Untersuchung des Fließ- und Kompressionsverhaltens von Pulvern und nicht-sphärischen Partikeln mittels DEM-Simulationen und Deep Learning

Diese Arbeit konzentrierte sich auf die zwei industriell relevanten Partikelsysteme der feinen Pulver und der groben nicht-sphärischen Partikel. Für Pulver zeigen sich Kenntnislücken bei der Entleerung aus Silos aufgrund des negativen Einflusses der interstitiellen Luft, sowie bei der Modellierung elastisch-plastischer Deformation bei hohen Spannungen. Weiterhin ist das Verhalten nicht-sphärischer Partikel aufgrund der komplexen Beschreibung der eigentlichen Form und der Vielzahl an Formvariationen nur schwer vorhersagbar. Für Pulverentleerungsprozesse gelangen realistische Simulationen durch umfassende experimentelle Kalibrierung und Validierung eines DEM-Kontaktmodells für ein Laktosepulver. Es zeigte sich ein starker Einfluss der Silogeometrie auf das Fließverhalten und auf die Interaktion mit der interstitiellen Luft. Konträr zu gängigen Annahmen führte dies zu einem Massenstrommaximum bei einer flachen Trichterausführung. Die Erkenntnisse wurden in einem erweiterten Massenstrommodell implementiert. Um numerische Simulationen von Fließ- und Kompressionsprozessen unter hohen Spannungen für z.B. Kalibrierungen oder Optimierung von Tablettierung zu ermöglichen, wurde ein neues elastisch-plastisches kohäsives Kontaktmodell entwickelt. Das Modell benötigt dabei keine Fitting-Parameter und kann mit intrinsischen messbaren Materialeigenschaften kalibriert werden. Die Vorhersage des Verhaltens nicht-sphärischer Partikel wurde mithilfe eines dreidimensionalen Convolutional Neural Networks (CNN) realisiert. Hiermit war es möglich, die gesamte Partikelform ohne Informationsverlust als Eingangsgröße zu definieren. Hierbei konnten industriell relevante Partikeltypen hinsichtlich der Packungsdichte und Entleerbarkeit klassifiziert werden.