Blog

Jun 14, 2023

Durcheinander bringen: Flüssigkeitsmischung mit Witz optimieren

Forscher aus Japan wenden eine auf Verstärkungslernen basierende Methode an

Forscher aus Japan verfolgen einen auf Verstärkungslernen basierenden Ansatz, um den Prozess der Flüssigkeitsmischung während der laminaren Strömung zu untersuchen

Wissenschaftliche Universität Tokio

Bild: Flüssigkeitsmischprozesse im industriellen Maßstab können energieaufwendig und kostspielig sein, wenn sie nicht optimiert werden. Der Prozess wird jedoch in der Regel durch Versuch und Irrtum gesteuert. Jetzt nutzen Forscher aus Japan maschinelles Lernen, um das Optimierungsproblem der Flüssigkeitsmischung zu lösen, und enthüllen Erkenntnisse, die das Potenzial der Methode für die Anwendung in industriellen Flüssigkeitsmischungsprozessen hervorheben.mehr sehen

Bildnachweis: Masanobu Inubishi von der Tokyo University of Science

Das Mischen von Flüssigkeiten ist in vielen industriellen und chemischen Prozessen eine entscheidende Komponente. Pharmazeutisches Mischen und chemische Reaktionen können beispielsweise eine homogene Flüssigkeitsmischung erfordern. Würde man dieses Mischen schneller und mit weniger Energie erreichen, würden die damit verbundenen Kosten erheblich sinken. In der Realität sind die meisten Mischprozesse jedoch nicht mathematisch optimiert und basieren stattdessen auf empirischen Methoden, die auf Versuch und Irrtum basieren. Turbulentes Mischen, bei dem Flüssigkeiten durch Turbulenz vermischt werden, ist eine Option, aber problematisch, da es entweder schwer aufrechtzuerhalten ist (z. B. in Mikromischern) oder die zu mischenden Materialien beschädigt (z. B. in Bioreaktoren und Lebensmittelmischern).

Kann stattdessen eine optimierte Durchmischung für laminare Strömungen erreicht werden? Um diese Frage zu beantworten, wandte sich ein Forscherteam aus Japan in einer neuen Studie dem maschinellen Lernen zu. In ihrer in Scientific Reports veröffentlichten Studie griff das Team auf einen Ansatz namens „Reinforcement Learning“ (RL) zurück, bei dem intelligente Agenten in einer Umgebung Maßnahmen ergreifen, um die kumulative Belohnung zu maximieren (im Gegensatz zu einer sofortigen Belohnung).

„Da RL die kumulative Belohnung maximiert, die zeitlich global ist, kann davon ausgegangen werden, dass sie zur Lösung des Problems der effizienten Flüssigkeitsmischung geeignet ist, bei dem es sich auch um ein zeitlich globales Optimierungsproblem handelt“, erklärt außerordentlicher Professor Masanobu Inubushi , der korrespondierende Autor der Studie. „Ich persönlich bin davon überzeugt, dass es wichtig ist, den richtigen Algorithmus für das richtige Problem zu finden, anstatt blind einen Algorithmus für maschinelles Lernen anzuwenden. Glücklicherweise ist es uns in dieser Studie gelungen, die beiden Bereiche (Fluidmischung und Verstärkungslernen) anschließend zu verbinden.“ unter Berücksichtigung ihrer physikalischen und mathematischen Eigenschaften.“ Die Arbeit umfasste Beiträge von Herrn Mikito Konishi, einem Doktoranden, und Prof. Susumu Goto, beide von der Universität Osaka.

Allerdings erwartete das Team eine große Hürde. Während RL für globale Optimierungsprobleme geeignet ist, ist es nicht besonders gut für Systeme geeignet, die hochdimensionale Zustandsräume beinhalten, also Systeme, die eine große Anzahl von Variablen zu ihrer Beschreibung benötigen. Leider war das Mischen von Flüssigkeiten ein solches System.

Um dieses Problem anzugehen, übernahm das Team einen Ansatz, der bei der Formulierung eines anderen Optimierungsproblems verwendet wurde und es ihnen ermöglichte, die Zustandsraumdimension für den Flüssigkeitsfluss auf eins zu reduzieren. Vereinfacht gesagt könnte die Flüssigkeitsbewegung nun mit nur einem einzigen Parameter beschrieben werden!

Der RL-Algorithmus wird normalerweise in Form eines „Markov-Entscheidungsprozesses“ (MDP) formuliert, einem mathematischen Rahmen für die Entscheidungsfindung in Situationen, in denen die Ergebnisse teils zufällig sind und teils vom Entscheidungsträger kontrolliert werden. Mit diesem Ansatz zeigte das Team, dass RL die Flüssigkeitsmischung wirksam optimiert.

