Kredit:Tokyo University of Science
Vätskeblandning är en viktig del av flera industriella processer och kemiska reaktioner. Processen förlitar sig dock ofta på trial-and-error-baserade experiment istället för matematisk optimering. Även om turbulent blandning är effektiv, kan den inte alltid upprätthållas och kan skada de inblandade materialen. För att ta itu med detta problem har forskare från Japan nu föreslagit en optimeringsmetod för vätskeblandning för laminära flöden med hjälp av maskininlärning, som också kan utvidgas till turbulent blandning.
Blandning av vätskor är en kritisk komponent i många industriella och kemiska processer. Farmaceutisk blandning och kemiska reaktioner kan till exempel kräva homogen vätskeblandning. Att uppnå denna blandning snabbare och med mindre energi skulle minska de tillhörande kostnaderna avsevärt. I verkligheten är dock de flesta blandningsprocesser inte matematiskt optimerade utan förlitar sig istället på trial-and-error-baserade empiriska metoder. Turbulent blandning, som använder turbulens för att blanda vätskor, är ett alternativ men är problematiskt eftersom det antingen är svårt att upprätthålla (som i mikroblandare) eller skadar materialen som blandas (som i bioreaktorer och livsmedelsblandare).
Kan en optimerad blandning uppnås för laminära flöden istället? För att svara på denna fråga vände sig ett team av forskare från Japan i en ny studie till maskininlärning. I deras studie publicerad i Scientific Reports , tog teamet till ett tillvägagångssätt som kallas "reinforcement learning" (RL), där intelligenta agenter vidtar åtgärder i en miljö för att maximera den kumulativa belöningen (i motsats till en omedelbar belöning).
"Eftersom RL maximerar den kumulativa belöningen, som är global-i-tid, kan den förväntas vara lämplig för att ta itu med problemet med effektiv vätskeblandning, vilket också är ett globalt-i-tid-optimeringsproblem", förklarar docent Masanobu Inubushi , motsvarande författare till studien. "Personligen har jag en övertygelse om att det är viktigt att hitta rätt algoritm för rätt problem snarare än att blint tillämpa en maskininlärningsalgoritm. Lyckligtvis lyckades vi i denna studie koppla samman de två områdena (vätskeblandning och förstärkningsinlärning) efter med tanke på deras fysiska och matematiska egenskaper." Arbetet inkluderade bidrag från Mikito Konishi, en doktorand, och Prof. Susumu Goto, båda från Osaka University.
En stor vägspärr väntade dock på laget. Även om RL är lämplig för globala optimeringsproblem, är den inte särskilt väl lämpad för system som involverar högdimensionella tillståndsutrymmen, dvs system som kräver ett stort antal variabler för sin beskrivning. Tyvärr var vätskeblandning just ett sådant system.
För att ta itu med detta problem antog teamet ett tillvägagångssätt som användes vid formuleringen av ett annat optimeringsproblem, vilket gjorde det möjligt för dem att reducera tillståndsutrymmesdimensionen för vätskeflöde till ett. Enkelt uttryckt kan vätskerörelsen nu beskrivas med endast en enda parameter.
RL-algoritmen är vanligtvis formulerad i termer av en Markov-beslutsprocess (MDP), ett matematiskt ramverk för beslutsfattande i situationer där utfallen delvis är slumpmässiga och delvis styrda av beslutsfattaren. Med detta tillvägagångssätt visade teamet att RL var effektivt för att optimera vätskeblandning.
"Vi testade vår RL-baserade algoritm för det tvådimensionella vätskeblandningsproblemet och fann att algoritmen identifierade en effektiv flödeskontroll, som kulminerade i en exponentiellt snabb blandning utan några förkunskaper", säger Dr. Inubushi. "Mekanismen bakom denna effektiva blandning förklarades genom att titta på flödet runt de fasta punkterna ur ett dynamiskt systemteoretiskt perspektiv."
En annan betydande fördel med RL-metoden var en effektiv överföringsinlärning (tillämpning av kunskapen som erhållits på ett annat men relaterat problem) av den tränade mixern. I samband med vätskeblandning innebar detta att en blandare tränad på ett visst Péclet-tal (förhållandet mellan advektionshastigheten och diffusionshastigheten i blandningsprocessen) kunde användas för att lösa ett blandningsproblem vid ett annat Péclet-tal. Detta minskade avsevärt tiden och kostnaderna för att träna RL-algoritmen.
Även om dessa resultat är uppmuntrande, påpekar Dr. Inubishi att detta fortfarande är det första steget. "Det finns fortfarande många problem att lösa, såsom metodens tillämpning på mer realistiska vätskeblandningsproblem och förbättring av RL-algoritmer och deras implementeringsmetoder", säger han.
Även om det verkligen är sant att tvådimensionell vätskeblandning inte är representativ för de faktiska blandningsproblemen i den verkliga världen, ger denna studie en användbar utgångspunkt. Moreover, while it focuses on mixing in laminar flows, the method is extendable to turbulent mixing as well. It is, therefore, versatile and has potential for major applications across various industries employing fluid mixing. + Utforska vidare