近期，有研究人员利用3D卷积神经网络（3D CNN）模型，通过分析微流体系统中颗粒沉积的图像序列，成功预测了未来孔堵塞的发生，展示了数据驱动的预测性维护在流动系统中的巨大应用潜力。相关研究以“Early detection of pore clogging in microfluidic systems with 3D convolutional neural network”为题目发表于期刊《Separation and Purification Technology》。
本文要点：
1、本研究探讨了如何通过早期观察预测微流体系统中的孔堵塞现象。
2、以聚苯乙烯颗粒分散在甘油溶液中的微流体模型系统为研究对象，通过调整溶液的粘度和流速来控制堵塞的发生。
3、对微流体系统的流道进行光学观测，获取有关颗粒如何沉积在流道中的详细信息。
4、使用从该模型系统收集的数据，开发了一种基于3D卷积神经网络（3D CNN）的预测算法，该算法能够根据系统过去的视频帧估计未来堵塞发生的概率。
5、即使在训练过程中未遇到的实验条件下，3D CNN也能准确预测堵塞。实际堵塞发生在118分钟后，3D CNN模型在仅25分钟后就能检测到堵塞，性能优于2D CNN。
6、高预测性能表明，流动早期阶段的颗粒位置演变包含了预测堵塞发生所需的信息，这对于流动系统的数据驱动预测性维护具有重要的实际应用价值。
微流控系统中出现孔堵塞现象的主要原因包括：
1、颗粒物沉积：微流控系统中的颗粒物可能因重力沉积、范德华力或其他相互作用力而附着在通道壁上，导致通道逐渐变窄直至堵塞。
2、流体动力学效应：流体流经微通道时产生的剪切力和压力变化可能导致颗粒物聚集，进而引发堵塞。
3、颗粒物大小与通道尺寸不匹配：如果颗粒物的尺寸接近或超过通道的尺寸，颗粒物更易阻塞通道。
4、通道壁的表面性质：微通道壁的表面性质也会影响颗粒物的粘附和沉积，具体而言，疏水性表面会增强颗粒物与壁面的吸附力，促进颗粒物在壁面上的沉积，亲水性表面则与之相反。
5、流体粘度和流速：高粘度流体或低流速可能增加颗粒物沉积的可能性，因为它们减慢了颗粒物的移动速度，使其更容易沉积。
6、颗粒物间的相互作用：颗粒物间的静电相互作用、范德华力等非共价相互作用可能导致颗粒聚集，形成较大的聚集体，从而引起堵塞。
本研究采用了三种主要的卷积神经网络（CNN）模型来预测微流体系统中的孔堵塞现象，具体如下：
1、2D CNN：该模型使用单张图像作为输入，通过两层卷积层和池化层处理图像，最终输出堵塞的概率。该模型在早期图像上的预测性能较低。
2、时间依赖CNN：此模型除了使用图像外，还引入了流动开始后的时间信息。时间信息通过位置编码技术处理，使模型能够更好地捕捉时间变化对堵塞预测的影响。该模型在早期图像上的预测性能显著提高。
3、3D CNN：该模型将多张图像堆叠成三维张量输入，能够捕捉图像随时间变化的动态信息。通过增加输入的深度，3D CNN在预测堵塞方面表现出更好的性能，尤其是在早期检测时间上。
这些模型通过分析颗粒沉积的图像序列，训练出能够预测未来堵塞事件的算法，展示了数据驱动的预测性维护在流动系统中的巨大应用潜力。
图1：T形微通道的示意图（W⊥：通道的纵向宽度，W∥：通道的横向宽度，H：通道的高度）。红框是观察到堵塞转变的焦平面。焦平面固定在通道高度的中间区域。蓝色箭头表示注入样品的流向。
图2：（a）所有流动条件下的堵塞行为。（b）各流量条件下的堵塞相图。图中的虚线标记了堵塞和非堵塞之间的边界。
图3：（a）2D CNN，（b）时间依赖CNN，（c）3D CNN的架构。每个模型共享相同的结构，但它们处理时间信息的方法不同。
图4：模型输出的堵塞概率值示例，展示了3D CNN（d=9）在训练测试分割集1上的结果。Pclogging表示堵塞的概率。
图5：使用简单的2D CNN和时间依赖性CNN在训练测试分割集1上预测堵塞概率的累积AUROC值。测量值以5分钟为间隔进行汇总。在插入的表格中，“o”表示堵塞样品，而“x”表示非堵塞样品。
图6：基于时间信息的堵塞概率输出值，在时间依赖性CNN中输入相同的图像（Gly70PS，q1.0，150分钟）。当talter较小时，概率接近1，随着talter的增加，概率降低。
图7：在训练测试分割集1上使用3D CNN预测堵塞概率的累积AUROC值。测量值从d=1到d=9，每5分钟汇总一次。在插入的表格中，“o”表示堵塞样品，而“x”表示非堵塞样品。
图8：时间依赖性CNN和3D CNN在训练测试分割集1中的初始检测时间。这个时间标志着AUROC值超过0.8的点。在插入的表格中，“o”表示堵塞样品，而“x”表示非堵塞样品。
图9：三个模型的初始检测时间，图像帧按时间顺序排列如下：时间依赖CNN、3D CNN（d=9）和2D CNN。时间依赖CNN最快检测到堵塞，其次是3D CNN，最后是2D CNN。
图10：在训练测试分割集2中使用（a）2D CNN和时间依赖CNN，（b）3D CNN预测堵塞概率的累积AUROC值。测量值从d=1到d=9，每5分钟汇总一次。在插入的表格中，“o”表示堵塞样品，而“x”表示非堵塞样品。
图11：时间依赖CNN和3D CNN在训练测试分割集2中的初始检测时间。这个时间标志着AUROC值超过0.8的点。在插入的表格中，“o”表示堵塞样品，而“x”表示非堵塞样品。
论文链接：https://doi.org/10.1016/j.seppur.2024.130428
