基于人工智能的微分散基础研究

基于人工智能的微分散基础研究

刘梦绮 王凯 骆广生

（清华大学化学工程系，化学工程联合国家重点实验室，北京 100084）

DOI：10.11949/0438-1157.20231406

摘 要 微分散是微化工技术的重要组成部分，其装备和过程的复杂性使得相关研究受到诸多限制，传统思想指导下微分散基础研究以“设计-实验-模型”为思路，进展缓慢。近年来，人工智能方法因其强大的识别和回归能力在化工领域备受关注，人工智能辅助的微分散基础研究有利于形成微化工过程认识的新范式，促进微化工技术发展。本文介绍了人工智能方法的一般思路及其针对微分散研究的适用性，综述了人工智能技术在显微图像识别、液滴和气泡分散尺寸预测以及微分散过程控制和优化中的研究进展，对未来基于人工智能的微化工研究进行了展望。

关键词 微流体学； 分散； 模型； 算法； 人工智能

Fundamental research on microdispersion based on artificial intelligence

LIU Mengqi WANG Kai LUO Guangsheng

（Department of Chemical Engineering, State Key Laboratory of Chemical Engineering, Tsinghua University, Beijing 100084, China）

Abstract: Microdispersion is an important part of micro chemical engineering technology. The complexity of equipment and processes imposes many limitations on its related research. Under the guidance of traditional thinking, the basic research on microdispersion follows the approach of “design-experiment-modeling”, resulting in slow progress. In recent years, artificial intelligence (AI) methods have received increasing attention in chemical engineering due to their powerful recognition and regression capabilities. AI-assisted basic research on microdispersion is conducive to forming a new paradigm for understanding micro chemical engineering processes, promoting the development of micro chemical engineering technology. This article introduces the general idea of AI methods and their applicability to microdispersion investigation, reviews the developments of AI technology in microscopic image recognition, droplet and bubble dispersion size prediction, and microdispersion process control and optimization, and offers insights into the prospective directions of micro chemical engineering based on AI technology.

Keywords: microfluidics； dispersion； model； algorithm； artificial intelligence

引 言

微化工技术以微结构设备为核心，为化工过程提供高效、安全的新途径，已被广泛应用于颗粒材料 [1]、制药 [2]、生物医学 [3]等领域。微分散技术是微化工的一个前沿方向，该技术基于微尺度黏性力、界面力和惯性力的作用机制，能够在微米尺度空间内实现液滴和气泡的精准生成，具有通量高、灵敏性好、能耗低、传递速率和反应速率快等优点 [ 4-5]。当前微分散基础研究主要遵从“微分散结构设计-微分散实验-分散尺寸模型化”的传统思路，整体过程耗时耗力，限制了微分散技术的发展。

微分散元件是实现气/液、液/液非均相体系均匀分散，生成单分散性良好的微液滴/气泡的核心装备，其几何结构、表面性质等均对微分散过程有决定性作用。当前，研究者们已经设计了多种形式的微分散元件，单通道结构主要包括T型（T-junction） [6]、Y型（Y-junction）、十字型（cross-junction）、聚焦流（flow-focusing） [7]和同轴并流（co-flowing） [8]等，多通道结构包括微筛孔阵列 [9]、膜分散 [10]等。以往研究结果表明任何微小的几何结构变化都有可能导致微液滴/气泡分散过程发生改变。为了提高分散性能，生成尺寸更小、频率更高的液滴/气泡，微分散元件的结构日趋复杂 [11]，然而目前微分散元件发展的最大障碍在于微结构的设计优化没有标准原则指导，主要依赖研究者们的实践经验，通过多次的“设计-实验-模型”的迭代过程完成 [12]。烦琐且耗时的迭代流程与复杂的微设备加工技术 [13]共同限制了微设备的快速进步 [14]，亟需新的思想和方法解决。