„Wir haben unseren RL-basierten Algorithmus für das zweidimensionale Flüssigkeitsmischungsproblem getestet und festgestellt, dass der Algorithmus eine effektive Flusskontrolle identifizierte, die ohne Vorkenntnisse zu einer exponentiell schnellen Mischung führte“, sagt Dr. Inubushi. „Der Mechanismus, der dieser effizienten Mischung zugrunde liegt, wurde erklärt, indem man die Strömung um die Fixpunkte aus der Perspektive der dynamischen Systemtheorie betrachtete.“

Ein weiterer wesentlicher Vorteil der RL-Methode war ein effektives Transferlernen (Anwenden des gewonnenen Wissens auf ein anderes, aber verwandtes Problem) des geschulten „Mischers“. Im Kontext der Flüssigkeitsmischung bedeutete dies, dass ein Mischer, der auf eine bestimmte Péclet-Zahl (das Verhältnis der Advektionsrate zur Diffusionsrate im Mischprozess) trainiert wurde, zur Lösung eines Mischungsproblems bei einer anderen Péclet-Zahl verwendet werden konnte. Dies reduzierte den Zeit- und Kostenaufwand für das Training des RL-Algorithmus erheblich.

Obwohl diese Ergebnisse ermutigend sind, weist Dr. Inubishi darauf hin, dass dies noch der erste Schritt ist. „Es müssen noch viele Probleme gelöst werden, etwa die Anwendung der Methode auf realistischere Flüssigkeitsmischungsprobleme und die Verbesserung der RL-Algorithmen und ihrer Implementierungsmethoden“, bemerkt er.

Zwar stimmt es sicherlich, dass die zweidimensionale Flüssigkeitsmischung nicht repräsentativ für die tatsächlichen Mischungsprobleme in der realen Welt ist, diese Studie bietet jedoch einen nützlichen Ausgangspunkt. Darüber hinaus konzentriert sich die Methode zwar auf das Mischen in laminaren Strömungen, lässt sich aber auch auf turbulentes Mischen ausweiten. Es ist daher vielseitig einsetzbar und hat das Potenzial für wichtige Anwendungen in verschiedenen Branchen, in denen das Mischen von Flüssigkeiten zum Einsatz kommt.

***

ReferenzDOI: https://doi.org/10.1038/s41598-022-18037-7

Über die Universität der Wissenschaften Tokio Die Tokyo University of Science (TUS) ist eine bekannte und angesehene Universität und die größte auf Wissenschaft spezialisierte private Forschungsuniversität in Japan mit vier Campussen im Zentrum von Tokio und seinen Vororten sowie in Hokkaido. Die 1881 gegründete Universität hat kontinuierlich zur wissenschaftlichen Entwicklung Japans beigetragen, indem sie Forschern, Technikern und Pädagogen die Liebe zur Wissenschaft vermittelt hat.

Mit der Mission „Schaffung von Wissenschaft und Technologie für die harmonische Entwicklung von Natur, Mensch und Gesellschaft“ hat TUS ein breites Spektrum an Forschung von der Grundlagenforschung bis zur angewandten Wissenschaft durchgeführt. TUS verfolgt einen multidisziplinären Forschungsansatz und führt intensive Studien in einigen der heute wichtigsten Bereiche durch. TUS ist eine Leistungsgesellschaft, in der die Besten der Wissenschaft anerkannt und gefördert werden. Sie ist die einzige private Universität in Japan, die einen Nobelpreisträger hervorgebracht hat, und die einzige private Universität in Asien, die Nobelpreisträger im Bereich der Naturwissenschaften hervorgebracht hat.

Website: https://www.tus.ac.jp/en/mediarelations/

Über den außerordentlichen Professor Masanobu Inubushi von der Tokyo University of Science Masanobu Inubushi ist derzeit außerordentlicher Professor an der Tokyo University of Science, Japan. Seinen Bachelor-Abschluss erlangte er 2008 am Tokyo Institute of Technology, Japan. Anschließend promovierte er 2013 in Mathematik am Research Institute for Mathematical Sciences (RIMS) der Kyoto University Graduate School. Nachdem er von 2013 bis 2018 bei NTT, Communication Science Laboratories, gearbeitet hatte, wechselte er 2018 als Assistenzprofessor an die Universität Osaka. Dr. Inubushi hat über 25 veröffentlichte Forschungsarbeiten, die über 400 Mal zitiert wurden. Zu seinen Forschungsinteressen zählen Strömungsmechanik, Chaostheorie, mathematische Physik und maschinelles Lernen.

Informationen zur FinanzierungDiese Arbeit wurde teilweise durch JSPS Grants-in-Aid for Early-Career Scientists Nr. 19K14591 und JSPS Grants-in-Aid for Scientific Research Nr. 19KK0067, 20H02068, 20K20973 und 22K03420 unterstützt.

Wissenschaftliche Berichte

10.1038/s41598-022-18037-7

Computersimulation/Modellierung

Unzutreffend

Optimierung der Flüssigkeitsmischung mit Reinforcement Learning

22.08.2022

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Haftungsausschluss: AAAS und EurekAlert! sind nicht verantwortlich für die Richtigkeit der auf EurekAlert veröffentlichten Pressemitteilungen! durch beitragende Institutionen oder für die Nutzung jeglicher Informationen über das EurekAlert-System.