导读：

这项研究探讨了如何利用机器学习预测玻璃毛细管微流控设备产生的液滴直径。研究人员首次使用包含800个实验数据点的真实数据集来训练人工神经网络，其输入参数涵盖了流体属性、毛细管间距及流速比等关键几何与物理变量。实验结果显示，神经网络模型在预测单分散液滴的滴落模式时表现最优，准确率达到91.1%，而线性回归模型则在预测喷射模式下的液滴尺寸方面更具优势。

此外，作者还开发了一个图形用户界面 (GUI)，以便研究人员通过输入设备参数快速获取预测结果。这项研究有效地通过人工智能技术替代了复杂的理论计算，为制药和食品等需要精确控制液滴尺寸的行业提供了高效的工具。相关研究以“Predicting microfluidic droplet diameters in glass capillary devices using machine learning”为题目，发表在期刊《Journal of Dispersion Science and Technology》上。

本文要点：

1. 研究背景与目的

• 玻璃毛细管装置的局限性：虽然玻璃毛细管装置具有化学抗性强和热稳定性高等优点，但其关键几何参数（如尖端孔径）在制作过程中难以精确调控，这限制了对液滴尺寸的精准预测。

• 研究目标：利用深度学习模型，根据流体性质和装置几何参数预测液滴大小，从而消除对复杂理论分析的依赖，并为实验提供快速反馈。

2. 数据集与模型输入

• 实验数据：研究采用了 800 个实验数据点，这是首次使用真实的玻璃毛细管实验数据来训练神经网络。

• 模型输入变量：包括孔径宽度(w)、毛细管间距 (s)、流速比 (Q2/Q1)、内相和外相毛细管数 (Ca) 以及流态（滴落模式或喷射模式）。

• 关联性发现：研究发现内相毛细管数和流态对液滴直径的影响最大。

3. 模型表现与对比

研究对比了神经网络 (NN)、线性回归 (LR) 和支持向量回归 (SVR) 三种算法：

• 神经网络 (NN)：在预测滴落流态（单分散液滴）方面表现最佳，准确率达 1%。

• 线性回归 (LR)：在预测喷射流态（多分散液滴）时表现最好，准确率为 6%。

• 支持向量回归 (SVR)：在 10 折交叉验证中表现最差，其得分远低于 NN 和 LR。

4. 实际应用工具

• 图形用户界面 (GUI)：研究团队开发了一个基于 Python tkinter 的 GUI 工具。实验人员只需输入装置几何参数和流体流速，即可快速获得液滴直径的预测值，无需进行繁琐的试错实验。