尽管微元件的结构不同，但它们本质上都存在相似的流动模式 [15]。例如，在基于剪切作用的微通道设备中，通常能够观察到三种流型：挤压流（squeezing）、液滴流（dripping）和喷射流（jetting）。毛细管数（ Ca= μu/ γ）较小（ Ca < 10 -2）时微分散流型通常为挤压流，分散相流体进入主通道后其流体界面将受到通道壁面的限制，在上下游的压力差作用下变形并断裂成长液柱或气柱。挤压流型下的液柱长度基本仅取决于连续相和分散相流量（ Q c、 Q d） [16]，受 Ca、黏度（ μ）、密度（ ρ）等流体性质的影响较小。该生成机制使其适用于高精度、高可重复性的应用 [17]。随着 Ca增大，连续相的黏性剪切力成为主导作用力，微分散流型转变为液滴流，分散相在交汇处被连续相流体剪切断裂成与通道尺寸相当的单分散的液滴和气泡。随着连续相和分散相流率继续增大，微分散流型转变为喷射流，分散相被连续相的黏性力拖曳至交汇处下游发生破碎，生成高频率、小尺寸的液滴或气泡，主导作用力为Rayleigh-Plateau不稳定性 [18]。由此可见，不同流型下的微液滴/气泡分散的作用力机制不同，流型识别对于精确描述微流体的分散行为至关重要。流型的影响因素是复杂的，不同流型之间的转变由分散方式、微通道几何结构、尺寸以及体系性质等诸多因素共同决定 [19]。研究者们通常根据 Ca或者 Q c划分流型并绘制流型图 [15, 20-22]，然而针对不同微结构元件的流型分布图的划分准则各异，极大地限制了流型划分方法的通用性。

微分散过程模型化时，微液滴/气泡生成过程的复杂性使得物理模型难以建立，研究者们通常使用半经验关联式来描述微流体分散行为。如表1所示， Ca、 Q c、 Q d等均被证明是影响液滴和气泡生成的重要参数，然而由于表示元件结构的几何参数众多（例如通道宽度 W、高度 H、交叉角度等），半经验关联式通常忽略微通道结构对于预测液滴/气泡的分散尺寸（体积当量直径 d） [28]的贡献。简化的假设、有限的参数导致半经验关联式仅能对某一特定结构的微通道内单一流体类型在限定流型下的分散结果进行准确预测，存在适用范围窄、对微元件的几何结构依存度高、普适性不强等不足，难以进行推广应用 [22]。因此，尽管研究人员们提出了众多半经验关联式，微分散设备的设计和优化仍然是一个困难的迭代优化过程。

表1 不同微分散通道中液滴尺寸的半经验关联式Table 1 Semi-empirical correlations for droplet size in different microdispersion channel

自20世纪提出化工过程微型化的概念以来，微化工技术已经逐渐发展为比较成熟的研究体系。与此同时，人工智能技术也取得了显著进展 [29]。机理驱动的研究方法在面对复杂的微化工问题时显示出了一定的局限性，此时，数据驱动的人工智能方法具有极大的潜力改变这一现状。基于此，本文探讨了人工智能技术的特点，对多相微分散过程中已开展的显微图像识别、液滴和气泡分散尺寸预测以及微分散过程控制和优化方面的智能化应用进行了综述，最后对本领域的研究现状进行了汇总。

1 人工智能方法介绍

人工智能被认为是一种仿照人类的计算机认识模式，能够分析大量已有数据并提供非常快速的决策响应。机器学习是人工智能的一个子集，在开发人工智能系统时至关重要 [30]。机器学习模型开发的步骤可描述为：数据收集、数据集编码、特征工程、模型训练。数据是人工智能的核心之一，大多数情况下，原始数据不能直接输入机器学习模型，因此在面对微分散问题时，对微元件结构和操作条件等进行参数化描述和预处理是重要的准备工作。此外，针对不同的任务目标，选择合适的机器学习模型也至关重要。根据学习方式的不同，机器学习通常可以分为无监督学习、监督学习和强化学习，由于微化工过程的专业性，无监督学习很少应用于微分散领域。

