3D-Modellierung von Mikrostrukturen mit stochastischer Geometrie
In der Mineralaufbereitung und Metallurgie sind chemische Reaktionen dank umfassender, thermodynamischer Erkenntnisse bereits relativ gut vorhersagbar. Anders sieht es aus bei mechanischen und physiko-chemischen Trennprozessen, wie dem Mahlen, der Flotation oder Magnetscheidung. Diese kann man oft nur rückwirkend aus Experimenten rekonstruieren.
Ein Grund dafür ist, dass sich die Mikrostruktur von Partikeln, die die Wechselwirkungen verursacht, bisher nicht komplett untersuchen lässt. Unter anderem weil bei der dafür genutzten Analysemethode, der Tomographie, kein ausreichender Phasenkontrast erzielt wird, um genaue mineralogische Informationen zum Aufbau des Partikels zu erhalten. Andere Analysemethoden wie die Mineral Liberation Analysis (MLA) oder bildgebende Hyperspektralaufnahmen generieren wiederum nur 2D-Schnitte, die nur begrenzte Information über die echten 3D-Eigenschaften des Materials liefern.
Um den Einfluss von Mikrostrukturen quantitativ besser einschätzen und 2D-Messungen mit 3D-Eigenschaften zu verbinden zu können, entwickelt die Abteilung 3D-Mikrostrukturmodelle aber auch Datenauswertungswerkzeuge und statistische Schätztheorien, die darauf abzielen, partikelbasierte Prozesse zu modellieren.
Simulierte Mikrostruktur: 1.Stochastisches Mikrostrukturmodell (links); 2.Innere Mikrostruktur bestehend aus polyhedralen Zellen (Mitte); 3.Mosaik unterteilt in 2D-Abschnitten zur Berechnung der geometrischen Parameter sowie mit Darstellung der gebrochenen Partikel für die Aufbereitungssimulation (rechts), Foto: HZDR/ Peter Menzel
Ausgewählte Publikationen
- Teichmann, J., Menzel, P., Heinig, T., van den Boogaart, K. G
"Modeling and fitting mineral microstructures by multinary random fields.", Beitrag zu Proceedings, 18th Annual Conference IAMG, 2017
- Teichmann, J., van den Boogaart, K.G.
"Efficient simulation of stationary multivariate Gaussian random fields with given cross-covariance ", Applied Mathematics, 2016
DOI-Link: 10.4236/am.2016.717174(1)
- Baaske, M.; Ballani, F.; van den Boogaart, K. G.
"A quasi-likelihood approach to parameter estimation for simulatable statistical models", Image Analysis & Stereology, 2014
DOI-Link: 10.5566/ias.v33.p107-119(2)
Inhalt aus Sidebar
URL dieses Artikels
https://www.hzdr.de/db/Cms?pOid=56198