چارچوبی مبتنی بر عدم‌قطعیت، طراحی مولد قطره در ریزسیال‌ها را بهینه می‌کند

طراحی دستگاه‌های ریزسیالی برای تولید قطره به‌دلیل پیچیدگی جریان چندفازی و شمار زیاد پارامترها، می‌تواند از نظر محاسباتی پرهزینه باشد. پژوهشگران در مقاله‌ای پیش‌چاپ در arXiv، چارچوبی پیشنهاد کرده‌اند که شبیه‌سازی‌های دقیق Volume-of-Fluid را با مجموعه‌ای از شبکه‌های عصبی و طراحی معکوس ترکیب می‌کند.

مدل‌ها رژیم جریان و قطر قطره را پیش‌بینی می‌کنند. پژوهشگران با سنجش میزان توافق مدل‌ها در طبقه‌بندی رژیم‌ها و ضریب تغییرات پیش‌بینی قطر، عدم‌قطعیت معرفتی را برآورد کردند. این عدم‌قطعیت عمدتاً نزدیک مرزهای گذار میان رژیم‌های جریان متمرکز بود؛ نواحی‌ای که در آن‌ها تغییر کوچک پارامترها می‌تواند اثر چشمگیری بر فیزیک جریان بگذارد.

چارچوب با افزودن شبیه‌سازی‌های هدفمند در این نواحی و آموزش دوباره مدل‌ها، دقت پیش‌بینی را بهبود می‌دهد و عدم‌توازن میان کلاس‌ها را نیز هدف می‌گیرد. در آزمون روی داده‌های مستقل، سهم پیش‌بینی قطر با خطای صفر تا سه درصد تقریباً دو برابر شد و موارد با خطای بیش از ۱۰ درصد به‌طور محسوسی کاهش یافت.

برای طراحی معکوس، روش از Particle Swarm Optimization استفاده می‌کند تا پیکربندی‌هایی را بیابد که هم به اندازهٔ قطر هدف برسند و هم از نظر فیزیکی شدنی باشند؛ این فرایند همچنین دقت و اطمینان پیش‌بینی را در نظر می‌گیرد. نویسندگان می‌گویند رویکردشان هزینهٔ محاسباتی را کاهش می‌دهد و می‌تواند برای بهینه‌سازی طیف گسترده‌ای از سامانه‌های ریزسیالی کاربرد داشته باشد.