Optimering af væskeblanding med maskinlæring

Væskeblanding er en vigtig del af flere industrielle processer og kemiske reaktioner. Processen er dog ofte afhængig af trial-and-error-baserede eksperimenter i stedet for matematisk optimering. Selvom turbulent blanding er effektiv, kan den ikke altid opretholdes og kan beskadige de involverede materialer. For at løse dette problem har forskere fra Japan nu foreslået en optimeringstilgang til væskeblanding til laminære strømme ved hjælp af maskinlæring, som også kan udvides til turbulent blanding.

Blanding af væsker er en kritisk komponent i mange industrielle og kemiske processer. Farmaceutisk blanding og kemiske reaktioner kan for eksempel kræve homogen væskeblanding. At opnå denne blanding hurtigere og med mindre energi ville reducere de tilknyttede omkostninger betydeligt. I virkeligheden er de fleste blandingsprocesser dog ikke matematisk optimerede og er i stedet afhængige af trial-and-error-baserede empiriske metoder. Turbulent blanding, som bruger turbulens til at blande væsker, er en mulighed, men er problematisk, da den enten er svær at opretholde (såsom i mikroblandere) eller beskadiger de materialer, der blandes (såsom i bioreaktorer og fødevareblandere).

Kan der i stedet opnås en optimeret blanding til laminære strømninger? For at besvare dette spørgsmål vendte et team af forskere fra Japan sig i en ny undersøgelse til maskinlæring. I deres undersøgelse offentliggjort i Scientific Reports , greb holdet til en tilgang kaldet "reinforcement learning" (RL), hvor intelligente agenter foretager handlinger i et miljø for at maksimere den kumulative belønning (i modsætning til en øjeblikkelig belønning).

"Da RL maksimerer den kumulative belønning, som er global-i-tid, kan den forventes at være egnet til at tackle problemet med effektiv væskeblanding, som også er et globalt-in-time optimeringsproblem," forklarer lektor Masanobu Inubushi , den tilsvarende forfatter til undersøgelsen. "Personligt har jeg en overbevisning om, at det er vigtigt at finde den rigtige algoritme til det rigtige problem frem for blindt at anvende en maskinlæringsalgoritme. Heldigvis lykkedes det i denne undersøgelse at forbinde de to felter (væskeblanding og forstærkningslæring) efter i betragtning af deres fysiske og matematiske karakteristika." Arbejdet omfattede bidrag fra Mikito Konishi, en kandidatstuderende, og prof. Susumu Goto, begge fra Osaka University.

En større vejspærring ventede dog på holdet. Mens RL er velegnet til globale optimeringsproblemer, er den ikke særlig velegnet til systemer, der involverer højdimensionelle tilstandsrum, dvs. systemer, der kræver et stort antal variabler til deres beskrivelse. Desværre var væskeblanding netop sådan et system.

For at løse dette problem vedtog teamet en tilgang, der blev brugt i formuleringen af ​​et andet optimeringsproblem, som gjorde det muligt for dem at reducere tilstandsrumdimensionen for væskestrøm til én. Forenklet sagt kunne væskebevægelsen nu beskrives ved hjælp af kun en enkelt parameter.

RL-algoritmen er normalt formuleret i form af en Markov-beslutningsproces (MDP), en matematisk ramme for beslutningstagning i situationer, hvor resultaterne delvist er tilfældige og delvist styret af beslutningstageren. Ved at bruge denne tilgang viste holdet, at RL var effektiv til at optimere væskeblanding.

"Vi testede vores RL-baserede algoritme for det todimensionelle væskeblandingsproblem og fandt ud af, at algoritmen identificerede en effektiv flowkontrol, som kulminerede i en eksponentielt hurtig blanding uden forudgående viden," siger Dr. Inubushi. "Mekanismen bag denne effektive blanding blev forklaret ved at se på flowet omkring de fikserede punkter fra et dynamisk systemteoretisk perspektiv."

En anden væsentlig fordel ved RL-metoden var en effektiv overførselslæring (anvendelse af den opnåede viden på et andet, men relateret problem) af den trænede mixer. I forbindelse med væskeblanding indebar dette, at en blander trænet til et bestemt Péclet-tal (forholdet mellem advektionshastigheden og diffusionshastigheden i blandingsprocessen) kunne bruges til at løse et blandingsproblem ved et andet Péclet-tal. Dette reducerede i høj grad tiden og omkostningerne ved at træne RL-algoritmen.

Selvom disse resultater er opmuntrende, påpeger Dr. Inubishi, at dette stadig er det første skridt. "Der er stadig mange problemer, der skal løses, såsom metodens anvendelse på mere realistiske væskeblandingsproblemer og forbedring af RL-algoritmer og deres implementeringsmetoder," siger han.

Selvom det helt sikkert er rigtigt, at todimensionel væskeblanding ikke er repræsentativ for de faktiske blandingsproblemer i den virkelige verden, giver denne undersøgelse et nyttigt udgangspunkt. Desuden, mens den fokuserer på blanding i laminære strømme, kan metoden også udvides til turbulent blanding. Det er derfor alsidigt og har potentiale til store applikationer på tværs af forskellige industrier, der anvender væskeblanding. + Udforsk yderligere

Brug af en supercomputer til at finde den bedste måde at blande to væsker på