面对化工过程进行机器学习建模时，通常需要考虑以下三个关键特点：（1）能够产生大量数据；（2）性能指标可量化；（3）难以基于通用模型精确建模 [31]。微分散高通量实验的特点使得微分散问题能产生大量的数据，然而复杂的元件结构和多相流体非线性的流动特性使其难以通过统一的物理模型或半经验关联式进行描述。对于微分散过程，当任务目标是预测液滴大小、生成频率或者判断分散流型时，模型的输入和输出均可被量化为表格数据，即结构化数据，模型的损失和评价指标也均可被量化，此时监督学习模型表现出巨大的潜力，适合以数据驱动的模式深度挖掘微分散过程的内在规律。

微分散过程通常配备实时监测的传感器（例如高速显微摄像机），这种传感器衍生的数据可以引入人工智能系统，使其能够根据波动条件动态调整实验操作，有助于开发自动化微分散平台 [32]。当输入为图像、视频或者序列等非结构化数据时，卷积神经网络（convolutional neural networks, CNN）、循环神经网络（recurrent neural networks, RNN）等深度学习架构能够自动提取特征并从数据中识别模式。深度学习的固有问题之一是需要大量的数据，当遇到无法获取所需数据量的困难时，使用生成对抗网络（generative adversarial networks, GAN）等数据增强技术或迁移学习等方法可以辅助建模 [33]。最近，强化学习也被应用于微分散过程中，可以通过监控微流体行为实现对高通量实验的有效控制。强化学习是一种基于奖励的机器学习优化途径，其输出被解释为与预期结果相比的正反馈或者负反馈，不断地“试错学习”直到获得最佳决策。强化学习同样需要大数据量，微分散实验可以通过拍摄视频并将其分割成静止图像以获得大量数据。此外，强化学习中“失败”结果与“成功”结果同样重要，“失败”结果扩展了可用于分析的数据集，从而提高了过程的准确性和学习速度 [34]。

2 微分散的人工智能研究进展

2.1 显微图像的快速精准识别

鉴于微分散实验具有高通量的特性，微米或亚毫米级的微分散平台能够以数千赫兹的频率产生微液滴和气泡。在这种情况下，迅速且准确地定量分散结果成为了微分散实验亟待解决的问题。研究者们通常采用集成高速摄像机的光学显微镜来对微分散过程进行可视化研究，然而尽管各种光学成像和检测技术已经取得了迅速发展，视觉信息在获取后仍然主要依赖研究人员分析，耗费了大量的时间和精力。随着人工智能技术在图像领域的不断进步，CNN作为一种典型的深度学习架构，已经被广泛应用于越来越多的图像识别领域 [29]，其强大的图像处理能力使其成为自动化分析微分散结果的理想选择。通过引入CNN技术，研究者们能够更高效地处理大量的视觉信息，从而实现对微液滴/气泡数据的快速、准确且自动化的定量分析，为微分散实验的进一步深入研究提供了有力支持。

例如，Zhang等 [35]报道了一种基于Mask R-CNN模型和迁移学习的微分散图像处理方法，该方法仅需40张标注图像和约10 min的训练时间即可实现对液滴或气泡的精准识别，平均精准率和平均召回率均大于97%。如图1所示，结合椭圆拟合方法，该软件可以同时输出各个液滴或气泡的粒径、分布等数据，大幅提高了微分散实验数据的获取效率，缩短了数据处理时间。图像识别技术也可用于流型划分研究，Shen等 [19]提出了一个基于卷积神经网络的液液流型自动识别平台，对液液两相的5种流型的识别准确率超过98%。通过该平台与泵控制系统的结合，微分散实验能在无人工干预的情况下进行，极大程度地减轻了烦琐的流型识别工作量，快速准确地积累大量流型数据，促进了微分散流型规律的研究。

图1 使用CNN进行精确、快速的微液滴尺寸、分布测量[35] Fig.1 Precise and fast microdroplet size and distribution measurements using CNN[35]

微通道由于设备尺寸微小导致其对扰动具有敏感性，杂质、气泡或压力波动等问题都有可能导致实验中断或降低实验通量。为应对这一挑战，微化工过程通常需要高成本的人工监控和干预，而Chu等 [36]的工作表明，人工智能为解决这一问题提供了一种新的可行途径。他们基于卷积神经网络开发了一个用于微胶囊化过程的自动监测和分类系统，该系统能够通过实时图像评估对微分散流型进行有效划分。仅定义液滴流为理想状态，当流动处于层流、喷射流或者破碎等非理想状态时，系统将通过自动阀门控制系统将流体转移至废料槽回收，其识别准确率高达95.5%。

