基于人工神经网络预测低雷诺数微流体芯片流体场方法技术

本发明专利技术涉及基于人工神经网络预测低雷诺数微流体芯片流体场方法，在微流体芯片制造前，快速预测模拟微流体性能。提出九宫格模型，归纳出15种人工神经网络模型，在只有边界条件和几何形状的前提下，预测整个微流体混合区域流体场。从整个微流体混合域流体场的左上角开始预测，给定左边界上边界，利用15种人工神经网络模型预测整个区域流体场信息。从数学角度来看，任意一个形状都可以用九宫格无限逼近，可以推出，理论上九宫格模型可以用来预测任意形状的微流体混合器流体信息。形状的微流体混合器流体信息。形状的微流体混合器流体信息。

【技术实现步骤摘要】
基于人工神经网络预测低雷诺数微流体芯片流体场方法


[0001]本专利技术涉及基于人工神经网络预测低雷诺数微流体芯片流体场方法，属于生物芯片自动化设计、流体力学


技术介绍

[0002]随着科技的进步，微流控技术在生物、化学、医学等领域显示出巨大的潜力，微流体芯片又被称为片上实验室，将实验平台从传统的大型实验室转移到微型便携芯片中，通常情况下这些芯片只有几平方厘米或者更小。由于其能够将多个独立单元大规模集成到微型平台、体积轻巧能耗低、反应速度快等特点，被广泛应用到医疗诊断、细胞分选、单细胞RNA测序或液滴数字PCR、基因蛋白分析、药物发现等领域。
[0003]微流体这一实验平台被多个学科领域研究人员所用，大多是根据自身实验背景所定制的设备，还不能被广泛应用。在以往的微流体芯片设计过程中，研究人员首先需要根据预期的功能在计算机上设计，然后生产和测试实际芯片功能。然而受到了定制设备设计、制造和操作的复杂性的限制，这些复杂性限制了其再现性和通用性。虽然制造可以外包(尽管成本高昂)，微流体设计和操作可能需要数月至数年的多次“设计
‑
制造
‑
测试”迭代来优化性能。通常情况下并不是所有的研究人员都熟悉微流体芯片的设计与制造，他们仅仅是研究内容需要用到微流体芯片，这就需要花费大量的时间来设计芯片，这就为他们的研究带来了极大的不便。
[0004]机器学习是利用可训练的统计模型来识别模式和预测未来行为，近年来被广泛的应用到各个领域。人工神经网络是机器学习的一种，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。将人工神经网络应用到微流体芯片设计中，可以缩小专家与最终用户之间的差距，实现微流体设计和操作的自动化。
[0005]目前许多微流控技术过于复杂，无法精确建模。在微流体芯片设计过程中，研究人员首先需要根据预期的功能在计算机上设计，然后生产和测试实际芯片功能。然而受到了定制设备设计、制造和操作的复杂性的限制，这些复杂性限制了其再现性和通用性。如果换一种结构的微流体芯片需要重复上述步骤，重新来过，耗时费力。通常情况下并不是所有的研究人员都熟悉微流体芯片的设计与制造，他们仅仅是研究内容需要用到微流体芯片，这就需要花费大量的时间来设计芯片，这就为他们的研究带来了极大的不便。虽然流体动力学计算建模的速度很快，但是容易出错地分析流体性能。
[0006]随着人工神经网络的快速发展，人们尝试用人工神经网络跨学科解决其他领域问题，本专利技术应用于生物芯片自动化设计、流体力学
，基于人工神经网络预测低雷诺数下通用微流体芯片流体场方法。
[0007]本专利技术设计一种基于人工神经网络预测低雷诺数下通用微流体芯片流体场方法。通过建立大量的随机微流体芯片得到流体的速度场数据集，基于九宫格模型归纳人工神经网络模型，训练人工神经网络模型，再根据具体的通用微流体芯片调用相应的人工神经网
络模型预测结果，进而实现预测低雷诺数下通用微流体芯片流体场。最后用结构衡量指标(Structure Similarity Index Measure,SSIM)从亮度、对比度和结构三个方面来衡量图片的相似度。

