Prestandaanalys av en tredimensionell mikromixer med bafflar med hjälp av ett flexibelt fysikinformerat neuralt nätverk

Varför små fluidblandare spelar roll

I många lab-on-a-chip- och medicinska testapparater måste två eller flera vätskor blandas snabbt och jämnt medan de rinner genom hårtunna kanaler. Eftersom strömmarna är extremt laminära i denna skala glider olika vätskor ofta förbi varandra istället för att blandas. Ingenjörer tillsätter vanligtvis små hinder, så kallade bafflar, för att skapa omrörning, men att testa alla möjliga tredimensionella layouter med konventionella simuleringsverktyg är långsamt och arbetsintensivt. Denna studie introducerar en ny fysikmedveten artificiell intelligensmetod som kan förutsäga hur sådana små mixers beter sig med hög noggrannhet, vilket öppnar möjligheter för snabbare design av mer effektiva mikrofluidiska enheter.

Små kanaler och dolda omrörare

Arbetet fokuserar på en vanlig T-formad mikromixer: två inloppskanaler för in olika vätskor som möts och flyter in i en rak huvudkanal. Längs huvudkanalen placerar forskarna små, blockliknande strukturer—bafflar—i tvärsnittets hörn. Dessa bafflar finns i tre enkla former (rektangulär, elliptisk och triangulär) och kan arrangeras i flera mönster. När vätskan passerar dem vrider, viker och virvlar strömlinjerna i tre dimensioner, vilket hjälper de två vätskorna att tränga in i varandra och blanda sig. Utmaningen är att förutsäga, för många möjliga former och arrangemang, hur väl mixern blandar vätskorna och hur mycket extra pumpkraft som krävs för att driva vätskan genom enheten.

Använda fysik för att lära ett neuralt nätverk

I stället för att bygga ett traditionellt datornät och lösa vätskeflödesekvationerna i varje litet cell använder författarna ett fysikinformerat neuralt nätverk. I detta tillvägagångssätt är insignalernapunkter i rummet inuti kanalen. Det neurala nätverket lär sig att ge ut vätskehastighet, tryck och koncentration av en vätska genom att straffas när det bryter mot underliggande fysikaliska lagar, såsom bevarande av massa och rörelsemängd. Teamet utvecklar en förbättrad version som de kallar FlexPINN, vilken delar upp problemet i parallella delnät, omskriver ekvationerna i en numeriskt skonsam, dimensionslös form och lägger till särskilda strafftermer som upprätthåller total bevarande av flöde och koncentration längs kanalen. Dessa steg förhindrar att nätverket driver mot ofysiska lösningar och gör det möjligt att hantera fullt tredimensionella, baffelfyllda geometrier som standard fysikinformerade nätverk har svårt med.

Kontroll av noggrannhet och snabbare inlärning

För att säkerställa att FlexPINN är tillförlitligt jämför forskarna dess förutsägelser med högkvalitativa beräkningsfluiddynamik (CFD)-simulationer för en enkel T-mixer utan bafflar och för bafflade mixers under olika förhållanden. De fokuserar på två viktiga mått: hur enhetlig blandningen är vid utloppet (blandningsindex) och hur mycket trycket stiger över mixern (tryckfallskoefficienten). I alla tester håller sig FlexPINN inom cirka tre procent av CFD-resultaten, både för blandning och för tryck. Teamet använder också transferinlärning: när nätverket väl lärt sig hantera en baffelform återanvänds dess interna parametrar som startpunkt för en annan form. Denna strategi minskar träningstiden för nya designer med ungefär en tredjedel och visar att FlexPINN kan vara ett effektivt verktyg för utforskning snarare än en engångslösare.

Vad som ger en bra liten mixer

Med detta verktyg undersöker författarna olika flödeshastigheter (sammanfattade av Reynolds-talet), baffelformer och baffelkonfigurationer. De finner att hur bafflar sekvenseras runt kanalens hörn starkt påverkar prestandan, även när deras totala antal och storlek är fasta. Bland de testade layouterna ger ett förskjutet mönster, kallat Konfiguration C, den mest kraftfulla tredimensionella omrörningen. När rektangulära bafflar är arrangerade i denna konfiguration i en dubbel-längd kanal och drivs vid en måttlig flödeshastighet uppnår den resulterande enheten ett högt blandningsindex samtidigt som det tillagda trycket hålls inom rimliga gränser. För att fånga denna avvägning definierar författarna en blandningseffektivitet som belönar bättre blandning men straffar högre tryckfall; den bästa designen förbättrar denna effektivitet med mer än 60 procent jämfört med en liknande kanal utan bafflar.

Huvudbudskapet för icke-experter

För läsare utanför fluidmekanik och maskininlärning är den viktigaste insikten att omsorgsfullt placerade, enkla former i en liten kanal kan förvandla två släta, sida‑vid‑sida-strömmar till en välblandad lösning—om vi vet var vi ska sätta dem. FlexPINN erbjuder ett nytt sätt att besvara den designfrågan utan de stora uppställningskostnader som konventionella simuleringar kräver. Genom att integrera fysikens lagar direkt i ett neuralt nätverk får författarna noggranna förutsägelser av blandning och energianvändning för många 3D-bafflearrangemang. Deras resultat visar att en förskjuten rad av rektangulära bafflar i en rak kanal är särskilt effektiv, med kraftfull blandning vid hanterbar pumpinsats. Mer generellt pekar metoden mot snabbare, mer flexibla designer för framtida mikrofluidiska komponenter för kemisk analys, läkemedelsupptäckt och biomedicinska tester på en chip.

Citering: 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

Nyckelord: mikrofluidik, mikromixer, fysikinformerade neurala nätverk, passiv blandning, beräkningsfluiddynamik