EDEMのキャリブレーション事例を紹介します。本事例では、粉体の流動性を調べるためのFT4パウダーレオメータによる試験を対象とします。
円筒状の容器に粉体材料を充填し、ブレードを回転させながら上下に攪拌する試験です。インペラブレードにかかる力とトルクの測定結果から、基本流動エネルギー（Basic Flow Energy：BFE）、及び比エネルギー（Specific Energy：SE）を流動性の指標として使用します。また、容器内のバルク密度や空隙率も測定できます。
一方、EDEMでFT4パウダーレオメータの解析を行う場合、粒子に設定する密度や粒子間の反発係数、摩擦係数、転がり摩擦係数の設定値によって、解析結果が変化します。粉体材料の物性特性を解析で再現するためには、これらの試験結果で得られたBFEやSEを再現できるEDEMの設定パラメータのキャリブレーションを行うことが重要です。
今回は、EDEMとHyperStudy、RapidMinerを連携して行った事例を紹介します。入力（設計変数）と出力（目的関数）は以下の表とし、次の手順で行います。
- 学習データ作成：EDEMとHyperStudyを連携し、EDEMの解析を複数ケース実施して、入力と出力の組合せの学習データを作成します。
- 予測モデルの構築：学習データを使用して、RapidMinerで予測モデルを構築します。
- パラメータ同定：構築した予測モデルを使用し、HyperStudyで目的の出力が得られる入力をパラメータ同定します。
最後に、同定した入力パラメータを用いてEDEMの計算を行い、ターゲットの目的変数に近い結果が得られることを確認しました。結果は、以下の表に示します。
今回、1.で用意した学習データは、30ケースです。学習データを増やすことで、より精度の高い結果が得られると予想されます。
また、AIにより予測モデルを構築することで、EDEMで計算実行するよりも計算時間の短縮が見込めます。
| １ケースの計算時間 | 逆解析の実行時間 | |
| EDEM | 約1.5時間 | 約３日 |
| 予測モデル | 数分程度 | 約2時間 |
まとめ
以上により、FT4レオメータの試験結果から、EDEMの設定パラメータの同定（キャリブレーション）を行う手法を構築しました。また、AIを活用した予測モデルの構築により、大幅な計算時間の短縮を実現しました。
