Precizno modeliranje kretanja čestica kroz tečnosti je od suštinskog značaja u različitim oblastima, od hemijskog inženjerstva do vazduhoplovstva. Ključni faktor u ovim proračunima je koeficijent otpora, koji utiče na način taloženja i kretanja čestica u fluidnim sredinama. Dok je ponašanje sfernih čestica dobro istraženo, predviđanje koeficijenta otpora nepravilnih oblika je dugo predstavljalo izazov. Integracija mašinskog učenja sa naprednim numeričkim metodama postala je ključna u rešavanju ovog problema.
Tim istraživača sa Univerziteta nauke i tehnologije u Nanjingu i Univerziteta Vestlejk uspešno se pozabavio ovim izazovom kombinujući metodu diskretnih elemenata (DEM) sa rešetkastom Bolcmanovom metodom (LBM). Njihova studija, objavljena u International Journal of Mechanical Sistem Dinamics, uspešno je kreirala skup podataka visoke preciznosti koji je korišćen za razvoj četiri modela mašinskog učenja. Jedan od tih modela postigao je grešku predviđanja manju od 5%, što predstavlja značajan napredak u istraživanju dinamike fluida.
Istraživanje se fokusira na dugogodišnji izazov predviđanja koeficijenta otpora čestica nepravilnog oblika. Korišćenjem DEM i LBM simulacija, istraživači su generisali precizan skup podataka koji je omogućio razvoj više modela mašinskog učenja. Model genetskog algoritma-veštačke neuronske mreže (GA-ANN) pokazao se kao najefikasniji, smanjujući grešku predviđanja na ispod 5%. Ovaj proboj jasno ukazuje na efikasnost mašinskog učenja u poboljšanju tačnosti modela interakcije čestica i tečnosti.
Profesor Čeng Čeng, jedan od vodećih istraživača, ističe: „Ova studija naglašava veliki potencijal mašinskog učenja u rešavanju složenih problema dinamike fluida. Kombinovanjem numeričkih simulacija i veštačke inteligencije, postignut je nivo tačnosti bez presedana u predviđanju koeficijenata otpora poligonalnih čestica, što može imati značajan uticaj u akademskim i industrijskim okruženjima.“
Mogućnost preciznog predviđanja koeficijenata otpora ima široku primenu u različitim industrijama, uključujući hemijsku preradu, inženjering zaštite životne sredine i vazduhoplovnu tehnologiju. Unapređeni modeli predviđanja otpora mogu optimizovati procese poput sedimentacije, filtracije i pogona, čineći sisteme efikasnijim. Očekuje se da će rezultati ovog istraživanja doprineti napretku u dizajniranju interakcije fluida i čestica, sa potencijalom za optimizaciju različitih industrijskih sistema.
