利用深度学习实现微流控装置中惯性升力的无几何参数预测
机器学习
2026-05-12 v1 材料科学
流体动力学
摘要
惯性微流控装置（IMD）为许多传统的粒子（或细胞）操控任务提供了低成本、高通量的替代技术，但对其进行模拟需要能够预测粒子在多种可能通道几何形状下的迁移，进而预测粒子升力。近期研究表明，机器学习模型可用于大幅加速这些数值模拟，但这需要为每种独特的通道截面类型（例如矩形、三角形）训练单独的模型——将负担从模拟步骤转移到了训练步骤。本文中，我们开发了一种不包含显式几何参数的新方法来预测粒子升力。我们使用一组新的参数训练了一个神经网络模型，并表明该模型在训练集内的通道几何形状上性能与现有模型相当，但能够更有效地泛化到未见过的通道几何形状。我们证明，本文开发的升力模型可以轻松迁移到粒子追踪模拟软件中，并能够预测与文献报道一致的、跨多种通道设计的粒子迁移模式。
引用
@article{arxiv.2605.08109,
title = {Geometry-free prediction of inertial lift forces in microfluidic devices using deep learning},
author = {Jesse Ward-Bond and Ali Mashadian and Timothy C. Y. Chan and Edmond W. K. Young},
journal= {arXiv preprint arXiv:2605.08109},
year = {2026}
}