随机粗糙微通道内部流动与传质特性

为了研究微通道壁面随机粗糙度对流体流动和传质特性的影响,采用随机排布准则构建具有典型粗糙元类型的随机粗糙微通道壁面,利用有限元方法分析壁面随机粗糙度对流速、压降、流动阻力和传质性能的影响,并给出粗糙微通道内部Poiseuille数和分子传质扩散的近似变化规律。结果表明,流体在粗糙微通道近壁面区域和主流区的流速差异较大,近壁面区域流动分离现象明显;与光滑微通道相比,粗糙微通道内部各位置的压降和Poiseuille数沿着流动方向呈近似线性增大趋势;微通道壁面粗糙度的存在可以强化流体分子的传质扩散速率,但受粗糙度类型和相对粗糙度的影响较大。

液氦温区微小漏孔流动特性研究

低温环境下系统器件的密封性能至关重要,对于低温密封研究,了解低温下微小漏孔泄漏的流动特性很有必要。本文构建了具有随机粗糙度壁面的二维微通道,应用仿真软件研究液氦温区漏孔微通道内气流的流动特性,计算分析通道内各物理量的分布和变化。结果表明随机粗糙度壁面对速度分布的扰动在近壁面影响最大,随着远离壁面的方向减小,对中心区域流动几乎无影响;低温导致氦气粘滞系数下降,微通道内气体流速增加;压力分布也因通道特征尺寸变化而发生波动;液氦温区漏孔的质量流量比常温下大两个数量级,并且当进出口压力比超过临界值后漏孔质量流量不再变化。对于低温系统的漏率预测、泄漏预防和低温检漏、密封研究具有理论意义和实用价值。

基于深度学习的变宽度浓度梯度芯片性能预测

随着个性化医疗的发展,定制化药物受到了越来越多的关注,为了生产定制化药物,需要制备指定浓度的药物混合溶液。本研究首次提出了一种随机变宽度(RVW)结构的微流控浓度梯度芯片,并通过卷积神经网络算法实现芯片的性能预测。首先,设计了一种RVW微流道结构并通过仿真模拟得到出口浓度和出口流速。其次,根据卷积核分解原理设计了KD-MiniVGGNet深度学习模型,使用仿真模拟得到的浓度和流速数据训练模型并预测更多浓度梯度芯片的出口浓度和出口流速。最后,通过实验验证了KD-MiniVGGNet深度学习模型预测结果的准确性。研究结果表明:相较于随机等宽度(REW)浓度梯度芯片,RVW浓度梯度芯片的出口集中流速范围提高了66.7%,三个出口的出口浓度分布范围分别拓宽了9%、16%和11%,三个出口的出口流速分布范围分别拓宽了29%、28%和30%;KD-MiniVGGNet模型在出口浓度和出口流速测试集上的模型准确率分别达到91.5%和92.7%;出口浓度的KD-MiniVGGNet模型预测结果与实验结果之间的平均误差为4.3%。本研究中所提出的设计方法可提高浓度梯度芯片结构的多样性,进一步优化浓度梯度芯片的性能范围,更好地为药物定制提供溶液制备服务。

随机粗糙微通道内流动特性研究

采用计算流体动力学的方法,研究了微通道内气体在速度滑移和随机表面粗糙度耦合作用下的流动特性.其中,利用二阶速度滑移边界条件描述气体的边界滑移,利用分形几何学建立随机粗糙表面.研究发现,综合考虑二阶速度滑移边界条件和随机表面粗糙度在较大的平均Knudsen数范围内(0.025—0.59)得到的计算结果与实验数据符合得很好,而一阶速度滑移边界条件只在平均Knudsen数较小时(<0.1)符合实验结果.随机表面粗糙度对气体在边界处的滑移有显著影响,相对粗糙度越大,速度滑移系数越小.并针对计算结果,给出了滑移系数与相对粗糙度近似满足的关系.随机粗糙表面对气体流动过程中的压强、速度、Poiseuille数也有显著影响.

基于机器学习方法的微通道热沉性能预测研究

本文提出使用机器学习方法快速准确地预测歧管-二次流混合结构微通道热沉的泵功率和总热阻。将混合结构微通道热沉的结构特征参数进行了无量纲化,利用计算流体动力学的方法获得数据集。测试了不同机器学习算法在混合结构热沉性能预测任务上的表现。结果表明在数据集有限的情况下,随机森林算法能准确地学习到无量纲结构参数与泵功率和总热阻之间的映射关系。本文研究结果将有助于微通道热沉的优化设计。