durch mechanische Einflüsse bestimmt: Durch Schütteln entstehen "körnige Gase", während man durch Komprimieren "körnige Feststoffe" erhält. Ein ungewöhnliches Merkmal solcher Festkörper ist, dass sich die Kräfte innerhalb des Materials auf im Wesentlichen linearen Bahnen konzentrieren, die als Kraftketten bezeichnet werden und deren Form der eines Blitzes ähnelt. Neben körnigen Festkörpern können auch andere komplexe Festkörper wie dichte Emulsionen, Schäume und sogar Gruppen von Zellen solche Kraftketten aufweisen. Forscher unter der Leitung der Universität Göttingen nutzten maschinelles Lernen und Computersimulationen, um die Position von Kraftketten vorherzusagen. Die Ergebnisse wurden in Nature Communications veröffentlicht.

Rituparno Mandal

Die Abbildung zeigt die Konfiguration eines typischen körnigen Festkörpers (linke Seite). Das Kraftnetzwerk oder die Kraftkette in einem solchen Material ist auf der rechten Seite dargestellt.

Die Bildung von Kraftketten ist sehr empfindlich gegenüber der Art und Weise, wie die einzelnen Körner interagieren. Daher ist es sehr schwierig vorherzusagen, wo sich Kraftketten bilden werden. Durch die Kombination von Computersimulationen mit Werkzeugen der künstlichen Intelligenz haben Forscher des Instituts für Theoretische Physik der Universität Göttingen und der Universität Gent diese Herausforderung angenommen und ein neuartiges Werkzeug zur Vorhersage der Bildung von Kraftketten sowohl in reibungsfreier als auch in reibungsbehafteter granularer Materie entwickelt. Der Ansatz verwendet eine maschinelle Lernmethode, die als Graph Neural Network (GNN) bekannt ist. Die Forscher haben gezeigt, dass GNNs in einem überwachten Ansatz trainiert werden können, um die Position von Kraftketten vorherzusagen, die bei der Verformung eines granularen Systems entstehen, wenn eine undeformierte statische Struktur vorliegt.

"Das Verständnis von Kraftketten ist entscheidend für die Beschreibung der mechanischen und Transporteigenschaften von granularen Festkörpern, und dies gilt für eine Vielzahl von Situationen - zum Beispiel wie sich Schall ausbreitet oder wie Sand oder eine Packung Kaffeekörner auf mechanische Verformung reagieren", erklärt Dr. Rituparno Mandal, Institut für Theoretische Physik, Universität Göttingen. Mandal fügt hinzu: "Eine aktuelle Studie legt sogar nahe, dass Lebewesen wie Ameisen die Wirkung von Kraftkettennetzwerken ausnutzen, wenn sie Erdkörner für einen effizienten Tunnelaushub entfernen."

"Wir haben mit verschiedenen auf maschinellem Lernen basierenden Werkzeugen experimentiert und festgestellt, dass ein trainiertes GNN bemerkenswert gut aus Trainingsdaten verallgemeinern kann, so dass es in der Lage ist, Kraftketten in neuen unverformten Proben vorherzusagen", sagt Mandal. "Wir waren fasziniert davon, wie robust die Methode ist: Sie funktioniert außergewöhnlich gut für viele Arten von computergenerierten granularen Materialien. Wir planen derzeit, diese Methode auf experimentelle Systeme im Labor auszuweiten", fügt Corneel Casert, Erstautor der Universität Gent, hinzu. Der Erstautor, Professor Peter Sollich vom Institut für Theoretische Physik der Universität Göttingen, erklärt: "Die Effizienz dieser neuen Methode ist für verschiedene Szenarien mit unterschiedlicher Systemgröße, Partikeldichte und Zusammensetzung verschiedener Partikeltypen erstaunlich hoch. Das bedeutet, dass sie nützlich sein wird, um Kraftketten für viele Arten von granularer Materie und Systemen zu verstehen."

Die Studie wurde dank der Finanzierung durch das Forschungs- und Innovationsprogramm Horizont 2020 der Europäischen Union im Rahmen eines Marie Skłodowska-Curie-Stipendiums ermöglicht.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Weitere News aus dem Ressort Wissenschaft

Meistgelesene News

Weitere News von unseren anderen Portalen

Alle FT-IR-Spektrometer Hersteller

Verwandte Inhalte finden Sie in den Themenwelten

Themenwelt Künstliche Intelligenz (KI) für Lebensmittel und Getränke

Künstliche Intelligenz (KI) optimiert die Lebensmittel- und Getränkeindustrie durch automatisierte Qualitätskontrollen und präzisere Nachfrageprognosen. Besonders in der Produktentwicklung spielt KI eine wichtige Rolle, indem sie Geschmacksvorlieben und Markttrends analysiert. Dadurch können neue Produkte entwickelt werden, die besser auf die Bedürfnisse der Verbraucher abgestimmt sind, was die Effizienz und Kundenzufriedenheit steigert.

Themenwelt anzeigen
Themenwelt Künstliche Intelligenz (KI) für Lebensmittel und Getränke

Themenwelt Künstliche Intelligenz (KI) für Lebensmittel und Getränke

Künstliche Intelligenz (KI) optimiert die Lebensmittel- und Getränkeindustrie durch automatisierte Qualitätskontrollen und präzisere Nachfrageprognosen. Besonders in der Produktentwicklung spielt KI eine wichtige Rolle, indem sie Geschmacksvorlieben und Markttrends analysiert. Dadurch können neue Produkte entwickelt werden, die besser auf die Bedürfnisse der Verbraucher abgestimmt sind, was die Effizienz und Kundenzufriedenheit steigert.