作者:Chris Patrick
将非接触式流量传感器与神经网络算法结合,可以对医疗和制造业应用中的非牛顿流体进行精确测量和控制。
各种食品生产、制造和医疗应用需要控制通过不同类型微尺度通道的非牛顿流体的流速。然而,非牛顿流体的黏度会根据应力的变化而变化,这使得这些流体更难测量。现有的流量传感器要么会干扰非牛顿流体,要么体积庞大、不准确、昂贵、速度慢或难以与现有流量系统集成。
包等人开发了一种方法,可以在微尺度流体通道出口处精确测量和控制非牛顿流体流动,并具有高灵敏度和实时性。这是一个封闭的电子系统,比以前的方法更小。
他们的方法结合了一种非接触式的、类似袖带的流量传感器与机器学习算法。当这种3毫米宽的铜带传感器缠绕在流体分配喷嘴上时,它可以利用连接的库仑计检测流动液体产生的摩擦电荷以获得流量速率。基于神经网络的算法随后会分析测量到的流量速率来预测未来的流量并控制流量使其匹配所需的速率。即使存在显著噪声,该系统仍保持了准确性。
由于这种流量检测方法是非接触式的,它可以不干扰流体流动的情况下测量非牛顿流体,并且可以轻松适应使用不同类型喷涂喷嘴的各种应用。
“我们的工作在增材制造领域,如3D打印,以及医学领域,如微流控装置等方面具有重要的应用前景,”作者Jinglei Ping说。“基于这项技术还可以开发新的仪器设备,例如下一代食品分配器。”
接下来,作者计划在此技术基础上提升3D打印的精度和分辨率。
来源:“基于神经网络的非牛顿流体流动全电子控制”,作者:鲍蕙лю,张xin,张晓宇,范骁,J. William Boley,和平锦磊应用物理快报(2024). 该文章可在此处访问:https://doi.org/10.1063/5.0226525 .