Esnek fizik-bilgili sinir ağı kullanılarak çıkıntılı üç boyutlu bir mikromiksörün performans analizi

Neden küçük akış karıştırıcılar önemli?

Birçok laboratuvar-çip ve tıbbi test cihazının içinde, iki veya daha fazla sıvı saç teli inceliğindeki kanallar boyunca akarken hızlı ve eşit şekilde karıştırılmalıdır. Bu ölçeklerde akışlar son derece laminer olduğundan farklı sıvılar genellikle birbirinin yanından kayar ve karışmaz. Mühendisler genellikle akışı karıştırmak için baffle adı verilen küçük engeller eklerler, ancak her olası 3B düzeni geleneksel simülasyon araçlarıyla test etmek yavaş ve emek yoğun olur. Bu çalışma, böyle küçük karıştırıcıların nasıl davrandığını doğru şekilde tahmin edebilen, fizik-bilgili yeni bir yapay zeka yöntemi sunuyor ve daha verimli mikroakışkan cihazların daha hızlı tasarımının yolunu açıyor.

Minik kanallar ve gizli karıştırıcılar

Çalışma, yaygın bir T-şeklindeki mikromiksöre odaklanıyor: iki giriş kanalı farklı sıvıları getirir ve bunlar düz ana kanala birleşir. Ana kanal boyunca araştırmacılar kesit köşelerine küçük, blok benzeri yapılar—baffle’lar—yerleştirir. Bu baffle’lar üç basit şekilde (dikdörtgensel, eliptik ve üçgensel) gelir ve çeşitli düzenlerde yerleştirilebilir. Akış bunların etrafından geçerken, akım çizgileri üç boyutta bükülür, katlanır ve girdaplanır; bu da iki sıvının birbirine nüfuz etmesine ve karışmasına yardımcı olur. Zorluk, birçok olası şekil ve düzen için mikserin sıvıları ne kadar iyi karıştırdığını ve cihazdan sıvıyı itmek için ne kadar ekstra pompalama gücü gerektiğini tahmin etmektir.

Fiziği kullanarak sinir ağını eğitmek

Geleneksel olarak bir bilgisayar ağı oluşturup her küçük hücrede akışkanlık denklemlerini çözmek yerine yazarlar fizik-bilgili bir sinir ağı kullanır. Bu yaklaşımda girdiler kanal içindeki uzaydaki noktalar olur. Sinir ağı, kütle ve momentum korunumu gibi temel fizik kanunlarını ihlal ettiğinde cezalandırılarak akış hızı, basınç ve bir sıvının konsantrasyonunu çıktılamayı öğrenir. Ekip, problemi paralel alt ağlara bölen, denklemleri sayısal olarak nazik, boyutsuz bir forma yeniden yazan ve kanal boyunca toplam akış ve konsantrasyon korunmasını zorlayan özel ceza terimleri ekleyen FlexPINN adını verdikleri geliştirilmiş bir versiyon geliştirir. Bu adımlar, ağın fiziksel olmayan çözümlere kaymasını engeller ve standart fizik-bilgili ağların zorlandığı tam üç boyutlu, baffle dolu geometrilerle başa çıkmasını sağlar.

Doğruluğu kontrol etmek ve öğrenmeyi hızlandırmak

FlexPINN’in güvenilir olduğunu göstermek için araştırmacılar tahminlerini, bafflesız basit bir T-mikser ve çeşitli koşullardaki baffle’lı mikserler için yüksek kaliteli hesaplamalı akışkanlar dinamiği (CFD) simülasyonlarıyla karşılaştırırlar. İki temel ölçüte odaklanırlar: çıkıştaki karışımın ne kadar homojen olduğu (karışım indeksi) ve mikser boyunca basıncın ne kadar arttığı (basınç düşüm katsayısı). Tüm testlerde FlexPINN, hem karıştırma hem de basınç için CFD sonuçlarına yaklaşık yüzde üç civarında yakın kalır. Ekip ayrıca transfer öğrenmeyi kullanır: ağ bir baffle şeklini öğrendikten sonra iç parametreleri başka bir şekil için başlangıç noktası olarak yeniden kullanılır. Bu strateji yeni tasarımların eğitim süresini yaklaşık üçte bir oranında kısaltır ve FlexPINN’in tek seferlik bir çözücü değil, verimli bir keşif aracı olabileceğini gösterir.

İyi bir küçük mikserin özellikleri

Bu araçla donanmış olarak yazarlar farklı akış hızlarını (Reynolds sayısıyla özetlenen), baffle şekillerini ve baffle konfigürasyonlarını tararlar. Baffle’ların kanal köşeleri etrafında nasıl sıralandığının performansı güçlü biçimde etkilediğini, toplam sayı ve boyut sabit tutulsa bile bulurlar. Test edilen düzenler arasında, Konfigürasyon C olarak bilinen basamaklı desen en güçlü üç boyutlu karıştırmayı üretir. Dikdörtgensel baffle’lar bu konfigürasyonda çift uzunluklu bir kanalda orta akış hızında çalıştırıldığında, ortaya çıkan cihaz yüksek bir karışım indeksi elde ederken eklenen basıncı makul bir aralıkta tutar. Bu takasın ölçülmesi için yazarlar daha iyi karıştırmayı ödüllendirip daha yüksek basınç düşüşlerini cezalandıran bir karışım verimliliği tanımlar; en iyi tasarım, bafflesız benzer bir kanala kıyasla bu verimliliği yüzde 60’tan fazla iyileştirir.

Uzman olmayanlara alınması gereken mesaj

Akışkanlar mekaniği ve makine öğrenimi dışındaki okuyucular için temel çıkarım, küçük bir kanal içine dikkatle yerleştirilmiş basit şekillerin iki düzgün, yan yana akan akışı iyi karışmış bir karışıma dönüştürebileceğidir—sadece nereye koyacağımızı bilirsek. FlexPINN, geleneksel simülasyonların ağır kurulum maliyetine gerek kalmadan bu tasarım sorusunu yanıtlamanın yeni bir yolunu sunar. Fizik yasalarını doğrudan bir sinir ağına yerleştirerek yazarlar, birçok 3B baffle düzeni için karıştırma ve enerji kullanımı hakkında doğru tahminler elde eder. Sonuçları, düz bir kanalda basamaklı bir sıra halinde yerleştirilmiş dikdörtgensel baffle’ların özellikle etkili olduğunu; güçlü karıştırma sağlarken pompalama çabasını yönetilebilir tuttuğunu gösterir. Daha geniş anlamda, yöntem kimyasal analiz, ilaç keşfi ve çip üzerinde biyomedikal testler için geleceğin mikroakışkan bileşenlerinin daha hızlı, daha esnek tasarımına işaret eder.

Atıf: 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

Anahtar kelimeler: mikroakışkanlar, mikromiksör, fizik-bilgili sinir ağları, pasif karıştırma, hesaplamalı akışkanlar dinamiği