返回顶部
返回首页
返回首页
home 您现在的位置: 首页 >人工智能 > 详细信息
利用机器学习优化流体混合
2023年01月11日    阅读量:20     新闻来源:中国机器人网 vrovro.com    |  投稿

流体混合是若干工业过程和化学反应的重要组成部分。然而,该过程通常依赖于基于尝试和错误的实验,而不是数学优化。虽然湍流混合是有效的,但它不能始终持续,并可能损坏所涉及的材料。为了解决这个问题,日本的研究人员现在提出了一种使用机器学习的层流流体混合优化方法,该方法也可以扩展到湍流混合。

流体的混合是许多工业和化学过程中的一个关键组成部分。例如,药物混合和化学反应可能需要均匀的流体混合。更快且以更少的能量实现这种混合将大大降低相关成本。然而,在现实中,大多数混合过程不是数学优化的,而是依赖于基于试验和误差的经验方法。湍流混合是一种选择,它使用湍流来混合流体,但存在问题,因为它要么难以维持(例如在微型混合器中),要么损坏正在混合的材料(例如在生物反应器和食品混合器中)。

是否可以实现层流的优化混合?为了回答这个问题,一组来自日本的研究人员在一项新的研究中转向了机器学习。在发表于科学报告的研究中,该团队采用了一种称为“强化学习”(RL)的方法,其中智能代理在环境中采取行动,以最大化累积奖励(而不是瞬时奖励)。

该研究的作者Masanobu Inubushi副教授解释说:“由于RL最大化了累积回报,这在时间上是全局的,因此可以预期它适用于解决高效流体混合问题,这也是一个全局时间优化问题。”。“就我个人而言,我坚信为正确的问题找到正确的算法很重要,而不是盲目地应用机器学习算法。幸运的是,在这项研究中,我们在考虑了两个领域(流体混合和强化学习)的物理和数学特征后,成功地将这两个领域联系起来。”这项工作包括Mikito Konishi的贡献,一位研究生和后藤教授,都来自大阪大学。

然而,一个主要的路障等待着该小组。虽然RL适用于全局优化问题,但它并不特别适用于涉及高维状态空间的系统,即需要大量变量进行描述的系统。不幸的是,流体混合就是这样一个系统。

为了解决这个问题,该团队采用了另一个优化问题公式中使用的方法,这使他们能够将流体流动的状态空间维数降低到1。简单地说,现在可以仅使用单个参数来描述流体运动。

RL算法通常用马尔可夫决策过程(MDP)来表示,MDP是在结果部分随机且部分由决策者控制的情况下进行决策的数学框架。使用这种方法,该团队表明RL在优化流体混合方面是有效的。

“我们针对二维流体混合问题测试了基于RL的算法,发现该算法识别了有效的流量控制,最终在没有任何先验知识的情况下实现了指数级快速混合,”Inubushi博士说。“通过从动态系统理论的角度观察定点周围的流动,解释了这种有效混合的机制。”

RL方法的另一个显著优点是训练混合器的有效转移学习(将获得的知识应用于不同但相关的问题)。在流体混合的情况下,这意味着混合器在某个P茅克莱特数(混合过程中的平流速率与扩散速率之比)可用于解决另一个点的混合问题茅克莱特号码。这大大减少了训练RL算法的时间和成本。

虽然这些结果令人鼓舞,但Inubishi博士指出,这仍然是第一步。“还有许多问题需要解决,例如该方法在更现实的流体混合问题中的应用,以及RL算法及其实现方法的改进,”他说。

虽然二维流体混合确实不能代表真实世界中的实际混合问题,但本研究提供了一个有用的起点。此外,虽然该方法侧重于层流中的混合,但也可扩展到湍流混合。因此,它是多用途的,并且在采用流体混合的各个行业中具有主要应用的潜力。

标签:高端访谈工业机器人机器人机器人商道今日头条配件与装备热点排行人工智能市场评论通用机器人系统及软件行业资讯
免责声明: 本文仅代表作者本人观点,与中国机器人网无关。本网对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考,并请自行承担全部责任。本网转载自其它媒体的信息,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如因作品内容、版权和其它问题需要同本网联系的,请在一周内进行,以便我们及时处理。客服邮箱:service@cnso360.com | 客服QQ:23341571

全站地图

深圳网络警察报警平台 深圳网络警
察报警平台

公共信息安全网络监察 公共信息安
全网络监察

经营性网站备案信息 经营性网站
备案信息

中国互联网举报中心 中国互联网
举报中心

中国文明网传播文明 中国文明网
传播文明

深圳市市场监督管理局企业主体身份公示 工商网监
电子标识