技术实现思路

[0008]为了克服现有研究的不足，本专利技术提供了一种基于人工神经网络的技术来预测通用微流体芯片流体场。将流体力学问题转换成基于人工神经网络探索数据内在关系的非线性问题。
[0009]基于人工神经网络预测低雷诺数微流体芯片流体场方法的具体步骤如下：
[0010]S1、创建微流体芯片模型。本专利技术的数据来源于有限元仿真软件模型。随机微流体芯片设计方案，由于可能的芯片设计种类基本上是无限的，因此在设计的过程中添加了某些限制条件。每个微流体芯片有两个入口、两个出口和一个500um
·
500um的设计区域，随机混合结构位于该区域。设计域被划分成100
·
100个，大小为5um
·
5um的网格，我们用100
·
100的01矩阵来表示是否创建网格，其中1代表创建矩阵，0代表不创建矩阵，通过控制01的概率来控制微流体芯片的随机性，以此实现混合域的随机设计，以平衡计算资源在500um
·
500um设计域内尽可能多的设计不同的芯片设计方案，每个网格结构在每个设计域中充当混合特征的构建单元。我们据此生成了10000中不同的设计方案。
[0011]随机微流体芯片性能模拟仿真。使用有限元分析软件来设计、模拟芯片性能。设置层流物理模块和稀物质传递物理模块以及两个固定求解器来计算。其中在层流物理模块中，两个入口的边界条件定义为1mm
·
s
‑1的正常流入速度，每个出口的边界条件定义0Pa的压力，其余边界为无滑动边界条件，填充通道的材料为不可压缩流类型的水。在稀物质传递物理模块中，入口1的边界条件为1mmol
·
L
‑1，入口2的边界条件为0mmol
·
L
‑1，两个出口被定义为流出。荧光素的溶质扩散系数为4.25
·
10
‑
10
m2·
s
‑1。由此可以得到微流体芯片的流体场。经过仿真计算可以得到该芯片设计的流体场信息，两个入口，两个出口，芯片设计域，用颜色图例表示流速大小，其中底部深蓝色表示最小值0m
·
s
‑1，顶部深红色表示最大值20
·
10
‑4m
·
s
‑1。使用这种方法在计算机上模拟10000个不同的微流体芯片的流体性能。
[0012]S2、人工神经网络模型预测微流体芯片的流体场。S1是传统的FEA仿真模拟微流体芯片流体场，现提出一种新型的，完全基于数据的，人工神经网络模型预测微流体芯片流体场的方法。从S1中的10000个不同的随机微流体芯片模型中提取数据，划分网格，设置边界条件，归纳人工神经网络模型，最终使用定制的算法，调用预训练的人工神经网络模型，预测整个微流体芯片流体场。使用这种方法，可以避免复杂耗时的几何建模过程，同时又可以在短时间内得到结果。
[0013]S3、基于低雷诺数通用微流体芯片模型提取数据。提取数据：从上述模型中以.txt格式，导出控制微流体芯片随机性设计的100
·
100的01矩阵301，一个微流体芯片模型有七万多个节点，导出每个节点的速度的水平方向分量，竖直方向分量及其在坐标系中的(x,y)坐标值。通过导出的数据，分别将设计域的流体速度的水平方向分量，竖直方向分量，根据(x,y)坐标值划分成100
·
100的矩阵。每种设计对应着三个100
·
100的矩阵，分别是01矩阵、速度水平方向分量矩阵及竖直方向分量矩阵。将水平方向速度分量矩阵记为V
x
，竖直方向分量速度矩阵记为V
y
。
[0014]S4、生成数据集。现定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工神经网络预测低雷诺数微流体芯片流体场方法，其特征在于：包括以下步骤：S1、创建微流体芯片模型：S2、人工神经网络模型预测微流体芯片的流体场：从S1中随机微流体芯片模型中提取数据，划分网格，设置边界条件，归纳人工神经网络模型，最终使用定制的算法，调用预训练的人工神经网络模型，预测整个微流体芯片流体场；S3、基于低雷诺数通用微流体芯片模型提取数据：从上述模型中以.txt格式，导出控制微流体芯片随机性设计的100
