使用灵活的物理信息的神经网络,对带有分辨率的三维微混合器进行性能分析
Meraj Hassanzadeh1, Ehsan Ghaderi1, Mohamad Ali Bijarchi2
1Department of Mechanical Engineering, Sharif University of Technology, Tehran, Iran.
Scientific reports
|February 20, 2026
概括
一个新的灵活的物理信息神经网络 (FlexPINN) 准确地模拟复杂的3D微混合器. 这种高效的工具加快了微流体设备的分析和优化,提高了混合性能.
科学领域:
- 计算流体动力学的流体动力学.
- 机器学习 机器学习
- 微流体学 微流体学
背景情况:
- 标准物理信息神经网络 (PINNs) 难以处理复杂的3D几何形状.
- 模拟复杂的微混合器需要高效和准确的模拟工具.
研究的目的:
- 引入一个灵活的物理信息神经网络 (FlexPINN) 用于3D微混合器分析.
- 增强对几何复杂的微流体设备的建模能力.
- 通过高效的模拟,优化被动微混合器的性能.
主要方法:
- 开发了一个没有网格的FlexPINN框架,具有并行网络和无维方程.
- 实施了适应性损失加权和全球保护处罚,以实现强大的趋同.
- 利用转移学习来加快对新形设计的训练.
主要成果:
- FlexPINN实现了高准确度预测,相对误差较低 (例如,混合指数为2.86%).
- 转移学习减少了新混形状的培训时间约35%.
- 确定了最佳设计:在Re=40的阶段配置 (C) 中的矩形分离器,以达到峰值混合效率 (1.63).
结论:
- FlexPINN提供了一种经过验证和高效的工具,用于分析和优化3D被动微混合器.
- 该方法克服了复杂几何形状的标准PINN的局限性.
- 这项工作推动了PINNs在微流体设备设计中的应用.
