Mescolare le cose: ottimizzare la miscelazione dei fluidi con l'ingegno

Alcuni ricercatori giapponesi adottano un approccio basato sull'apprendimento per rinforzo per studiare il processo di miscelazione dei fluidi durante il flusso laminare

Università delle Scienze di Tokio

immagine: I processi di miscelazione dei fluidi su scala industriale possono essere dispendiosi in termini di energia e costosi se non ottimizzati. Tuttavia, il processo è solitamente guidato attraverso tentativi ed errori. Ora, i ricercatori giapponesi utilizzano l’apprendimento automatico per risolvere il problema di ottimizzazione della miscelazione dei fluidi, rivelando intuizioni che evidenziano il potenziale di applicazione del metodo nei processi di miscelazione dei fluidi industriali.vedere di più

Credito: Masanobu Inubishi dell'Università delle Scienze di Tokyo

La miscelazione dei fluidi è una componente critica in molti processi industriali e chimici. La miscelazione farmaceutica e le reazioni chimiche, ad esempio, possono richiedere una miscelazione omogenea dei fluidi. Ottenere 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 alimentari).

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 Scientific Reports, il team ha fatto ricorso a un approccio chiamato “apprendimento per rinforzo” (RL), in cui agenti intelligenti intraprendono azioni in un ambiente per massimizzare la ricompensa cumulativa (al contrario di una ricompensa istantanea).

"Poiché RL massimizza la ricompensa cumulativa, che è globale nel tempo, ci si può aspettare che sia adatta ad affrontare il problema della miscelazione efficiente dei fluidi, che è anche un problema di ottimizzazione globale nel tempo", spiega il professore associato Masanobu Inubushi , l'autore corrispondente 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 dei fluidi e apprendimento per rinforzo) dopo considerando le loro caratteristiche fisiche e matematiche." Il lavoro ha incluso il contributo del Sig. Mikito Konishi, uno studente laureato, e del Prof. Susumu Goto, entrambi dell'Università di Osaka.

Tuttavia, un grosso ostacolo attendeva la squadra. Mentre RL è adatto per problemi di ottimizzazione globale, non è particolarmente adatto per sistemi che coinvolgono spazi degli stati ad alta dimensione, cioè sistemi che richiedono un gran numero di variabili per la loro descrizione. Sfortunatamente, la miscelazione dei fluidi era proprio un sistema di questo tipo.

Per risolvere questo problema, il team ha adottato un approccio utilizzato nella formulazione di un altro problema di ottimizzazione, che ha consentito di ridurre a uno la dimensione dello spazio degli stati per il flusso dei fluidi. In parole povere, il movimento del fluido ora può essere descritto utilizzando un solo parametro!

L'algoritmo RL è solitamente formulato in termini di "processo decisionale di 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 la RL era efficace nell'ottimizzare la miscelazione dei fluidi.

"Abbiamo testato il nostro algoritmo basato su RL per il problema della miscelazione dei fluidi bidimensionali e abbiamo scoperto che l'algoritmo identificava un controllo del flusso efficace, 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 dal punto di vista della teoria dei sistemi dinamici."

Un altro vantaggio significativo del metodo RL era un efficace trasferimento di apprendimento (applicazione della conoscenza acquisita 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) poteva essere utilizzato per risolvere un problema di miscelazione con un altro numero di Péclet. Ciò ha ridotto notevolmente i tempi e i costi di addestramento dell’algoritmo RL.