5. 结论与展望

• 该研究证明了机器学习是优化微流控系统性能的高效工具，特别是在处理玻璃毛细管这类几何形状不可微调的装置时。

• 未来方向：该模型可扩展到预测双乳液直径、流态自动识别，以及开发移动端应用程序以方便研究人员使用。

神经网络是如何应对微流控液滴数据中因不同流体性质和设备几何参数带来的复杂变化的？

• 特征自动提取能力：神经网络能够自动从复杂的输入数据中提取多层次、多维度的特征，捕捉流体动力学和几何结构对液滴行为的影响，而无需人工设计复杂的特征工程。

• 非线性建模能力：由于流体性质和设备几何参数对液滴动态的影响通常表现为高度非线性的关系，神经网络通过多层非线性激活函数能够有效拟合这些复杂映射关系。

• 大规模数据训练：通过在大量不同条件下采集的液滴数据进行训练，神经网络能够学习到各种流体性质和设备参数变化下的通用规律，从而具备较强的泛化能力。

• 多输入融合：神经网络可以设计成多输入结构，分别输入流体的物理参数（如粘度、表面张力）和设备的几何参数，联合学习它们对液滴行为的综合影响。

• 自适应和迁移学习：面对新设备或未知流体，神经网络可以通过微调和迁移学习快速适应新的参数范围，提升模型的适用范围和鲁棒性。

综上，神经网络凭借其强大的非线性拟合和特征学习能力，能够有效处理微流控液滴数据中因流体性质和设备几何参数变化带来的复杂性，从而实现精确的液滴行为预测和控制。

图1. 用于生成单乳液的实际玻璃毛细管微流控装置的照片。该装置包含三根玻璃毛细管：两根圆毛细管插入一根方毛细管中。方毛细管的内径与圆毛细管的外径相同，以便于对齐。黄色钝头针用于注入两种互不相溶的流体。出口毛细管位于右侧并悬挂在载玻片边缘。毛细管和黄色钝头针使用 5 分钟环氧树脂固定。（底部插图：）左侧的内毛细管具有约 25 μm 的锥形孔径，而出口毛细管的孔径不是锥形的，内径为 580 μm。

图2. 用于生成单乳液的玻璃毛细管装置示意图。内相流体为水，外相流体为油。流体流速 Q₁、Q₂ 和粘度用于预测液滴直径 d。孔径宽度记为 w，毛细管间距记为 s。这些变量被用作预测模型的输入。流速和流体由实验人员设定，而孔径宽度和毛细管间距是无法精确调节的。

图3. 通过光学显微镜拍摄的两种流态（滴落流态和喷射流态）下油流中产生水滴的高速摄像机照片。(a) 滴落流态（dripping regime）的内相流速为 100 μl/hr，(b) 喷射流态（jetting regime）的内相流速为 1100 μl/hr。每张照片中的红色箭头指示液滴断裂的位置。在 (a) 中，液滴在孔口处断裂；而在 (b) 中，液滴在远离孔口的流体颈部末端断裂。两种流态的外相流速（4000 μl/hr）和比例尺均相同。

图4. 直方图显示了用于液滴直径预测建模的 800 个实验数据点的分布情况。使用的分箱大小为 10 μm。大部分建模数据集分布在 200–400 μm 范围内。该范围内的一些液滴以及更大的液滴出现在多分散（喷射）流态中。

图5. 神经网络 (NN) 示意图，显示了其关键特征：流体性质和装置几何形状的输入、节点数逐层递减的三个隐藏层，以及预测液滴直径的输出层。神经网络的参数和数据集输入已在标签中描述。模型输入包括：毛细管间距、孔径宽度、流速比、内相毛细管数、外相毛细管数以及流态（滴落对比喷射）。神经网络包含三个隐藏层，节点数分别为 64、16 和 8。

图6. 神经网络模型基于 80% 数据进行液滴直径预测的训练和验证结果。图中绘制了 100 个训练周期的均方误差（MSE）损失函数。训练和验证在 100 个周期后趋于收敛并稳定在某个误差水平。

图7. 使用测试数据评估模型性能，每个选定的 Q₂ 值对应一个点。将预测值与实际测量的直径进行对比。斜率为 1 的红线代表完美的预测。喷射流态下液滴的误差线较长。该神经网络测试数据的 X² 值为 0.126。

图8. 使用与神经网络相同的测试数据评估线性回归 (LR) 模型的性能。同样，将预测值与实际测量的直径进行对比。斜率为 1 代表完美的预测。喷射流态下液滴的误差线较长。该线性回归模型测试数据的 X² 值为 0.139。

图9. 使用测试数据评估模型性能，每个选定的 Q₂ 值对应一个点。将预测值与实际测量的直径进行对比。斜率为 1 代表完美的预测。喷射流态下液滴的误差线较长。该支持向量回归 (SVR) 模型测试数据的 X² 值为 0.128。

图10. 图形用户界面 (GUI)。(a) 输入参数为流体和装置参数：毛细管间距、孔径宽度、内相和外相流速以及流态。下拉选项“这是第一次预测吗？”允许用户训练模型，而选项“不是第一次”则使用已训练的模型进行预测。“Predict”按钮用于生成预测结果。(b) 输出窗口显示预测的液滴直径。

论文链接：https://doi.org/10.1080/01932691.2024.2370961

(本文仅供参考学习及传递微流控研究成果，版权归原作者所有，如侵犯权益，请联系删除)