Cluster analysis for granular mechanics simulations using machine learning algorithms

• Autores: Rim, Daniela Noemí; Millán, Emmanuel Nicolás; Planes, María Belén; Bringa, Eduardo Marcial; Moyano, Luis Gregorio
• Año de publicación: 2020
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: GRANULAR SIMULATIONS; MACHINE LEARNING; CLASSIFICATION ANALYSIS; PERFORMANCE ANALYSIS
• Institución: Consejo Nacional de Investigaciones Científicas y Técnicas

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.
Molecular Dynamics (MD) simulations on grain collisions allow to incorporate complex properties of dust interactions. We performed simulations of collisions of porous grains, each with many particles, using the MD software LAMMPS. The simulations consisted of a projectile grain striking a larger immobile target grain, with different impact velocities. The disadvantage of this method is the large computational cost due to a large number of particles being modeled. Machine Learning (ML) has the power to manipulate large data and build predictive models that could reduce MD simulation times. Using ML algorithms (Support Vector Machine and Random Forest), we are able to predict the outcome of MD simulations regarding fragment formation after a number of steps smaller than in usual MD simulations. We achieved a time reduction of at least 46%, for 90% accuracy. These results show that SVM and RF can be powerful yet simple tools to reduce computational cost in collision fragmentation simulations.
Fil: Rim, Daniela Noemí. Universidad Nacional de Cuyo. Facultad de Ciencias Exactas y Naturales; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina
Fil: Millán, Emmanuel Nicolás. Universidad Nacional de Cuyo. Instituto para las Tecnologías de la Informacion y las Comunicaciones; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina
Fil: Planes, María Belén. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad de Mendoza; Argentina
Fil: Bringa, Eduardo Marcial. Universidad de Mendoza; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina
Fil: Moyano, Luis Gregorio. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Nacional de Cuyo; Argentina