Misturando as coisas: otimizando a inteligência da mistura de fluidos

Pesquisadores do Japão adotam uma abordagem baseada em aprendizado por reforço para estudar o processo de mistura de fluidos durante o fluxo laminar

Universidade de Ciências de Tóquio

image: Os processos de mistura de fluidos em escala industrial podem consumir muita energia e ser caros se não forem otimizados. No entanto, o processo geralmente é guiado por tentativa e erro. Agora, pesquisadores do Japão utilizam o aprendizado de máquina para resolver o problema de otimização da mistura de fluidos, revelando insights que destacam o potencial do método para aplicação em processos industriais de mistura de fluidos.Veja mais

Crédito: Masanobu Inubishi da Tokyo University of Science

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 a mistura de fluidos homogêneos. Conseguir essa mistura mais rapidamente e com menos energia reduziria muito os custos associados. Na realidade, no entanto, a maioria dos processos de mistura não é otimizada matematicamente e, em vez disso, depende 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).

Uma mistura otimizada pode ser alcançada para fluxos laminares? Para responder a essa pergunta, uma equipe de pesquisadores do Japão, em um novo estudo, voltou-se para o aprendizado de máquina. Em seu estudo publicado na Scientific Reports, 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 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 incluiu contribuições do Sr. Mikito Konishi, um estudante de pós-graduação, e do Prof. Susumu Goto, ambos da Universidade de Osaka.

Um grande obstáculo esperava a equipe, no entanto. Embora a RL seja adequada para problemas de otimização global, ela não é particularmente adequada para sistemas que envolvem espaços de estado de alta dimensão, ou seja, sistemas que requerem um grande número de variáveis ​​para sua descrição. Infelizmente, a mistura de fluidos era apenas um desses sistemas.

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 estado para fluxo de fluido a 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 parte aleatórios e parte controlados pelo tomador de decisão. Usando essa abordagem, a equipe mostrou que o RL foi eficaz na otimização da mistura de fluidos.

"Testamos nosso algoritmo baseado em RL para o problema de mistura de fluidos bidimensionais e descobrimos que o algoritmo identificou um controle de fluxo eficaz, que culminou em uma mistura exponencialmente rápida sem qualquer conhecimento prévio", disse 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 "mixer" treinado. No contexto da mistura de fluidos, isso implicava que um misturador treinado em um determinado 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.