Schnelle Optimierung von Micromixern mit Scientific Machine Learning

Ein neues Forschungsframework nutzt modernste Scientific Machine Learning‑Techniken, um die langjährige Herausforderung der multidimensionalen Optimierung in der Technik zu lösen. Im Gegensatz zu herkömmlichen simulationsbasierten Methoden, die oft nur ein Problem gleichzeitig bearbeiten und viel Rechenzeit für Netzgenerierung und numerische Simulation benötigen, liefert das neue System sofortige Lösungen für komplexe Optimierungsaufgaben.

Der Ansatz kombiniert einen Deep‑Reinforcement‑Learning‑Agent mit einer parametrischen Physics‑Informed Neural Network (PINN). Der Agent erkundet die Zusammenhänge zwischen wichtigen Designparametern, während die PINN als schnelle Reaktionsumgebung fungiert und die Agentenaktionen wesentlich schneller als klassische numerische Verfahren beantwortet. Dadurch kann die Optimierung in Echtzeit erfolgen.

Als Demonstrationsfall wurde ein Micromixer untersucht. Der Agent wurde darauf trainiert, geometrische und physikalische Parameter zu finden, die die Mischleistung maximieren, wobei der Schmidt‑Number‑Wert als Bedingung dient. Nach dem Training wurden die optimalen Designs über einen breiten Schmidt‑Number‑Bereich hinweg analysiert. In allen Fällen erreichte die Effizienz die Baseline‑Normierung, wobei der höchste Wert bei einer Schmidt‑Number von 13,3 erzielt wurde.