Redução do número de simulações para identificação de parâmetros de modelos DEM usando redes neurais e planejamento de experimentos

Reduction of number of simulations for parameters identification of DEM models using neural network and design of experiments

RESUMO

O Método de Elementos Discretos (Discrete Element Method - DEM) vem sendo uma ferramenta amplamente usada para simulação de fluxo de material granulado, que abrange diversas aplicações industriais. Para que os resultados da modelagem DEM sejam representativos, é necessário que os valores dos parâmetros de entrada (parâmetros da lei de contato ou microscópicos) do material sejam identificados. Neste procedimento, uma grande dificuldade é o alto custo computacional quando há muitas partículas pequenas e de formas irregulares. Assim, em simulações DEM, é prática comum usar partículas esféricas e em maior escala com a inclusão do parâmetro atrito de rolamento para aumentar a resistência ao cisalhamento. Para usual identificação de parâmetros DEM usando partículas esféricas aumentadas, realizam-se experimentos de laboratório e mede-se uma ou mais propriedades macroscópicas do material particulado. Então, ajustam-se os parâmetros microscópicos até que a predição da propriedade macroscópica do material seja alcançada (geralmente o ângulo de repouso). Em geral, este processo de identificação de parâmetros pode levar muito tempo, pois muitas simulações numéricas serão necessárias devido à multidimensionalidade de parâmetros. A fim de reduzir o número de simulações DEM para se determinar um adequado conjunto de parâmetros de entrada, este trabalho apresenta um método utilizando Planejamento de Experimentos para o planejamento de simulações DEM usando apenas 1/16 de um Fatorial Completo. Esse conjunto de simulações DEM possibilita a geração de uma Rede Neural Artificial que reproduz as simulações DEM, fazendo com que as demais simulações do fatorial completo seja realizada pela rede neural, reduzindo bastante o tempo das demais simulações para atingir o fatorial completo. Desta forma, com o modelo de regressão pela rede neural determina-se um adequado conjunto de parâmetros de entrada do modelo DEM que fornece o comportamento macroscópico almejado do material particulado. O método proposto foi aplicado em um estudo de caso da literatura. Como resultado, o número de simulações DEM foi reduzido em 66,7% para identificar um conjunto de parâmetros de entrada para predição do ângulo de repouso de um minério de ferro coesivo.

Palavras-chave
Modelo DEM; identificação de parâmetros; redes neurais; planejamento de experimentos