La mezcla de fluidos es una parte importante de varios procesos industriales y reacciones químicas. Sin embargo, el proceso a menudo se basa en experimentos basados ​​en prueba y error en lugar de optimización matemática. Si bien la mezcla turbulenta es efectiva, no siempre puede sostenerse y puede dañar los materiales involucrados. Para abordar este problema, los investigadores de Japón ahora han propuesto un enfoque de optimización para la mezcla de fluidos para flujos laminares utilizando el aprendizaje automático, que también se puede extender a la mezcla turbulenta.

La mezcla de fluidos es un componente crítico en muchos procesos industriales y químicos. La mezcla farmacéutica y las reacciones químicas, por ejemplo, pueden requerir una mezcla de fluidos homogénea. Conseguir esta mezcla más rápido y con menos energía reduciría mucho los costes asociados. En realidad, sin embargo, la mayoría de los procesos de mezcla no están matemáticamente optimizados y, en cambio, se basan en métodos empíricos basados ​​en prueba y error. La mezcla turbulenta, que usa la turbulencia para mezclar fluidos, es una opción pero es problemática ya que es difícil de mantener (como en micromezcladores) o daña los materiales que se mezclan (como en biorreactores y mezcladores de alimentos).

¿Se puede lograr una mezcla optimizada para flujos laminares en su lugar? Para responder a esta pregunta, un equipo de investigadores de Japón, en un nuevo estudio, recurrió al aprendizaje automático. En su estudio publicado en Scientific Reports , el equipo recurrió a un enfoque llamado "aprendizaje de refuerzo" (RL), en el que los agentes inteligentes realizan acciones en un entorno para maximizar la recompensa acumulativa (en lugar de una recompensa instantánea).

"Dado que RL maximiza la recompensa acumulativa, que es global en el tiempo, se puede esperar que sea adecuado para abordar el problema de la mezcla eficiente de fluidos, que también es un problema de optimización global en el tiempo", explica el profesor asociado Masanobu Inubushi. , el autor correspondiente del estudio. "Personalmente, tengo la convicción de que es importante encontrar el algoritmo correcto para el problema correcto en lugar de aplicar ciegamente un algoritmo de aprendizaje automático. Afortunadamente, en este estudio, logramos conectar los dos campos (mezcla de fluidos y aprendizaje por refuerzo) después de considerando sus características físicas y matemáticas”. El trabajo incluyó contribuciones de Mikito Konishi, un estudiante graduado, y el profesor Susumu Goto, ambos de la Universidad de Osaka.

Sin embargo, un gran obstáculo esperaba al equipo. Si bien RL es adecuado para problemas de optimización global, no es particularmente adecuado para sistemas que involucran espacios de estado de alta dimensión, es decir, sistemas que requieren una gran cantidad de variables para su descripción. Desafortunadamente, la mezcla de fluidos era solo un sistema de este tipo.

Para abordar este problema, el equipo adoptó un enfoque utilizado en la formulación de otro problema de optimización, que les permitió reducir la dimensión del espacio de estado para el flujo de fluidos a uno. En pocas palabras, el movimiento del fluido ahora podría describirse usando un solo parámetro.

El algoritmo RL generalmente se formula en términos de un proceso de decisión de Markov (MDP), un marco matemático para la toma de decisiones en situaciones donde los resultados son en parte aleatorios y en parte controlados por el tomador de decisiones. Usando este enfoque, el equipo demostró que RL era efectivo para optimizar la mezcla de fluidos.

"Probamos nuestro algoritmo basado en RL para el problema de mezcla de fluidos bidimensional y descubrimos que el algoritmo identificó un control de flujo efectivo, que culminó en una mezcla exponencialmente rápida sin ningún conocimiento previo", dice el Dr. Inubushi. "El mecanismo subyacente a esta mezcla eficiente se explicó observando el flujo alrededor de los puntos fijos desde la perspectiva de la teoría del sistema dinámico".

Otra ventaja significativa del método RL fue un aprendizaje de transferencia efectivo (aplicando el conocimiento adquirido a un problema diferente pero relacionado) del mezclador capacitado. En el contexto de la mezcla de fluidos, esto implicaba que un mezclador entrenado en un cierto número de Péclet (la relación entre la tasa de advección y la tasa de difusión en el proceso de mezcla) podría usarse para resolver un problema de mezcla en otro número de Péclet. Esto redujo considerablemente el tiempo y el costo de entrenar el algoritmo RL.

Si bien estos resultados son alentadores, el Dr. Inubishi señala que este es todavía el primer paso. "Todavía quedan muchos problemas por resolver, como la aplicación del método a problemas de mezcla de fluidos más realistas y la mejora de los algoritmos de RL y sus métodos de implementación", dice.

Si bien es cierto que la mezcla bidimensional de fluidos no es representativa de los problemas reales de mezcla en el mundo real, este estudio proporciona un punto de partida útil. Moreover, while it focuses on mixing in laminar flows, the method is extendable to turbulent mixing as well. It is, therefore, versatile and has potential for major applications across various industries employing fluid mixing. + Explora más

Using a supercomputer to find the best way to mix two fluids