在视频分析领域，显微摄像视频通常包含较多帧数且液滴或气泡在不同帧之间存在对应关系，通过人工分析大量视频数据之间的对应关系是不切实际的。为解决此难题，Zhang等 [37]发展了基于Mask Track R-CNN的微分散过程视频分析技术，该方法不仅能够准确测量微气泡的大小，还能通过在连续视频中识别、追踪特定目标，快速获取速度、球形度等微分散气泡的动态变化信息。该技术对微气泡尺寸和速度的识别误差分别仅为0.08 μm 和0.08 mm/s。Durve等 [38]报道了基于yolo的视频分析技术，该技术能够以400帧/秒的速度识别并跟踪液滴的运动路径，即使液滴在运动过程中发生明显形变，追踪依旧能够很好地完成（平均精准率约为98%）。在处理速度上，人工分析通常需数小时至数天的时间，而自动分析技术针对单个视频的分析时间仅为秒级。此外，基于人工智能算法的视频自动分析技术还可以额外获取更多的动态变化数据，从而为微分散自动化、在线应用等提供了可能性。

2.2 微分散模型与分散结果预测

多相流体的复杂动力学使建立适用范围广、通用性强的模型成为微分散研究中的一项重要挑战，近年来，机器学习预测模型已经成为描述复杂现象和关系的新途径，在微分散液滴和气泡的制备中得到了初步应用。对微分散模型化方法的人工智能研究总结如表2所示。

表2 应用于微分散过程预测的人工智能模型Table 2 Artificial intelligence models applied to the prediction of microdispersion processes

2017年，Mahdi等 [39]以连续相和分散相的 Ca、 Re作为输入特征，用人工神经网络（artificial neural network，ANN）预测了T型微通道设备中挤压流型下的液滴尺寸，其预测准确性高，决定系数 R 2 ≈ 1。通过使用Garson方程计算输入变量的相对重要性，发现 Re d、 Ca c和 Ca d具有基本相同的重要性，而 Re c的重要性较低。Mottaghi等 [40]采用自适应神经模糊推理系统（adaptive-network-based fuzzy inference system，ANFIS），以 Ca、 μ d/ μ c和 Q d/ Q c为输入特征预测了流体聚焦设备中的去离子水/矿物油体系的微分散液滴尺寸。该工作的数据来源包括实验和COMSOL模拟，其预测结果为 R 2 = 0.92。以上模型充分证明了人工智能模型在预测微分散结果上的可行性，然而，由于微通道结构的复杂性，这两个模型均是针对单一几何结构的微通道建立的，忽略了微通道几何参数对微分散过程的影响，这可能导致模型的预测能力难以外推至不同结构的微通道。

Lashkaripour等 [41]于2018年报道了将微通道几何参数纳入人工智能模型输入参数的研究，该工作以通道狭缝宽度、 Q c、 Q d、 μ c、 μ d和 ρ c作为输入特征建立ANFIS模型，通过实验与COMSOL模拟产生了51个数据点，探索了4种不同狭缝宽度下液滴的尺寸，其预测准确性达 R 2 = 0.96。Damiati等 [42]同样使用ANN模型预测了聚焦流微通道中聚乳酸-羟基乙酸共聚物（PLGA）液滴或者颗粒的尺寸，输入特征包括PLGA浓度、 Q c、 Q d和微通道组合形式，该模型探索了微分散过程数量放大时对液滴生成的影响。以上两项研究的输入特征均由无量纲数变为了独立的特征，有助于人工智能模型更好地挖掘各个特征与预测目标之间的潜在关系。

