DEM-ML

El objetivo del proyecto es incorporar técnicas de Inteligencia Artificial (IA), específicamente el Aprendizaje Automático (ML), en el núcleo del software ScaleDEM (una herramienta computacional desarrollada por UGent-MMS e ITC-MIP para simular materiales en polvo en escenarios industriales) para mejorar la precisión y eficiencia de estas y reducir drásticamente su coste computacional.

Puede reducirse drásticamente el coste computacional de la evaluación de contactos entre gránulos de polvo a través del uso del Deep Learning. Específicamente, el uso de redes neuronales recurrentes (RNN) es muy prometedor en esta etapa del método numérico.

Puede aumentarse el paso temporal necesario para la integración de las ecuaciones constitutivas del modelo, traduciéndose en una reducción del coste computacional del método. El uso del RNN también se aplica en esta etapa, simulando el comportamiento de métodos de integración numérica semi-implícita de forma automática en función de la estructura granular a simular.

Para facilitar la interpretación de resultados se pueden utilizar técnicas de visión por computadora y procesamiento de imágenes basadas en IA. En este punto, se aplican las mismas técnicas de IA que aplican los escaladores de imágenes, como viene siendo el uso de redes Transformers. El beneficio en este punto es doble: por un lado, se incrementa la resolución de los resultados facilitándose la interpretación; por otro lado, al poderse incrementar la resolución de los resultados las simulaciones pueden realizarse con menor número de partículas sin pérdida de precisión, reduciéndose enormemente el coste computacional de las simulaciones.

Con respecto el fomento de la economía circular, la reducción del coste computacional del método implica que, para una misma simulación, el consumo energético se reduce. Además, las técnicas de IA utilizadas hacen un uso masivo de GPUs, las cuales tienen asociadas un coste energético mucho menor que una CPU para una misma cantidad de datos procesados.