A mistura de fluidos é uma parte importante de vários processos industriais e reações químicas. No entanto, o processo geralmente depende de experimentos baseados em tentativa e erro, em vez de otimização matemática. Embora a mistura turbulenta seja eficaz, ela nem sempre pode ser sustentada e pode danificar os materiais envolvidos. Para resolver esse problema, pesquisadores do Japão agora propuseram uma abordagem de otimização para mistura de fluidos para fluxos laminares usando aprendizado de máquina, que também pode ser estendido para mistura turbulenta.
A mistura de fluidos é um componente crítico em muitos processos industriais e químicos. A mistura farmacêutica e as reações químicas, por exemplo, podem exigir uma mistura homogênea de fluidos. Alcançar essa mistura mais rapidamente e com menos energia reduziria muito os custos associados. Na realidade, no entanto, a maioria dos processos de mistura não são matematicamente otimizados e, em vez disso, dependem de métodos empíricos baseados em tentativa e erro. A mistura turbulenta, que usa turbulência para misturar fluidos, é uma opção, mas é problemática, pois é difícil de sustentar (como em micromisturadores) ou danifica os materiais que estão sendo misturados (como em biorreatores e misturadores de alimentos).

Em vez disso, uma mistura otimizada pode ser alcançada para fluxos laminares? Para responder a essa pergunta, uma equipe de pesquisadores do Japão, em um novo estudo, recorreu ao aprendizado de máquina. Em seu estudo publicado em Relatórios Científicos , a equipe recorreu a uma abordagem chamada "aprendizagem por reforço" (RL), na qual agentes inteligentes realizam ações em um ambiente para maximizar a recompensa cumulativa (em oposição a uma recompensa instantânea).

“Como o RL maximiza a recompensa cumulativa, que é global no tempo, pode-se esperar que seja adequado para resolver o problema da mistura eficiente de fluidos, que também é um problema de otimização global no tempo”, explica o professor associado Masanobu Inubushi , o autor correspondente do estudo. "Pessoalmente, tenho a convicção de que é importante encontrar o algoritmo certo para o problema certo, em vez de aplicar cegamente um algoritmo de aprendizado de máquina. Felizmente, neste estudo, conseguimos conectar os dois campos (mistura de fluidos e aprendizado por reforço) após considerando suas características físicas e matemáticas." O trabalho contou com contribuições de Mikito Konishi, estudante de pós-graduação, e do Prof. Susumu Goto, ambos da Universidade de Osaka.

Um grande obstáculo aguardava a equipe, no entanto. Embora RL seja adequado para problemas de otimização global, não é particularmente adequado para sistemas que envolvem espaços de estados de alta dimensão, ou seja, sistemas que exigem um grande número de variáveis ​​para sua descrição. Infelizmente, a mistura de fluidos era exatamente esse sistema.

Para resolver esse problema, a equipe adotou uma abordagem usada na formulação de outro problema de otimização, que permitiu reduzir a dimensão do espaço de estados para o fluxo de fluido para um. Simplificando, o movimento do fluido agora pode ser descrito usando apenas um único parâmetro.

O algoritmo RL é geralmente formulado em termos de um processo de decisão de Markov (MDP), uma estrutura matemática para tomada de decisão em situações em que os resultados são em parte aleatórios e em parte controlados pelo tomador de decisão. Usando essa abordagem, a equipe mostrou que a RL foi eficaz na otimização da mistura de fluidos.

"Testamos nosso algoritmo baseado em RL para o problema de mistura de fluido bidimensional e descobrimos que o algoritmo identificou um controle de fluxo eficaz, que culminou em uma mistura exponencialmente rápida sem nenhum conhecimento prévio", diz o Dr. Inubushi. "O mecanismo subjacente a essa mistura eficiente foi explicado observando o fluxo em torno dos pontos fixos de uma perspectiva da teoria do sistema dinâmico".

Outra vantagem significativa do método RL foi um aprendizado de transferência eficaz (aplicando o conhecimento adquirido a um problema diferente, mas relacionado) do misturador treinado. No contexto da mistura de fluidos, isso implicava que um misturador treinado em um certo número de Péclet (a razão entre a taxa de advecção e a taxa de difusão no processo de mistura) poderia ser usado para resolver um problema de mistura em outro número de Péclet. Isso reduziu bastante o tempo e o custo de treinamento do algoritmo RL.

Embora esses resultados sejam encorajadores, o Dr. Inubishi ressalta que este ainda é o primeiro passo. "Ainda há muitas questões a serem resolvidas, como a aplicação do método a problemas de mistura de fluidos mais realistas e a melhoria dos algoritmos de RL e seus métodos de implementação", afirma.

Embora seja certamente verdade que a mistura de fluidos bidimensional não é representativa dos problemas reais de mistura no mundo real, este estudo fornece um ponto de partida útil. Além disso, embora se concentre na mistura em fluxos laminares, o método também é extensível à mistura turbulenta. É, portanto, versátil e tem potencial para grandes aplicações em várias indústrias que empregam mistura de fluidos. + Explorar mais

Usando um supercomputador para encontrar a melhor maneira de misturar dois fluidos