Kreditas: Tokijo mokslų universitetas Skysčių maišymas yra svarbi kelių pramoninių procesų dalis ir cheminės reakcijos. Tačiau procesas dažnai remiasi bandymais ir klaidomis pagrįstais eksperimentais, o ne matematiniu optimizavimu. Nors turbulentinis maišymas yra veiksmingas, jis ne visada gali būti palaikomas ir gali sugadinti susijusias medžiagas. Norėdami išspręsti šią problemą, Japonijos mokslininkai dabar pasiūlė optimizavimo metodą skysčių maišymui laminariniams srautams naudojant mašininį mokymąsi, kuris taip pat gali būti išplėstas ir turbulentiniam maišymui.
Skysčių maišymas yra labai svarbus daugelio pramoninių ir cheminių procesų komponentas. Pavyzdžiui, farmaciniam maišymui ir cheminėms reakcijoms gali prireikti vienodo skysčio maišymo. Pasiekus šį maišymą greičiau ir naudojant mažiau energijos, sumažėtų susijusios išlaidos. Tačiau iš tikrųjų dauguma maišymo procesų nėra matematiškai optimizuoti, o remiasi bandymais ir klaidomis pagrįstais empiriniais metodais. Turbulentinis maišymas, kai skysčiams maišyti naudojama turbulencija, yra galimybė, tačiau tai yra problematiška, nes jį sunku išlaikyti (pvz., mikromaišytuvuose) arba pažeidžiamos maišomos medžiagos (pvz., bioreaktoriuose ir maisto maišytuvuose). Ar vietoj to laminariniams srautams galima pasiekti optimizuotą maišymą? Norėdami atsakyti į šį klausimą, Japonijos mokslininkų komanda naujame tyrime kreipėsi į mašininį mokymąsi. Savo tyrime, paskelbtame Scientific Reports , komanda pasinaudojo metodu, vadinamu „stiprinimu mokymusi“ (RL). ). „Kadangi RL maksimaliai padidina kaupiamąjį atlygį, kuris yra pasaulinis laike, galima tikėtis, kad jis bus tinkamas efektyvaus skysčių maišymo problemai spręsti, kuri taip pat yra visuotinė optimizavimo laike problema“, – aiškina docentas Masanobu Inubushi. , atitinkamas tyrimo autorius. „Asmeniškai aš esu įsitikinęs, kad svarbu rasti tinkamą algoritmą tinkamai problemai, o ne aklai taikyti mašininio mokymosi algoritmą. Laimei, šiame tyrime pavyko sujungti dvi sritis (skysčių maišymą ir mokymąsi sustiprinant). atsižvelgiant į jų fizines ir matematines savybes“. Į darbą prisidėjo magistrantūros studentas Mikito Konishi ir prof. Susumu Goto iš Osakos universiteto. Viena pagrindinė Tačiau komandos laukė kliūtis. Nors RL tinka globalioms optimizavimo problemoms spręsti, jis ne itin tinka sistemoms, kuriose yra didelių matmenų būsenų erdvių, ty sistemoms, kurioms apibūdinti reikia daug kintamųjų. Deja, skysčių maišymas buvo tik tokia sistema.
Siekdama išspręsti šią problemą, komanda priėmė metodą, naudotą formuluodama kita optimizavimo problema, kuri leido jiems sumažinti skysčio srauto būsenos erdvės matmenis iki vieno. Paprasčiau tariant, skysčio judėjimą dabar galima apibūdinti naudojant tik vieną parametrą.
RL algoritmas paprastai formuluojamas kaip Markovo sprendimų procesas (MDP), matematinė sprendimų priėmimo sistema situacijose, kai rezultatai iš dalies yra atsitiktiniai, o dalį kontroliuoja sprendimų priėmėjas. Naudodama šį metodą, komanda parodė, kad RL efektyviai optimizuoja skysčių maišymą.
„Išbandėme RL pagrįstą algoritmą dvimačio skysčių maišymo problemą ir nustatė, kad algoritmas nustatė veiksmingą srauto valdymą, kuris baigėsi eksponentiškai greitu maišymu be jokių išankstinių žinių“, – sako dr. Inubushi. „Mechanizmas, kuriuo grindžiamas šis efektyvus maišymas, buvo paaiškintas žvelgiant į srautą aplink fiksuotus taškus iš dinaminės sistemos teorijos perspektyvos.” Dar vienas reikšmingas RL metodo privalumas buvo efektyvus apmokyto maišytuvo perkėlimo mokymasis (gautas žinias pritaikant kitai, bet susijusiai problemai). Skysčių maišymo kontekste tai reiškė, kad maišytuvas, paruoštas pagal tam tikrą Péclet skaičių (advekcijos greičio ir difuzijos greičio santykis maišymo procese), gali būti naudojamas maišymo problemai išspręsti esant kitam Péclet skaičiui. Tai labai sumažino RL algoritmo mokymo laiką ir išlaidas.
Nors šie rezultatai teikia vilčių, dr. Inubishi pabrėžia, kad tai dar pirmas žingsnis. „Dar reikia išspręsti daugybę problemų, pavyzdžiui, metodo taikymas realesnėms skysčių maišymo problemoms spręsti ir RL algoritmų bei jų įgyvendinimo metodų tobulinimas“, – sako jis. Nors tikrai tiesa, kad dvimatis skysčių maišymas neatspindi tikrosios maišymo problemų realiame pasaulyje, šis tyrimas yra naudingas atskaitos taškas. Be to, nors pagrindinis dėmesys skiriamas maišymui laminariniuose srautuose, šį metodą galima išplėsti ir turbulentinį maišymą. Todėl jis yra universalus ir gali būti naudojamas įvairiose pramonės šakose, kuriose naudojamas skysčių maišymas.
Daugiau informacijos: Mikito Konishi ir kt., Skysčių maišymo optimizavimas ir mokymasis, Mokslinės ataskaitos ( ). DOI: .450/s41598–2022-7
Citata2022 : skysčių maišymo optimizavimas naudojant mašininį mokymąsi (2022, rugpjūtis 2022 ) gauta 30 rugpjūčio mėn. 18037 iš https://techxplore.com/news/2022-08-optimizing-fluid-machine.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