受益于低成本的快速原型制作和组装技术，Lashkaripour等 [43]设计了43个聚焦流微通道，以 Ca、 Q d/ Q c和6个几何结构作为输入使用ANN模型分别精确预测了去离子水/矿物油体系下的25~250 μm尺寸范围内的液滴大小（平均绝对误差MAE < 10 μm）和5~500 Hz范围内的生成速率（MAE < 20 Hz）。该工作不仅考虑了几何参数对微液滴尺寸的影响，还利用迁移学习验证了模型在不同流体组合时的可推广性，遗憾的是该工作针对液滴流和射流以及不同的预测目标分别建立了四个ANN模型，模型的适用范围限制于特定流型。Chang等 [44]通过现有半经验关联式计算扩充数据集，如图2所示，以 We d、 We c、 Ca、 Q d/ Q c和5个几何结构[图2（d）]作为输入使用深度神经网络(deep neural network，DNN)[图2（a）、（b）]预测了不同T型通道内气泡的尺寸，实现了跨设备、跨数据集微分散过程的准确预测。

图2 使用深度神经网络模型预测微分散气泡尺寸[44] Fig.2 Predicting microdispersed bubble size using DNN models[44]

数据集的样本质量和数量对模型的预测精度和泛化能力至关重要。过少的数据量和狭窄的参数空间可能会导致机器学习模型过拟合，为了解决这一问题，研究者们采用了计算机模拟 [ 40-41]、变分自编码器 [45]等方式扩充数据。在针对多相微分散过程建模时，全面考虑对微分散结果有影响的因素，选择合适的特征并扩大特征空间。特征筛选一般依赖于研究人员的专家知识，如表2所示， Ca、 Q c、 Q d、 μ c和通道结构参数等均是常用的关键特征。此外，专家知识也用于判断模型的可信度，若模型的特征重要性排名与专家知识相符则说明黑箱人工智能模型的决策是合理的，有助于研究人员从模型结果分析潜在的微分散机理。

除此之外，基于机器学习的预测也在微化工的其他领域获得了关注。Khor等 [48]应用自动编码器和fcNN（全卷积神经网络）技术，通过8维描述符重建了浓缩乳液中的液滴形状，并且预测了液滴的稳定性。微化工中的序列数据也很普遍，如电信号的测量、液滴发生器的表征等。Han等 [49]利用RNN表征了具有高迟滞和非线性响应的微流体软传感器，用于估计接触压力，并识别刺激位置。

2.3 微分散过程控制与优化

在实现微分散过程的快速分析和有效建模以后，人工智能更进一步的目标是实现微分散过程的自主控制和优化，该部分工作目前仍在初步探索阶段。2018年，Dressler等 [50]报道了将强化学习应用于微分散的第一项研究，该工作通过集成在线监控系统监测液滴尺寸或者流体间界面位置，开发强化学习算法获得行为反馈，通过自动泵输送系统调整输送流量实现微分散过程的动态管理。Gyimah等 [51]结合CFD模拟和深度强化学习算法，通过控制油相的进料压力、计算液滴尺寸与目标值之间的差距，最终可获得指定尺寸液滴。在这两项工作中，所有的决策均在没有人工干预的前提下基于对显微图像或者进料压力的分析并计算奖励，不断交互迭代提升性能。强化学习已被应用于微通道中微颗粒分选过程中，与传统的反馈控制相比，强化学习可以通过简单地收集实验图像，控制参数来实现自动化分离条件搜索，消除了构建复杂理论框架的需要。将流速和样品黏度作为基本控制目标，当控制值接近最佳分离条件时，更多的颗粒会聚集在目标区域内，完成颗粒分离工作 [52]。

除强化学习外，贝叶斯优化（Bayesian optimization, BO）可以通过较少的迭代更高效地搜索参数空间，实现对多个参数的联合优化。有学者利用计算机视觉与BO集成的技术，快速准确地发现最优两相进料压力的组合，优化微分散结果，避免了大量试错实验对科研资源的浪费。此外，该优化方法不需要掌握控制参数与液滴尺寸之间的复杂关系，因此不受分散元件结构的约束，可拓展至不同尺度的通道 [53]。BO也可以与DNN结合用于高效处理稀疏数据和大量数据，加速微分散纳米颗粒的合成研究，如图3所示，Mekki-Berrada等 [54]在5维参数空间中利用两种人工智能模型的结合快速发现了三角形银纳米颗粒的最优操作参数。

