Blog

Jun 14, 2023

Mélanger les choses : optimiser le mélange des fluides avec

Des chercheurs japonais adoptent une approche basée sur l'apprentissage par renforcement

Des chercheurs japonais adoptent une approche basée sur l'apprentissage par renforcement pour étudier le processus de mélange des fluides pendant l'écoulement laminaire

Université des sciences de Tokyo

image : Les processus de mélange de fluides à l'échelle industrielle peuvent être énergivores et coûteux s'ils ne sont pas optimisés. Cependant, le processus est généralement guidé par essais et erreurs. Désormais, des chercheurs japonais utilisent l'apprentissage automatique pour résoudre le problème d'optimisation du mélange de fluides, révélant des informations qui mettent en évidence le potentiel d'application de la méthode dans les processus de mélange de fluides industriels.Voir plus

Crédit : Masanobu Inubishi de l'Université des sciences de Tokyo

Le mélange de fluides est un composant critique dans de nombreux processus industriels et chimiques. Le mélange pharmaceutique et les réactions chimiques, par exemple, peuvent nécessiter un mélange fluide homogène. Réaliser ce mélange plus rapidement et avec moins d'énergie réduirait considérablement les coûts associés. En réalité, cependant, la plupart des processus de mélange ne sont pas optimisés mathématiquement et reposent plutôt sur des méthodes empiriques basées sur des essais et des erreurs. Le mélange turbulent, qui utilise la turbulence pour mélanger les fluides, est une option mais est problématique car il est difficile à maintenir (comme dans les micro-mélangeurs) ou endommage les matériaux mélangés (comme dans les bioréacteurs et les mélangeurs alimentaires).

Peut-on plutôt obtenir un mélange optimisé pour les flux laminaires ? Pour répondre à cette question, une équipe de chercheurs du Japon, dans une nouvelle étude, s'est tournée vers l'apprentissage automatique. Dans leur étude publiée dans Scientific Reports, l'équipe a eu recours à une approche appelée "apprentissage par renforcement" (RL), dans laquelle des agents intelligents agissent dans un environnement pour maximiser la récompense cumulative (par opposition à une récompense instantanée).

"Étant donné que RL maximise la récompense cumulative, qui est globale dans le temps, on peut s'attendre à ce qu'elle convienne pour résoudre le problème du mélange efficace des fluides, qui est également un problème d'optimisation global dans le temps", explique le professeur associé Masanobu Inubushi. , l'auteur correspondant de l'étude. "Personnellement, j'ai la conviction qu'il est important de trouver le bon algorithme pour le bon problème plutôt que d'appliquer aveuglément un algorithme d'apprentissage automatique. Heureusement, dans cette étude, nous avons réussi à relier les deux domaines (mélange de fluides et apprentissage par renforcement) après compte tenu de leurs caractéristiques physiques et mathématiques." Le travail comprenait des contributions de M. Mikito Konishi, un étudiant diplômé, et du professeur Susumu Goto, tous deux de l'Université d'Osaka.

Un obstacle majeur attendait l'équipe, cependant. Bien que RL soit adapté aux problèmes d'optimisation globale, il n'est pas particulièrement bien adapté aux systèmes impliquant des espaces d'états de grande dimension, c'est-à-dire des systèmes nécessitant un grand nombre de variables pour leur description. Malheureusement, le mélange de fluides n'était qu'un tel système.

Pour résoudre ce problème, l'équipe a adopté une approche utilisée dans la formulation d'un autre problème d'optimisation, qui leur a permis de réduire à un la dimension de l'espace d'état pour l'écoulement de fluide. En termes simples, le mouvement fluide pouvait maintenant être décrit à l'aide d'un seul paramètre !

L'algorithme RL est généralement formulé en termes de "processus de décision de Markov" (MDP), un cadre mathématique pour la prise de décision dans des situations où les résultats sont en partie aléatoires et en partie contrôlés par le décideur. En utilisant cette approche, l'équipe a montré que RL était efficace pour optimiser le mélange des fluides.

"Nous avons testé notre algorithme basé sur RL pour le problème de mélange de fluides bidimensionnel et avons constaté que l'algorithme identifiait un contrôle de flux efficace, qui aboutissait à un mélange exponentiellement rapide sans aucune connaissance préalable", explique le Dr Inubushi. "Le mécanisme sous-jacent à ce mélange efficace a été expliqué en examinant le flux autour des points fixes du point de vue de la théorie des systèmes dynamiques."

