Análisis de rendimiento de un micromezclador tridimensional con deflectores utilizando una red neuronal flexible...

Área de la Ciencia:

• Dinámica de fluidos computacional
• Aprendizaje automático
• Microfluídica

Sus antecedentes:

• Las Redes Neuronales Estándar Informadas por la Física (PINN) tienen dificultades con geometrías 3D complejas.
• La modelización de micromezcladores intrincados requiere herramientas de simulación eficientes y precisas.

Objetivo del estudio:

• Introducir una Red Neuronal Flexible Informada por la Física (FlexPINN) para el análisis de micromezcladores 3D.
• Mejorar las capacidades de modelado para dispositivos microfluídicos geométricamente complejos.
• Optimizar el rendimiento de los micromezcladores pasivos a través de simulaciones eficientes.

Principales métodos:

• Se desarrolló un marco FlexPINN sin malla con redes paralelas y ecuaciones adimensionales.
• Se implementó ponderación adaptativa de la pérdida y una penalización de conservación global para una convergencia robusta.
• Se utilizó aprendizaje por transferencia para acelerar el entrenamiento de nuevos diseños de deflectores.

Principales resultados:

• FlexPINN logró predicciones de alta fidelidad con bajos errores relativos (p. ej., 2,86 % para el índice de mezcla).
• El aprendizaje por transferencia redujo el tiempo de entrenamiento en ~35 % para nuevas formas de deflectores.
• Se identificó el diseño óptimo: deflectores rectangulares en una configuración escalonada (C) a Re=40 para una eficiencia máxima de mezcla (1,63).

Conclusiones:

• FlexPINN proporciona una herramienta validada y eficiente para analizar y optimizar micromezcladores pasivos 3D.
• El método supera las limitaciones de las PINN estándar para geometrías complejas.
• Este trabajo avanza la aplicación de las PINN en el diseño de dispositivos microfluídicos.