تحليل أداء ميكرومازج ثلاثي الأبعاد مع حواجز باستخدام شبكة عصبية مرنة مُطّلعة على الفيزياء

لماذا تعتبر المزيجات الصغيرة مهمة

داخل العديد من أجهزة المختبر على رقاقة وأجهزة الاختبارات الطبية، يجب خلط سائلين أو أكثر بسرعة وبشكل متساوٍ أثناء تدفقهما عبر قنوات دقيقة كالشعر. وبسبب السلاسة الكبيرة في هذه الحدود المكانية، غالبًا ما تنساب السوائل المختلفة بجانب بعضها دون أن تختلط. عادةً ما يضيف المهندسون عقبات صغيرة تُسمى حواجز لتهييج التدفق، لكن اختبار كل تصميم ثلاثي الأبعاد ممكن باستخدام أدوات المحاكاة التقليدية يستغرق وقتًا طويلاً ويتطلب جهدًا كبيرًا. تقدم هذه الدراسة طريقة ذكاء صناعي جديدة واعية بالفيزياء يمكنها التنبؤ بدقة بكيفية تصرف هذه المزيجات الدقيقة، مما يفتح الباب لتصميم أسرع لأجهزة ميكروفلويديك أكثر كفاءة.

قنوات دقيقة ومحرّكات خفية

تركز الدراسة على ميكرومازج شائع على شكل حرف T: قناتان للمدخل تجلبان سوائل مختلفة تلتقيان وتتدفقان إلى قناة رئيسية مستقيمة. على طول هذه القناة الرئيسية، يضع الباحثون هياكل صغيرة على شكل كتل — الحواجز — في زوايا المقطع العرضي. تأتي هذه الحواجز بثلاثة أشكال بسيطة (مستطيلة وإهليلجية ومثلثية) ويمكن ترتيبها في عدة أنماط. أثناء انسياب السائل حولها، تلتف وسيالات السرعة وتطوى وتدور في ثلاثية الأبعاد، مما يساعد السائلَين على التداخل والاختلاط. التحدي هو التنبؤ، لعدة أشكال وترتيبات ممكنة، بمدى جودة المزيج وكمية الطاقة الإضافية الضاغطة المطلوبة لدفع السائل عبر الجهاز.

استخدام الفيزياء لتعليم شبكة عصبية

بدلاً من بناء شبكة حاسوبية تقليدية وحل معادلات تدفق السوائل في كل خلية صغيرة، يستخدم المؤلفون شبكة عصبية مُطّلِعة على الفيزياء. في هذا النهج، تكون المدخلات نقاطًا في الفراغ داخل القناة. تتعلم الشبكة العصبية إخراج سرعة السائل والضغط وتركيز أحد السوائل من خلال معاقبتها كلما انتهكت القوانين الفيزيائية الأساسية، مثل حفظ الكتلة والزخم. تطور الفريق نسخة محسنة يسمونها FlexPINN، التي تقسم المشكلة إلى شبكات فرعية متوازية، تعيد كتابة المعادلات بصيغة بلا أبعاد لطيفة عددياً، وتضيف شروط عقابية خاصة تفرض حفظ التدفق والتركيز على طول القناة بصورة إجمالية. تحمي هذه الخطوات الشبكة من الانحراف إلى حلول غير فيزيائية وتسمح لها بالتعامل مع هندسات ثلاثية الأبعاد مملوءة بالحواجز التي تكافحها الشبكات المطّلة على الفيزياء التقليدية.

التحقق من الدقة وتسريع التعلم

للتأكد من موثوقية FlexPINN، يقارن الباحثون تنبؤاتها مع محاكيات عالية الجودة في ديناميكا الموائع الحاسوبية (CFD) لميكسر T بسيط بدون حواجز وللمزيجات المزودة بحواجز تحت ظروف مختلفة. يركزون على مقياسين رئيسيين: مدى تجانس الخليط عند المخرج (مؤشر الخلط) ومقدار ارتفاع الضغط عبر الميكسَر (معامل فقدان الضغط). عبر جميع الاختبارات، تبقى نتائج FlexPINN ضمن نحو ثلاثة في المئة من نتائج CFD، سواء للخلط أو للضغط. كما يستخدم الفريق التعلم بالنقل: بعد أن تتعلم الشبكة شكل حاجز واحد، تُعاد استخدام معلماتها الداخلية كنقطة بداية لشكل آخر. تقلل هذه الإستراتيجية زمن التدريب للتصاميم الجديدة بنحو ثُلث، مبينة أن FlexPINN يمكن أن يكون أداة فعالة للاستكشاف بدلًا من حل واحد للمرة الواحدة.

ما الذي يجعل الميكسَر الصغير جيدًا

مسلحين بهذه الأداة، يفحص المؤلفون سرعات تدفق مختلفة (ملخصة بواسطة عدد رينولدز)، وأشكال الحواجز، وتراكيب الحواجز. يجدون أن تسلسل الحواجز حول زوايا القناة يؤثر بشدة على الأداء، حتى عندما يكون عددها الكلي وحجمها ثابتين. من بين التصاميم المختبرة، يؤدي نمط متدرج معروف بتكوين C إلى أقوى تقليب ثلاثي الأبعاد. عندما توضع الحواجز المستطيلة بهذا التكوين في قناة ذات طول مزدوج وتُشغّل عند سرعة تدفق متوسطة، يحقق الجهاز الناتج مؤشر خلط عاليًا مع إبقاء الزيادة في الضغط ضمن نطاق معقول. لالتقاط هذا المقايضة، يعرّف المؤلفون كفاءة خلط تكافئ الخلط الأفضل لكن تعاقب فقدان الضغط الأعلى؛ التصميم الأفضل يحسّن هذه الكفاءة بأكثر من 60 بالمئة مقارنة بقناة مماثلة بدون حواجز.

الخلاصة لغير المتخصصين

بالنسبة للقراء خارج ميكانيكا السوائل وتعلم الآلة، الفكرة الأساسية هي أن أشكالًا بسيطة موضوعة بعناية داخل قناة دقيقة يمكن أن تحول تيارين أملسين متوازيين إلى خليط مختلط جيدًا — إذا عرفنا أين نضعها. يقدم FlexPINN طريقة جديدة للإجابة عن سؤال التصميم هذا دون تكلفة الإعداد الثقيلة للمحاكاة التقليدية. من خلال دمج قوانين الفيزياء مباشرة في شبكة عصبية، يحصل المؤلفون على تنبؤات دقيقة للخلط واستهلاك الطاقة عبر العديد من ترتيبات الحواجز ثلاثية الأبعاد. تُظهر نتائجهم أن صفًا متدرجًا من الحواجز المستطيلة في قناة مستقيمة فعال بشكل خاص، مقدمًا خلطًا قويًا بجهد ضخ يمكن التحكم فيه. وبشكل أوسع، يشير الأسلوب إلى تصميم أسرع وأكثر مرونة لمكونات ميكروفلويديك المستقبلية لتحليل المواد الكيميائية، واكتشاف الأدوية، والاختبارات الطبية على رقاقة.

الاستشهاد: Hassanzadeh, M., Ghaderi, E. & Bijarchi, M.A. Performance analysis of a three-dimensional micromixer with baffles using a flexible physics-informed neural network. Sci Rep 16, 10151 (2026). https://doi.org/10.1038/s41598-026-40254-7

الكلمات المفتاحية: الميكروفلويديك, الميكرومازج, الشبكات العصبية المطّلة على الفيزياء, الخلط السَّلبِي, ديناميكا الموائع الحاسوبية