Credito:Università delle scienze di Tokyo
La miscelazione dei fluidi è una parte importante di numerosi processi industriali e reazioni chimiche. Tuttavia, il processo si basa spesso su esperimenti basati su tentativi ed errori anziché sull'ottimizzazione matematica. Sebbene la miscelazione turbolenta sia efficace, non può essere sempre sostenuta e può danneggiare i materiali coinvolti. Per affrontare questo problema, i ricercatori giapponesi hanno ora proposto un approccio di ottimizzazione alla miscelazione dei fluidi per i flussi laminari utilizzando l'apprendimento automatico, che può essere esteso anche alla miscelazione turbolenta.
La miscelazione dei fluidi è un componente critico in molti processi industriali e chimici. La miscelazione farmaceutica e le reazioni chimiche, ad esempio, possono richiedere una miscelazione omogenea dei fluidi. Raggiungere questa miscelazione più velocemente e con meno energia ridurrebbe notevolmente i costi associati. In realtà, tuttavia, la maggior parte dei processi di miscelazione non sono ottimizzati matematicamente e si basano invece su metodi empirici basati su tentativi ed errori. La miscelazione turbolenta, che utilizza la turbolenza per mescolare i fluidi, è un'opzione ma è problematica in quanto è difficile da sostenere (come nei micro-miscelatori) o danneggia i materiali da miscelare (come nei bioreattori e nei miscelatori per alimenti).
È possibile invece ottenere una miscelazione ottimizzata per i flussi laminari? Per rispondere a questa domanda, un team di ricercatori giapponesi, in un nuovo studio, si è rivolto all'apprendimento automatico. Nel loro studio pubblicato su Rapporti scientifici , il team ha fatto ricorso a un approccio chiamato "apprendimento per rinforzo" (RL), in cui gli agenti intelligenti intraprendono azioni in un ambiente per massimizzare la ricompensa cumulativa (anziché una ricompensa istantanea).
"Poiché RL massimizza la ricompensa cumulativa, che è globale nel tempo, ci si può aspettare che sia adatto ad affrontare il problema della miscelazione efficiente dei fluidi, che è anche un problema di ottimizzazione globale nel tempo", spiega il professor Masanobu Inubushi , il corrispondente autore dello studio. "Personalmente, sono convinto che sia importante trovare l'algoritmo giusto per il problema giusto piuttosto che applicare ciecamente un algoritmo di apprendimento automatico. Fortunatamente, in questo studio, siamo riusciti a collegare i due campi (miscelazione fluida e apprendimento per rinforzo) dopo considerando le loro caratteristiche fisiche e matematiche". Il lavoro includeva i contributi di Mikito Konishi, uno studente laureato, e del Prof. Susumu Goto, entrambi dell'Università di Osaka.
Tuttavia, un grosso ostacolo attendeva la squadra. Sebbene RL sia adatto per problemi di ottimizzazione globale, non è particolarmente adatto per sistemi che coinvolgono spazi di stato ad alta dimensione, cioè sistemi che richiedono un gran numero di variabili per la loro descrizione. Sfortunatamente, la miscelazione dei fluidi era proprio un tale sistema.
Per affrontare questo problema, il team ha adottato un approccio utilizzato nella formulazione di un altro problema di ottimizzazione, che ha consentito loro di ridurre a una la dimensione dello spazio degli stati per il flusso del fluido. In parole povere, il movimento fluido ora può essere descritto utilizzando un solo parametro.
L'algoritmo RL è solitamente formulato in termini di un processo decisionale Markov (MDP), un quadro matematico per il processo decisionale in situazioni in cui i risultati sono in parte casuali e in parte controllati dal decisore. Utilizzando questo approccio, il team ha dimostrato che RL è efficace nell'ottimizzare la miscelazione dei fluidi.
"Abbiamo testato il nostro algoritmo basato su RL per il problema della miscelazione del fluido bidimensionale e abbiamo scoperto che l'algoritmo ha identificato un controllo del flusso efficace, che è culminato in una miscelazione esponenzialmente veloce senza alcuna conoscenza preliminare", afferma il dott. Inubushi. "Il meccanismo alla base di questa miscelazione efficiente è stato spiegato osservando il flusso attorno ai punti fissi da una prospettiva di teoria dei sistemi dinamici."
Un altro vantaggio significativo del metodo RL è stato un efficace trasferimento di apprendimento (applicando le conoscenze acquisite a un problema diverso ma correlato) del mixer addestrato. Nel contesto della miscelazione dei fluidi, ciò implicava che un miscelatore addestrato a un certo numero di Péclet (il rapporto tra la velocità di avvezione e la velocità di diffusione nel processo di miscelazione) potesse essere utilizzato per risolvere un problema di miscelazione a un altro numero di Péclet. Ciò ha notevolmente ridotto il tempo e il costo dell'addestramento dell'algoritmo RL.
Sebbene questi risultati siano incoraggianti, il dottor Inubishi sottolinea che questo è ancora il primo passo. "Ci sono ancora molti problemi da risolvere, come l'applicazione del metodo a problemi di miscelazione dei fluidi più realistici e il miglioramento degli algoritmi RL e dei loro metodi di implementazione", afferma.
Sebbene sia certamente vero che la miscelazione bidimensionale dei fluidi non è rappresentativa degli effettivi problemi di miscelazione nel mondo reale, questo studio fornisce un utile punto di partenza. Inoltre, mentre si concentra sulla miscelazione in flussi laminari, il metodo è estensibile anche alla miscelazione turbolenta. It is, therefore, versatile and has potential for major applications across various industries employing fluid mixing. + Esplora ulteriormente
