Vorhersage von Kraftketten für dichte granulare Strömungen mithilfe eines maschinellen Lernansatzes

Kraftketten-Netzwerke zwischen Partikeln spielen eine entscheidende Rolle beim Verständnis und der Modellierung dichten granularen Strömungen, mit weitreichenden Anwendungen von Bauwerksingenieurwesen bis hin zur Bewertung geophysikalischer Gefahren. Die experimentelle Messung von Mikroskala-Interpartikel-Kräften in dichten granularen Strömungen ist jedoch oft unpraktisch, insbesondere für hochkomplexe granulare Strömungssysteme. Andererseits leiden diskret basierte Simulationsansätze unter extrem hohen Rechenkosten. Daher schlägt diese Studie einen innovativen maschinellen Lernrahmen vor, der darauf abzielt, die Kraftketten-Netzwerke in dichten granularen Strömungen genau vorherzusagen, indem Partikel-Skala- und Großskala-Strömungsmerkmale sowie neuartige topologische Parameter verwendet werden. Ein tiefes neuronales Netzwerk wurde entwickelt, das eine ausgezeichnete Genauigkeit von 94,7%, einen Recall von 100%, eine Präzision von 90,3% und einen F1-Score von 95% für Strömungen des Typs Non-Bagnold erreicht, bei denen die Kraftketten die Strömungseigenschaften erheblich beeinflussen. Darüber hinaus führen wir ein experimentell zugängliches Merkmalsset ein, um die zukünftige Anwendung des vorgeschlagenen Modells zu bereichern, das eine effektive Leistung beim Erkennen von Kraftketten demonstriert. Noch wichtiger ist, dass unsere Analyse der Merkmalsbedeutung mithilfe von Shapley-additiven Erklärungswerten fundierte Entscheidungen bei der Identifizierung von Kraftketten in realen Experimenten mit dichten granularen Strömungen erleichtert. Die vorgeschlagene Architektur des maschinellen Lernens wird für alle dichten granularen Strömungen von Interesse sein und ist entscheidend, wenn die Erkennung von Kraftketten äußerst herausfordernd ist.