مدل سازی هوشمند انتقال و رفتار مواد دانه ای در ماشین آلات صنایع غذایی با استفاده از شبیه سازی چند مقیاسی و یادگیری عمیق: از دیجیتال توین تا بهینه سازی بلادرنگ فرآیند

مدل سازی هوشمند انتقال و رفتار مواد دانه ای در ماشین آلات صنایع غذایی با استفاده از شبیه سازی چند مقیاسی و یادگیری عمیق: از دیجیتال توین تا بهینه سازی بلادرنگ فرآیند

بهزاد بیضایی1 مرتضی جمشید عینی2

1) دانشجوی کارشناسی ارشد صنایع غذایی دانشگاه آزاد اسلامی واحد علوم و تحقیقات
2) دانش آموخته دکتری صنایع غذایی دانشگاه آزاد اسلامی واحد تهران شمال

کد IOI مقاله : AAGF-AAFAGH
محل انتشار : نهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com/9th)
چکیده :
    با توجه به اهمیت افزایش کارایی و کیفیت در فرآیندهای صنایع غذایی، مدلسازی دقیق رفتار مواد دانه ای (پودری، گرانولی) در ماشین آلات صنعتی از چالش های اصلی در این حوزه است. این مواد به دلیل ساختار پیچیده ذرات و تعاملات متعدد فیزیکی، رفتار غیرخطی و متغیری از خود نشان میدهند که پیشبینی آنها نیازمند رویکردهای پیشرفته است. در این مقاله، یک چارچوب جامع مدلسازی هوشمند ارائه میشود که بر پایه شبیه سازی چند مقیاسی ادغام شده از دینامیک ذرات گسسته (DEM)، دینامیک سیالات محاسباتی (CFD) و مدلهای پیوسته شکل گرفته است. این شبیه سازی ها با بهره گیری از الگوریتم های پیشرفته یادگیری عمیق (Deep Learning) به منظور استخراج الگوهای پیچیده و کاهش هزینه های محاسباتی پیشرفته تر شده اند. همچنین، مفهوم دیجیتال توین برای ایجاد نسخه های مجازی بلادرنگ ماشین آلات صنایع غذایی معرفی شده است که از داده های حسگرهای واقعی تجهیزاتی نظیر آسیاب ها و میکسرهای مواد غذایی تغذیه و به صورت پویا با استفاده از یادگیری ماشین به روزرسانی میگردد. این سیستم هوشمند امکان پیش بینی لحظه ای رفتار مواد، شناسایی نقاط انسداد یا شکست ذرات و بهینه سازی چرخه های عملیاتی را فراهم می آورد. علاوه بر آن، فناوری بینایی ماشین مبتنی بر شبکه های عصبی پیچیده برای نظارت کیفیت و تشخیص خودکار عیوب در جریان انتقال مواد دانه ای پیشنهاد شده است. از سوی دیگر، این مقاله به پیادهسازی الگوریتم های پایش پیشبینی (Predictive Maintenance) و تحلیل داده های بزرگ عملیاتی به منظور بهبود بهره وری انرژی، کاهش هدررفت مواد اولیه و افزایش پایداری فرایندی میپردازد. کاربرد تکنیک های مولد هوش مصنوعی (Generative AI) جهت شبیه سازی سناریوهای متغیر فرایندی و بهینه سازی استراتژیک نیز از دیگر دستاوردهای این مطالعه است. نتایج حاصل از این رویکرد بین رشته ای نشان دهنده ی بهبود قابل ملاحظه در دقت پیشبینی رفتار مواد، کاهش هزینه های تحقیقاتی و افزایش قابلیت اتوماسیون خطوط تولید صنایع غذایی میباشد. این تحقیق با تمرکز بر ارتباط مستمر بین مدلهای شبیه سازی عددی و به کارگیری روشهای نوین هوش مصنوعی، نقشی کلیدی در تحول دیجیتال و اتوماسیون هوشمند در صنایع غذایی ایفا میکند و چشم اندازهای جدیدی برای پژوهش های آتی و توسعه فناوری ایجاد مینماید.

کلمات کلیدی : مدل سازی هوشمند مواد دانهای شبیه سازی چند مقیاسی یادگیری عمیق دیجیتال توین بهینه سازی بلادرنگ بینایی ماشین