Intelligent Optimization of Multi-Parameter Micromixers Using a Scientific Machine Learning Framework
Meraj Hassanzadeh, Ehsan Ghaderi, Mohamad Ali Bijarchi, and Siamak Kazemzadeh Hannani
多维优化一直是工程领域的关键挑战。 然而,传统的基于模拟的优化方法长期以来一直受到重大限制的困扰:它们通常一次只能优化单个问题,并且需要大量计算时间进行混音和数值模拟。 本文介绍了利用尖端科学机器学习(Sci-ML)方法克服传统方法的这些固有缺点的新框架。 所提出的方法为一系列复杂的多维优化问题提供了即时解决方案。 采用微混合器案例研究来演示这种方法。 在深度强化学习(DRL)架构上运行的代理作为优化器,用于探索关键问题参数之间的关系。 这种优化器与由参数化物理信息神经网络(PINN)组成的环境相互作用,该神经网络以比传统数值方法显着更高的速度响应代理的操作。 药剂的目标,以施密特数为条件,是发现最佳的几何和物理参数,最大限度地提高微搅拌机的效率。 在训练了广泛的施密特数字的代理后,我们分析了由此产生的最佳设计。 在整个光谱中,实现的效率一直高于基线,标准化值。 最高效率为13.3,提高了约32%。 最后,在等效条件下进行了与遗传算法的比较分析,以强调拟议方法的优点。
Multidimensional optimization has consistently been a critical challenge in engineering. However, traditional simulation-based optimization methods have long been plagued by significant limitations: they are typically capable of optimizing only a single problem at a time and require substantial computational time for meshing and numerical simulation. This paper introduces a novel framework leveraging cutting-edge Scientific Machine Learning (Sci-ML) methodologies to overcome these inherent drawb...