Un autre avantage significatif de la méthode RL était un apprentissage par transfert efficace (application des connaissances acquises à un problème différent mais connexe) du "mélangeur" ​​formé. Dans le contexte du mélange de fluides, cela impliquait qu'un mélangeur entraîné à un certain nombre de Péclet (le rapport du taux d'advection au taux de diffusion dans le processus de mélange) pouvait être utilisé pour résoudre un problème de mélange à un autre nombre de Péclet. Cela a considérablement réduit le temps et le coût de la formation de l'algorithme RL.

Bien que ces résultats soient encourageants, le Dr Inubishi souligne qu'il s'agit encore de la première étape. "Il reste encore de nombreux problèmes à résoudre, tels que l'application de la méthode à des problèmes de mélange de fluides plus réalistes et l'amélioration des algorithmes RL et de leurs méthodes de mise en œuvre", remarque-t-il.

S'il est certainement vrai que le mélange de fluides bidimensionnel n'est pas représentatif des problèmes de mélange réels dans le monde réel, cette étude fournit un point de départ utile. De plus, bien qu'il se concentre sur le mélange dans des flux laminaires, le procédé est également extensible au mélange turbulent. Il est donc polyvalent et a un potentiel pour des applications majeures dans diverses industries utilisant le mélange de fluides.

***

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

À propos de l'Université des sciences de Tokyo L'Université des sciences de Tokyo (TUS) est une université bien connue et respectée, et la plus grande université de recherche privée spécialisée dans les sciences au Japon, avec quatre campus dans le centre de Tokyo et sa banlieue et à Hokkaido. Fondée en 1881, l'université a continuellement contribué au développement scientifique du Japon en inculquant l'amour de la science aux chercheurs, techniciens et éducateurs.

Avec pour mission de "Créer la science et la technologie pour le développement harmonieux de la nature, des êtres humains et de la société", TUS a entrepris un large éventail de recherches allant de la science fondamentale à la science appliquée. TUS a adopté une approche multidisciplinaire de la recherche et entrepris des études intensives dans certains des domaines les plus vitaux d'aujourd'hui. TUS est une méritocratie où le meilleur de la science est reconnu et nourri. C'est la seule université privée au Japon qui a produit un lauréat du prix Nobel et la seule université privée en Asie à produire des lauréats du prix Nobel dans le domaine des sciences naturelles.

Site Web : https://www.tus.ac.jp/en/mediarelations/

À propos du professeur associé Masanobu Inubushi de l'Université des sciences de Tokyo Masanobu Inubushi est actuellement professeur associé à l'Université des sciences de Tokyo, au Japon. Il a obtenu son diplôme de premier cycle en 2008 à l'Institut de technologie de Tokyo, au Japon. Il a ensuite obtenu son doctorat en mathématiques à l'Institut de recherche en sciences mathématiques (RIMS) de la Graduate School de l'Université de Kyoto en 2013. Après avoir travaillé au NTT, Communication Science Laboratories de 2013 à 2018, il a rejoint l'Université d'Osaka en tant que professeur adjoint en 2018. Dr. Inubushi a plus de 25 travaux de recherche publiés qui ont été cités plus de 400 fois. Ses intérêts de recherche comprennent la mécanique des fluides, la théorie du chaos, la physique mathématique et l'apprentissage automatique.

Informations sur le financementCe travail a été partiellement soutenu par JSPS Grant-in-Aid for Early-Career Scientists No. 19K14591and JSPS Grants-in-Aid for Scientific Research Nos. 19KK0067, 20H02068, 20K20973 et 22K03420.

Rapports scientifiques

10.1038/s41598-022-18037-7

Simulation/modélisation informatique

N'est pas applicable

Optimisation du mélange de fluides avec apprentissage par renforcement

22 août 2022

Les auteurs ne déclarent aucun intérêt concurrent.

Clause de non-responsabilité: AAAS et EurekAlert ! ne sont pas responsables de l'exactitude des communiqués de presse publiés sur EurekAlert! par les institutions contributrices ou pour l'utilisation de toute information via le système EurekAlert.