·
100的01矩阵，一个微流体芯片模型有七万多个节点，导出每个节点的速度的水平方向分量，竖直方向分量及其在坐标系中的(x,y)坐标值，通过导出的数据，分别将设计域的流体速度的水平方向分量，竖直方向分量，根据(x,y)坐标值划分成100
·
100的矩阵，每种设计对应着三个100
·
100的矩阵，分别是01矩阵、速度水平方向分量矩阵及竖直方向分量矩阵，将水平方向速度分量矩阵记为V
x
，竖直方向分量速度矩阵记为V
y
；S4、生成数据集：现定义一个九宫格，一个3行3列的矩阵，从左到右，自上而下进行编号，第一行编号为：1、2、3，第二行编号为：4、5、6，第三行编号为：7、8、9，利用python的numpy库，同时对三个矩阵，从三个矩阵位置进行大小为3
·
3，步长为(3,3)的切片处理，经过一次切片可以得到3个3行3列的矩阵，分别是：是否创建网格的01矩阵，记为[[P1,P2,P3],[P4,P5,P6],[P7,P8,P9]]；水平方向速度分量矩阵，记为[[V
x,1
,V
x,2
,V
x,3
],[V
x,4
,V
x,5
,V
x,6
],[V
x,7
,V
x,8
,V
x,9
]]；竖直方向速度分量矩阵，记为[[V
y,1
,V
y,2
,V
y,3
],[V
y,4
,V
y,5
,V
y,6
],[V
y,7
,V
y,8
,V
y,9
]]，将切出来的数据展开并拼接成一行，得到一个1行27列的矩阵，即[P1,
…
,P9,V
x
,1,
…
,V
x,9
,V
y,1
,
…
,V
y,9
]，经过处理，一个微流体芯片模型可以生成33
·
33行数据，此前生成的10000个模型将会产生10000
·
33
·
33条数据作为数据集；S5、初始化V
x
，V
y
矩阵：将S3的100
·
100的01矩阵中，所有1对应位置的V
x
，V
y
初始化为0，所有0对应位置的V
x
，V
y
初始化为
‑
1，01矩阵中1代表创建网格，对应的速度为0；01矩阵中值为0的位置是待测区域；S6、添加边界条件：在S3中得到一个01矩阵100
·
100，S5中得到两个初始化的V
x
，V
y
，在这三个矩阵的上方添加一个1行100列的矩阵作为上边界条件，最左边添加一个101行1列的矩阵作为左边界条件，上边界值提取自微流体芯片模型的0<x<500，500<y<505这一范围，由于这一范围为实体，所以对应01矩阵上边界，这一行所有值为0，对应V
x
，V
y
上边界提取自微流体芯片模型的0<x<500，500<y<505这一范围，左边界值提取自微流体混合器的
‑
5<x<0，0<y<505这一范围，由于该范围内全部被创建网格，对应01矩阵左边界所有值为1；对应V
x
，V
y
左边界提取自微流体混合器的
‑
5<x<0，0<y<505这一范围，这一列所有值为0，经过上述操作，得到了三个101
·
101的矩阵且第一行第一列是已知的边界条件，V
x
，V
y
中值为
‑
1的区域表示待测区域，值为0的区域表示创建网格区域，没有流体经过；S7、归纳人工神经网络模型：对S7中的V
x
，V
y
矩阵用九宫格思想切片，从左上角开始预测，第一个九宫格的1、2、3、4、7号位置是已知的边界条件，只有5、6、8、9号位置不确定的，将第一个九宫所有可能情况进行归纳，如果5、6、8、9号位置的值为{V
x，5
,V
x，6
,V
x，8
,V
x，9
,V
y，5
,...

【专利技术属性】
技术研发人员：王骏超，孙陶陶，刘军，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：