arXiv cs.AI· David Gabriel Harispe, Mat\'ias Gerard, Pablo A. Kler·· 10 小时前AI 评分17
不确定性引导框架增强微液滴生成代理模型并实现逆向设计
Microdroplet Generator Surrogate Enhancement and Inverse Design Through an Uncertainty-Guided Framework
AI 导读
研究提出一种将自适应代理模型增强与仿真驱动逆向设计耦合的统一方法，用神经网络集成预测流态与液滴直径，并基于共识度与变异系数识别认知不确定性。不确定性集中在流态转换边界附近，物理信息富集策略针对这些区域补充仿真并重训练集成模型。
正文 · AI 翻译
摘要：微流控液滴生成对许多应用至关重要，但由于多相流动力学复杂，在高维参数空间中进行高效的器件设计在计算上仍然难以承受。本文提出了一种统一方法，将自适应代理模型增强与仿真驱动的逆向设计相结合。高保真流体体积法仿真提供真实数据，而神经网络集成预测流型和液滴直径。基于集成的不确定性量化利用流型分类的一致性水平和直径预测的变异系数来识别认知不确定性，揭示出不确定性集中在物理对参数扰动高度敏感的流型转变边界附近。一种物理信息驱动的富集策略针对这些关键区域，并通过部署额外的定向仿真并重新训练构成集成的代理模型来解决类别不平衡问题。因此，提出了一种集成粒子群优化用于约束逆向设计的框架，在准确性与预测置信度和物理一致性之间取得平衡。在独立测试数据集上的验证表明，富集后的集成达到了更高的准确性，液滴直径预测误差在 0-3% 范围内的比例几乎翻倍，而高误差情况（超过 10%）大幅下降。逆向设计流程能够可靠地识别出满足目标液滴尺寸的物理可实现配置。该方法在确保可靠预测的同时显著降低了计算成本，提供了一个可潜在应用于广泛微流控系统优化的框架。
| 学科： | 流体动力学（physics.flu-dyn）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06464 [physics.flu-dyn] |
| （或 arXiv:2611.06464v1 [physics.flu-dyn] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06464 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pablo Kler [查看电子邮件]
[v1]
2026年11月4日星期三 13:01:32 UTC（2,102 KB）
来源：arXiv cs.AI · arxiv.org