图3 贝叶斯优化和深度神经网络结合的两步算法优化微流控平台中纳米颗粒的合成[54] Fig.3 Two-step algorithm combining BO and DNN to optimize nanoparticle synthesis in microfluidic platforms[54]

3 总结与展望

人工智能带来的深刻变革影响了各行各业，其与微分散过程的协同和集成标志着一场新的微化工技术革命的到来，有望克服微分散基础研究的现有困难，破除微分散的技术壁垒，使微化工技术更好地服务科研和生产活动。人工智能模型已初步应用于液滴尺寸预测、流型识别、显微图像识别、流体控制、自动化实验平台等领域，这些大幅降低实验劳动强度但同时可以获得高精度实验结果的研究案例充分展现了人工智能技术在推动智能微化工领域发展时的巨大潜力。

为了推动人工智能方法在微化工领域的进一步发展，需要进一步推动数据采集和人工智能分析领域的长足进步，具体如下。

（1）数据库构建。先进的人工智能方法对训练数据的质量和数量提出了更高的要求，这需要微化工平台上的实验数据采集具有稳定性、一致性和鲁棒性 [33]。由狭窄分布的实验数据训练的模型可能面临过拟合的风险，导致其在其他工作流程中表现不佳。除实验手段外，其他获取数据的方式均存在不足。例如，基于计算机模拟的数据扩充可能会由于模拟过程的误差导致数据质量下降，已发表的文献数据可能存在未公开或者真实性存疑的问题。智能化研究的可靠性直接依赖于数据的可靠性，因此建立高质量的微化工数据库对于推动数据驱动的研究至关重要。

（2）模型算法选择。应根据模型原理选择合适的模型。对于特定问题，研究人员应明确任务目标是精度优先、速度优先还是可解释性优先。例如在工程应用中，由于黑箱模型通常无法获得人们的信任，此时选择可解释性强的模型可以有效提升模型的可信度。

（3）模型优化。关于人工智能模型超参数调优的指导较为有限，这导致了模型优化时存在烦琐的试错过程 [55]。此外，一些研究工作忽略了调优这一关键过程，从而使得模型性能无法达到最优。

未来的研究方向可包含以下方面：

（1）将机器学习算法和实验、模拟高效结合，开发泛化能力和外推能力更优的机器学习模型，并利用模型揭示多相微分散过程的机理；

（2）通过智能化方法对微通道的结构进行优化设计，开发自动实验装置优化控制微分散过程的操作参数，使微分散过程的全生命周期摆脱对专业知识的过度依赖，推动微分散研究迈向更创新、更前沿的新阶段。

引用本文： 刘梦绮, 王凯, 骆广生. 基于人工智能的微分散基础研究[J]. 化工学报, 2024, 75(4): 1096-1104 (LIU Mengqi, WANG Kai, LUO Guangsheng. Fundamental research on microdispersion based on artificial intelligence[J]. CIESC Journal, 2024, 75(4): 1096-1104)

第一作者：刘梦绮(2000—)，女，博士研究生，liumengqi27@163.com

通讯作者：王凯(1983—)，男，博士，副教授，kaiwang@tsinghua.edu.cn

欧世盛（北京）科技有限公司是以微反应连续流化学合成技术及仪器设备，在线检测、传感器及应用型自动化装置为主的平台型技术公司。 公司拥有多学科的研发团队和应用研究团队，总部位于北京，应用研发部门FLOW R&D实验室与清华大学等多所科研团队合作，为不同行业用户提供强大的技术支持。

欧世盛可提供：

组建完整的Flow Chemistry Lab

提供自动化及智能化多步合成解决方案

提供高端设备定制开发

工艺路线开发、放大工艺及设备开发

连续流微反应设备精密制造

欧世盛除了提供流动化学反应系统产品外，还提供更多服务：科研装备设计、研发外包、工艺优化、放大研究、设备工艺研究、精密制造、连续流工艺培训等。专注于过程的可扩展性和研究成果从实验室规模转移到中试工厂规模，提供多种用途的连续自动合成系统和嵌入式模块系统。客户和项目合作伙伴主要来自制药、CXO、精细化工、催化剂、石油石化、新能源、半导体、国防军工、安全等领域。