Анализ характеристик трехмерного микросмесителя с перегородками с использованием гибкой физически-информированной нейронной сети

Почему важны крошечные смесители жидкостей

Во многих лабораторных микросхемах и устройствах для медицинских тестов две или более жидкости нужно быстро и равномерно смешать, пока они текут по тончайшим каналам. Поскольку в таком масштабе потоки чрезвычайно ламинарны, разные жидкости часто скользят друг мимо друга вместо эффективного перемешивания. Инженеры обычно добавляют небольшие препятствия, так называемые перегородки, чтобы возбудить перемешивание, но проверка каждой возможной трехмерной конфигурации с помощью традиционных вычислительных инструментов занимает много времени и требует больших усилий. В этой работе представлен новый метод на базе искусственного интеллекта, учитывающий физику, который позволяет точно предсказывать поведение таких крошечных смесителей и открывает путь к более быстрому проектированию эффективных микрофлюидных устройств.

Тонкие каналы и скрытые мешалки

Исследование сосредоточено на распространенном Т-образном микросмесителе: два входных канала подают разные жидкости, которые встречаются и текут в прямой главный канал. Вдоль главного канала исследователи размещают небольшие блочные структуры — перегородки — в углах поперечного сечения. Эти перегородки имеют три простые формы (прямоугольную, эллиптическую и треугольную) и могут располагаться в нескольких схемах. По мере того как жидкость огибает их, линии тока изгибаются, складываются и закручиваются в трех измерениях, способствуя взаимопроникновению и перемешиванию двух жидкостей. Задача заключается в том, чтобы для множества возможных форм и расположений предсказать, насколько хорошо смеситель смешивает жидкости и какое дополнительное энергозатраты на перекачку требуются для проталкивания жидкости через устройство.

Использование физики для обучения нейронной сети

Вместо того чтобы строить традиционную компьютерную сетку и решать уравнения течения в каждой мелкой ячейке, авторы используют физически-информированную нейронную сеть. В этом подходе входными данными являются просто точки в пространстве внутри канала. Нейронная сеть учится выдавать скорость потока, давление и концентрацию одной из жидкостей, получая штрафы за любые нарушения фундаментальных физических законов, таких как сохранение массы и импульса. Команда разработала усовершенствованную версию, которую они называют FlexPINN: она разделяет задачу на параллельные подсети, переписывает уравнения в численно мягкой безразмерной форме и добавляет специальные штрафные члены, обеспечивающие общее сохранение расхода и концентрации вдоль канала. Эти шаги предотвращают смещение сети к нефизическим решениям и позволяют ей работать с полностью трехмерными геометриями, заполненными перегородками, с которыми стандартные физически-информированные сети испытывают трудности.

Проверка точности и ускорение обучения

Чтобы убедиться в надежности FlexPINN, исследователи сравнивают ее предсказания с высококачественными расчетами в Computational Fluid Dynamics (CFD) для простого Т-образного смесителя без перегородок и для смесителей с перегородками при различных условиях. Они фокусируются на двух ключевых показателях: насколько равномерной является смесь на выходе (индекс смешения) и насколько увеличивается давление по ходу смесителя (коэффициент перепада давления). По всем тестам FlexPINN остается примерно в трех процентах от результатов CFD как по смешению, так и по давлению. Команда также использует перенос обучения: после того как сеть обучена на одной форме перегородки, ее внутренние параметры повторно используются в качестве начальной точки для другой формы. Эта стратегия сокращает время обучения для новых конструкций примерно на треть, показывая, что FlexPINN может служить эффективным инструментом для исследования, а не единичным решателем.

Что делает микросмеситель хорошим

Вооружившись этим инструментом, авторы просматривают различные скорости потока (характеризуемые числом Рейнольдса), формы перегородок и их конфигурации. Они обнаруживают, что порядок расположения перегородок по углам канала сильно влияет на характеристики, даже если их общее число и размер фиксированы. Среди проверенных схем за наиболее интенсивное трехмерное перемешивание отвечает ступенчатая последовательность, обозначенная как Конфигурация C. Когда прямоугольные перегородки размещены в этой конфигурации в канале удвоенной длины и работают при умеренной скорости потока, устройство достигает высокого индекса смешения при умеренном дополнительном давлении. Чтобы выразить этот компромисс, авторы вводят показатель эффективности смешения, который вознаграждает лучшее перемешивание, но штрафует за более высокие потери давления; лучшая конструкция улучшает эту эффективность более чем на 60 процентов по сравнению с аналогичным каналом без перегородок.

Основная мысль для неспециалистов

Для читателей вне областей механики жидкостей и машинного обучения ключевая идея в том, что тщательно размещенные простые формы внутри тонкого канала могут превратить два гладких соседних потока в хорошо перемешанную смесь — если знать, куда их поставить. FlexPINN предлагает новый способ ответить на этот вопрос проектирования без громоздкой подготовки, требуемой традиционными симуляциями. Встраивая законы физики непосредственно в нейронную сеть, авторы получают точные предсказания смешения и энергопотребления для множества трехмерных расположений перегородок. Их результаты показывают, что ступенчатая цепочка прямоугольных перегородок в прямом канале особенно эффективна, обеспечивая сильное перемешивание при приемлемых затратах на перекачку. В более широком смысле этот метод указывает путь к более быстрому и гибкому проектированию будущих микрофлюидных компонентов для химического анализа, открытия лекарств и биомедицинских тестов на чипе.

Цитирование: 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

Ключевые слова: микрофлюидика, микросмеситель, физически-информированные нейронные сети, пассивное перемешивание, численное моделирование течений