基于机器学习算法的颗粒力学模拟聚类分析

IF 0.3 Q4 ENGINEERING, MULTIDISCIPLINARY
Daniela N. Rim, E. N. Millán, M. B. Planes, E. Bringa, L. G. Moyano
{"title":"基于机器学习算法的颗粒力学模拟聚类分析","authors":"Daniela N. Rim, E. N. Millán, M. B. Planes, E. Bringa, L. G. Moyano","doi":"10.31908/19098367.2058","DOIUrl":null,"url":null,"abstract":"Las simulaciones de dinámica molecular (MD) en colisiones de granos permiten incorporar propiedades complejas de interacciones de polvo. Realizamos simulaciones de colisiones de granos porosos, cada uno con muchas partículas, utilizando el software LAMMPS de MD. Las simulaciones consistieron en un grano de proyectil que golpeó un grano objetivo inmóvil más grande, con diferentes velocidades de impacto. La desventaja de este método es el gran costo computacional debido a que se modela una gran cantidad de partículas. Machine Learning (ML) tiene el poder de manipular grandes datos y construir modelos predictivos que podrían reducir los tiempos de simulación MD. Usando algoritmos ML (Support Vector Machine y Random Forest) podemos predecir el resultado de las simulaciones MD con respecto a la formación de fragmentos, después de varios pasos más pequeños que en las simulaciones MD habituales. Logramos una reducción de tiempo de al menos un 46%, para una precisión del 90%. Estos resultados muestran que SVM y RF pueden ser herramientas poderosas pero simples para reducir el costo computacional en simulaciones de fragmentación de colisiones.","PeriodicalId":41325,"journal":{"name":"ENTRE CIENCIA E INGENIERIA","volume":" ","pages":""},"PeriodicalIF":0.3000,"publicationDate":"2020-12-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Análisis de clústeres para simulaciones de mecánica granular mediante algoritmos de aprendizaje automático\",\"authors\":\"Daniela N. Rim, E. N. Millán, M. B. Planes, E. Bringa, L. G. Moyano\",\"doi\":\"10.31908/19098367.2058\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Las simulaciones de dinámica molecular (MD) en colisiones de granos permiten incorporar propiedades complejas de interacciones de polvo. Realizamos simulaciones de colisiones de granos porosos, cada uno con muchas partículas, utilizando el software LAMMPS de MD. Las simulaciones consistieron en un grano de proyectil que golpeó un grano objetivo inmóvil más grande, con diferentes velocidades de impacto. La desventaja de este método es el gran costo computacional debido a que se modela una gran cantidad de partículas. Machine Learning (ML) tiene el poder de manipular grandes datos y construir modelos predictivos que podrían reducir los tiempos de simulación MD. Usando algoritmos ML (Support Vector Machine y Random Forest) podemos predecir el resultado de las simulaciones MD con respecto a la formación de fragmentos, después de varios pasos más pequeños que en las simulaciones MD habituales. Logramos una reducción de tiempo de al menos un 46%, para una precisión del 90%. Estos resultados muestran que SVM y RF pueden ser herramientas poderosas pero simples para reducir el costo computacional en simulaciones de fragmentación de colisiones.\",\"PeriodicalId\":41325,\"journal\":{\"name\":\"ENTRE CIENCIA E INGENIERIA\",\"volume\":\" \",\"pages\":\"\"},\"PeriodicalIF\":0.3000,\"publicationDate\":\"2020-12-28\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"ENTRE CIENCIA E INGENIERIA\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.31908/19098367.2058\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q4\",\"JCRName\":\"ENGINEERING, MULTIDISCIPLINARY\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"ENTRE CIENCIA E INGENIERIA","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31908/19098367.2058","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"ENGINEERING, MULTIDISCIPLINARY","Score":null,"Total":0}
引用次数: 0

摘要

颗粒碰撞中的分子动力学模拟允许结合复杂的粉末相互作用特性。我们使用MD的LAMMPS软件对多孔颗粒与许多颗粒的碰撞进行了模拟。模拟包括一个弹丸颗粒,以不同的撞击速度撞击较大的静止目标颗粒。这种方法的缺点是由于模拟了大量的粒子,计算成本很高。机器学习(ML)具有处理大数据和建立预测模型的能力,可以减少MD模拟的时间。使用ML算法(支持向量机和随机森林),我们可以在比通常的MD模拟小几步后,预测MD模拟在碎片形成方面的结果。我们实现了至少46%的时间减少,精度为90%。这些结果表明,SVM和RF可以成为降低碰撞碎片模拟计算成本的强大而简单的工具。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Análisis de clústeres para simulaciones de mecánica granular mediante algoritmos de aprendizaje automático
Las simulaciones de dinámica molecular (MD) en colisiones de granos permiten incorporar propiedades complejas de interacciones de polvo. Realizamos simulaciones de colisiones de granos porosos, cada uno con muchas partículas, utilizando el software LAMMPS de MD. Las simulaciones consistieron en un grano de proyectil que golpeó un grano objetivo inmóvil más grande, con diferentes velocidades de impacto. La desventaja de este método es el gran costo computacional debido a que se modela una gran cantidad de partículas. Machine Learning (ML) tiene el poder de manipular grandes datos y construir modelos predictivos que podrían reducir los tiempos de simulación MD. Usando algoritmos ML (Support Vector Machine y Random Forest) podemos predecir el resultado de las simulaciones MD con respecto a la formación de fragmentos, después de varios pasos más pequeños que en las simulaciones MD habituales. Logramos una reducción de tiempo de al menos un 46%, para una precisión del 90%. Estos resultados muestran que SVM y RF pueden ser herramientas poderosas pero simples para reducir el costo computacional en simulaciones de fragmentación de colisiones.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
ENTRE CIENCIA E INGENIERIA
ENTRE CIENCIA E INGENIERIA ENGINEERING, MULTIDISCIPLINARY-
自引率
50.00%
发文量
8
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信