Experimental and Numerical Study to Enhance Granule Control and Quality Predictions in Pharmaceutical Granulations
Notice bibliographique
Résumé
Background/Objectives: The pharmaceutical industry demands stringent regulation of product characteristics and strives to ensure the reproducibility of granules manufactured via the wet granulation process. A systematic model employing the discrete element method (DEM) was developed herein to gain insights into and better control this process. Methods: The model comprehensively simulates particle behavior during granulation by considering the intrinsic properties of the powder material, the specific geometry of the granulation equipment, and various operational conditions, including impeller speed and chopper use. Notably, this approach can simulate dynamic interactions among particles and integrate complex phenomena, such as cohesion, which is crucial for predicting the formation and quality of granules. Results: To further support process optimization, an EDEMpy artificial intelligence (AI) tool was developed as a posttreatment routine to monitor and analyze agglomerate size distributions, proving essential for assessing the efficiency of the granulation process and the quality of resulting granules. The DEM model was evaluated by comparing its output with experimental data collected from a 0.5 L high-shear granulator. The model reproduced the granule growth kinetics observed experimentally, confirming the agreement between the experimental and numerical analyses. Conclusions: This underscores the model’s potential in predicting and controlling granule quality in wet granulation processes, enhancing the precision and efficiency of pharmaceutical manufacturing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».