Predicting Performance of Microfluidic-Based Alginate Microfibers with Feature-Supplemented Deep Neural Networks
流体动力学
2024-12-13 v1 材料科学
摘要
选择用于制造基于微流控装置的微纤维的解液浓度和流速是一个主要以试验性方式进行的工作，主要由于难以建模此类多物理过程。机器学习，包括深度神经网络，提供了通过使用过去制造数据来训练和验证模型，从而确定流速和解液特征的潜力。不幸的是，微流控器件的数据量较小，这可能导致不准确和过度训练。为减少开发基于深度神经网络的预测和设计模型时固有的误差，本文研究了两种方法：使用可用样本的统计属性进行数据集扩展，以及通过引入与物理相关的参数（ Specifically, 包括鲁棒数、毛细数、韦伯数和佩克尔数等无量纲数）来增强模型。结果表明，这些参数的引入提供了增强的预测能力，导致准确率提高，而对于设计参数的选择尚未观察到此类改进。
引用
@article{arxiv.2412.08822,
title = {Predicting Performance of Microfluidic-Based Alginate Microfibers with Feature-Supplemented Deep Neural Networks},
author = {Nicholus R. Clinkinbeard and Justin Sehlin and Meharpal Singh Bhatti and Marilyn McNamarra and Reza Montazami and Nicole N. Hashemi},
journal= {arXiv preprint arXiv:2412.08822},
year = {2024}
}