柔軟な物理情報ニューラルネットワークを使用したバッフル付きの3次元マイクロミクサーの性能分析

科学分野:

• 計算式流体力学について
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) とは,機械学習 (Machine Learning) と呼ばれるものです.
• マイクロフリウジック

背景:

• 標準物理情報ニューラルネットワーク (PINNs) は,複雑な3D幾何学と闘っています.
• 複雑なマイクロミキサーのモデリングには,効率的で正確なシミュレーションツールが必要です.

研究 の 目的:

• 3Dマイクロミキサー解析のための柔軟な物理情報ニューラルネットワーク (FlexPINN) を導入する.
• 幾何学的に複雑なマイクロ流体装置のモデリング機能を強化します.
• 効率的なシミュレーションを通じてパッシブマイクロミキサーのパフォーマンスを最適化します.

主な方法:

• パラレルネットワークと無次元方程式を備えたメッシュフリーなFlexPINNフレームワークを開発しました.
• 適用された適応的損失加重と,堅固な収束のためのグローバルな保全ペナルティ.
• 新しいバッフルデザインのトレーニングを加速するために,移転学習を利用した.

主要な成果:

• FlexPINNは,相対的な誤差が低い (例えば,ミキシングインデックスでは2.86%),高精度予測を達成しました.
• 移転学習は,新しいバッフル形に ~35% のトレーニング時間を短縮しました.
• 特定された最適な設計:ピークミキシング効率 (1.63) のためのRe=40の段階的な構成 (C) の長方形バッフル.

結論:

• FlexPINNは,3Dパッシブマイクロミクサーの分析と最適化のための検証され,効率的なツールを提供します.
• この方法は,複雑な幾何学の標準PINNの限界を克服しています.
• この研究は,微流体装置設計におけるPINNsの応用を進めるものです.