Mezclar cosas: optimizar el ingenio de mezcla de fluidos

Investigadores de Japón adoptan un enfoque basado en el aprendizaje por refuerzo para estudiar el proceso de mezcla de fluidos durante el flujo laminar

Universidad de Ciencias de Tokio

imagen: Los procesos de mezcla de fluidos a escala industrial pueden consumir energía y ser costosos si no se optimizan. Sin embargo, el proceso generalmente se guía a través de prueba y error. Ahora, investigadores de Japón utilizan el aprendizaje automático para resolver el problema de optimización de la mezcla de fluidos y revelan conocimientos que resaltan el potencial del método para su aplicación en los procesos industriales de mezcla de fluidos.ver más

Crédito: Masanobu Inubishi de la Universidad de Ciencias de Tokio

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 toman medidas 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 del Sr. Mikito Konishi, estudiante de posgrado, y del Prof. 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 en las que 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 en gran medida 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. “Aún 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”, comenta.

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. Además, si bien se enfoca en la mezcla en flujos laminares, el método también se puede extender a la mezcla turbulenta. Por lo tanto, es versátil y tiene potencial para aplicaciones importantes en varias industrias que emplean mezcla de fluidos.

***

ReferenciaDOI: https://doi.org/10.1038/s41598-022-18037-7

Acerca de la Universidad de Ciencias de Tokio La Universidad de Ciencias de Tokio (TUS) es una universidad muy conocida y respetada, y la universidad de investigación privada especializada en ciencias más grande de Japón, con cuatro campus en el centro de Tokio y sus suburbios y en Hokkaido. Establecida en 1881, la universidad ha contribuido continuamente al desarrollo científico de Japón al inculcar el amor por la ciencia en investigadores, técnicos y educadores.

Con la misión de "Crear ciencia y tecnología para el desarrollo armonioso de la naturaleza, los seres humanos y la sociedad", TUS ha emprendido una amplia gama de investigaciones, desde la ciencia básica hasta la aplicada. TUS ha adoptado un enfoque multidisciplinario para la investigación y ha realizado estudios intensivos en algunos de los campos más vitales de la actualidad. TUS es una meritocracia donde se reconoce y fomenta lo mejor de la ciencia. Es la única universidad privada en Japón que ha producido un ganador del Premio Nobel y la única universidad privada en Asia que produce ganadores del Premio Nobel dentro del campo de las ciencias naturales.

Sitio web: https://www.tus.ac.jp/en/mediarelations/

Acerca del profesor asociado Masanobu Inubushi de la Universidad de Ciencias de Tokio Masanobu Inubushi es actualmente profesor asociado en la Universidad de Ciencias de Tokio, Japón. Obtuvo su título universitario en 2008 del Instituto de Tecnología de Tokio, Japón. Luego obtuvo su doctorado en Matemáticas del Instituto de Investigación de Ciencias Matemáticas (RIMS) en la Escuela de Graduados de la Universidad de Kyoto en 2013. Después de trabajar en NTT, Laboratorios de Ciencias de la Comunicación de 2013 a 2018, se unió a la Universidad de Osaka como Profesor Asistente en 2018. Dr. Inubushi tiene más de 25 trabajos de investigación publicados que han sido citados más de 400 veces. Sus intereses de investigación incluyen la mecánica de fluidos, la teoría del caos, la física matemática y el aprendizaje automático.

Información de financiaciónEste trabajo fue parcialmente financiado por JSPS Grant-in-Aid for Early-Career Scientists No. 19K14591 y JSPS Grants-in-Aid for Scientific Research No. 19KK0067, 20H02068, 20K20973 y 22K03420.

Informes científicos

10.1038/s41598-022-18037-7

Modelado/simulación computacional

No aplica

Optimización de mezcla de fluidos con aprendizaje de refuerzo

22-ago-2022

Los autores declaran no tener conflictos de intereses.

Descargo de responsabilidad: AAAS y Eurek Alert! no son responsables de la precisión de los comunicados de prensa publicados en EurekAlert! por instituciones contribuyentes o para el uso de cualquier información a través del sistema EurekAlert.