Micromixers desempenham um papel crucial na tecnologia microfluídica. Dada a complexidade, os desafios e a natureza demorada de seus processos de design, automatizar o design e a otimização de micromixers é de extrema importância. Este estudo propõe um framework de aprendizado por reforço de tomada de decisão sequencial com baixo overhead que aborda a questão da interoperabilidade entre vários algoritmos de inversão e simulações de elementos finitos, permitindo, assim, a otimização dinâmica das geometrias dos micromixers. O framework integra ezdxf, Mph, COMSOL e uma função de recompensa customizada para facilitar tanto o design geométrico quanto o paramétrico. A função de recompensa customizada aprimora a interação entre o agente de aprendizado por reforço e o framework integrado, orientando o processo de tomada de decisão em direção a objetivos ótimos. A eficácia do framework foi validada através de um caso envolvendo um espaço de parâmetros de tamanho 10.800. Com o índice de mistura e o custo energético da mistura como objetivos de otimização, o processo de RL convergiu após 178 interações agente–ambiente, reduzindo a contagem de interações em aproximadamente 44,03% em relação aos algoritmos genéticos. Além disso, este framework pode ser facilmente adaptado, com modificações mínimas, para aplicação em outros problemas de análise de elementos finitos. • Um framework de baixo custo para otimizar estruturas e parâmetros de micromixers usando aprendizado por reforço é proposto. • Superando as limitações dos métodos tradicionais de otimização, a geração e otimização dinâmica de configurações estruturais de micromixers são alcançadas. • O acoplamento de ezdxf, mph e COMSOL permite a interação entre aprendizado por reforço e o ambiente de simulação numérica. • Comparado ao algoritmo genético, o método proposto economizou mais de 40,03% em custo computacional.
Li et al. (Quart,) estudaram esta questão.