Prestatieanalyse van een driedimensionale micromixer met baffles met behulp van een flexibel physics-informed neuraal netwerk

Waarom kleine vloeistofmengers ertoe doen

In veel lab-on-a-chip- en medische testapparaten moeten twee of meer vloeistoffen snel en gelijkmatig worden gemengd terwijl ze door haarfijne kanalen stromen. Omdat de stromingen op deze schaal extreem laminar zijn, glijden verschillende vloeistoffen vaak langs elkaar in plaats van te mengen. Ingenieurs voegen doorgaans kleine obstakels, zogenaamde baffles, toe om roering te veroorzaken, maar het testen van elke mogelijke 3D-opstelling met conventionele simulatiehulpmiddelen is traag en arbeidsintensief. Deze studie introduceert een nieuwe fysica-bewuste kunstmatige-intelligentie methode die nauwkeurig kan voorspellen hoe zulke kleine mixers zich gedragen, wat de weg vrijmaakt voor snellere ontwerpen van efficiëntere microfluidische apparaten.

Haarvijne kanalen en verborgen roerders

Het werk richt zich op een veelvoorkomende T-vormige micromixer: twee inletkanalen voeren verschillende vloeistoffen aan die samenkomen en in een recht hoofdkanal stromen. Langs dit hoofdkanaal plaatsen de onderzoekers kleine, blokachtige structuren — baffles — in de hoeken van de doorsnede. Deze baffles hebben drie eenvoudige vormen (rechthoekig, elliptisch en driehoekig) en kunnen in verschillende patronen worden gerangschikt. Terwijl de vloeistof eromheen stroomt, draaien, vouwen en wentelen de stroomlijnen in drie dimensies, waardoor de twee vloeistoffen door elkaar trekken en mengen. De uitdaging is om voor vele mogelijke vormen en rangschikkingen te voorspellen hoe goed de mixer de vloeistoffen mengt en hoeveel extra pompvermogen nodig is om de vloeistof door het apparaat te duwen.

Fysica gebruiken om een neuraal netwerk te trainen

In plaats van een traditioneel computernet (mesh) op te bouwen en de vergelijkingen voor vloeistofstroming in elke kleine cel op te lossen, gebruiken de auteurs een physics-informed neuraal netwerk. In deze benadering zijn de invoerpunten eenvoudig punten in de ruimte binnen het kanaal. Het neuraal netwerk leert de vloeistofsnelheid, druk en concentratie van één vloeistof te voorspellen door een straf te krijgen wanneer het de onderliggende natuurwetten overtreedt, zoals behoud van massa en impuls. Het team ontwikkelt een verbeterde versie die ze FlexPINN noemen: deze splitst het probleem in parallelle subnetwerken, herschrijft de vergelijkingen in een numeriek vriendelijke, dimensieloze vorm en voegt speciale straftermen toe die het totale behoud van debiet en concentratie langs het kanaal afdwingen. Deze stappen voorkomen dat het netwerk naar onfysische oplossingen afdrijft en stellen het in staat om volledig driedimensionale, met baffles gevulde geometrieën te behandelen waarmee standaard physics-informed netwerken moeite hebben.

Controle van nauwkeurigheid en versnellen van het leerproces

Om zeker te zijn dat FlexPINN betrouwbaar is, vergelijken de onderzoekers de voorspellingen met hoogwaardige computational fluid dynamics (CFD)-simulaties voor een eenvoudige T-mixer zonder baffles en voor baffled mixers onder verschillende omstandigheden. Ze concentreren zich op twee belangrijke grootheden: hoe uniform het mengsel is bij de uitlaat (de mengindex) en hoeveel de druk stijgt over de mixer (de drukvalcoëfficiënt). In alle tests blijft FlexPINN ongeveer binnen drie procent van de CFD-resultaten, zowel voor mengen als voor druk. Het team gebruikt ook transfer learning: zodra het netwerk één baffle-vorm onder de knie heeft, worden de interne parameters hergebruikt als uitgangspunt voor een andere vorm. Deze strategie verkort de trainingsduur voor nieuwe ontwerpen met ongeveer een derde, en toont aan dat FlexPINN een efficiënt onderzoeksinstrument kan zijn in plaats van een eenmalige solver.

Wat een goede kleine mixer maakt

Met dit hulpmiddel scannen de auteurs verschillende flowsnelheden (gesamenvat door het Reynoldsgetal), baffle-vormen en baffle-configuraties. Ze vinden dat de volgorde waarin baffles rond de kanaalhoeken zijn geplaatst de prestatie sterk beïnvloedt, zelfs wanneer aantal en grootte gelijk blijven. Van de geteste opstellingen produceert een verspringend patroon, aangeduid als Configuratie C, de meest krachtige driedimensionale roering. Wanneer rechthoekige baffles in deze configuratie in een dubbel-lang kanaal worden geplaatst en bij een matige flowsnelheid worden gebruikt, bereikt het resultaat een hoge mengindex terwijl de extra druk binnen redelijke grenzen blijft. Om deze afweging vast te leggen definiëren de auteurs een mengefficiëntie die beter mengen beloont maar hogere drukvallen penaliseert; het beste ontwerp verbetert deze efficiëntie met meer dan 60 procent ten opzichte van een vergelijkbaar kanaal zonder baffles.

Hoofdboodschap voor niet-experts

Voor lezers buiten vloeistofdynamica en machine learning is het belangrijkste inzicht dat zorgvuldig geplaatste, eenvoudige vormen in een klein kanaal twee gladde, naast elkaar stromende stromen kunnen omzetten in een goed gemengd mengsel — mits we weten waar we ze moeten plaatsen. FlexPINN biedt een nieuwe manier om die ontwerpvraag te beantwoorden zonder de zware voorbereidende kosten van conventionele simulaties. Door de natuurwetten direct in een neuraal netwerk in te bouwen, verkrijgen de auteurs nauwkeurige voorspellingen van mengen en energieverbruik voor vele 3D-baffle-arrangementen. Hun resultaten tonen aan dat een verspringende rij rechthoekige baffles in een recht kanaal bijzonder effectief is, met sterke menging bij beheersbare pompverliezen. Breder gezien wijst de methode op snellere, flexibelere ontwerpmogelijkheden voor toekomstige microfluidische componenten voor chemische analyse, geneesmiddelontwikkeling en biomedische testen op een chip.

Bronvermelding: 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

Trefwoorden: microfluidica, micromixer, physics-informed neurale netwerken, passieve menging, computational fluid dynamics