A machine learning-based framework to design capillary-driven networks | ||
| dc.conicet.organizacion | Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica | |
| dc.conicet.organizacion | Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas | |
| dc.conicet.organizacion | Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica | |
| dc.conicet.organizacion | Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas | |
| dc.contributor.author | Garcia Eijo, Pedro Manuel | |
| dc.contributor.author | Duriez, Thomas Pierre Cornil | |
| dc.contributor.author | Cabaleiro, Juan Martin | |
| dc.contributor.author | Artana, Guillermo Osvaldo | |
| dc.date.issued | 2022-11 | |
| dc.description.abstract | We present a novel approach for the design of capillary-driven microfluidic networks using a machine learning genetic algorithm (ML-GA). This strategy relies on a user-friendly 1D numerical tool specifically developed to generate the necessary data to train the ML-GA. This 1D model was validated using analytical results issued from a Y-shaped capillary network and experimental data. For a given microfluidic network, we defined the objective of the ML-GA to obtain the set of geometric parameters that produces the closest matching results against two prescribed curves of delivered volume against time. We performed more than 20 generations of 10 000 simulations to train the ML-GA and achieved the optimal solution of the inverse design problem. The optimisation took less than 6 hours, and the results were successfully validated using experimental data. This work establishes the utility of the presented method for the fast and reliable design of complex capillary-driven devices, enabling users to optimise their designs via an easy-to-use 1D numerical tool and machine learning technique. | es |
| dc.description.fil | Fil: Garcia Eijo, Pedro Manuel. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica; Argentina | |
| dc.description.fil | Fil: Duriez, Thomas Pierre Cornil. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina | |
| dc.description.fil | Fil: Cabaleiro, Juan Martin. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica; Argentina | |
| dc.description.fil | Fil: Artana, Guillermo Osvaldo. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Ingeniería Mecánica. Laboratorio de Fluidodinámica; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina | |
| dc.format | application/pdf | es |
| dc.identifier.citation | Garcia Eijo, Pedro Manuel; Duriez, Thomas Pierre Cornil; Cabaleiro, Juan Martin; Artana, Guillermo Osvaldo; A machine learning-based framework to design capillary-driven networks; Royal Society of Chemistry; Lab On A Chip; 22; 24; 11-2022; 4860-4870 | es |
| dc.identifier.institucional | CONICET | |
| dc.identifier.issn | 1473-0197 | es |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/220589 | |
| dc.journal.ciudad | Cambridge | es |
| dc.journal.number | 24 | es |
| dc.journal.pagination | 4860-4870 | es |
| dc.journal.pais | Reino Unido | es |
| dc.journal.title | Lab On A Chip | es |
| dc.journal.volume | 22 | es |
| dc.language.iso | eng | es |
| dc.publisher | Royal Society of Chemistry | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://pubs.rsc.org/en/Content/ArticleLanding/2022/LC/D2LC00843B | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/https://doi.org/10.1039/D2LC00843B | |
| dc.rights | info:eu-repo/semantics/restrictedAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | * |
| dc.subject | Microfluídica | es |
| dc.subject | Capilaridad | es |
| dc.subject | Redes capilares | es |
| dc.subject | Machine Learning | es |
| dc.subject.classification | Ingeniería Mecánica | es |
| dc.subject.classification | Ingeniería Mecánica | es |
| dc.subject.classification | INGENIERÍAS Y TECNOLOGÍAS | es |
| dc.title | A machine learning-based framework to design capillary-driven networks | es |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.34af1f2f-fb98-489b-9111-48d172683422_B.pdf
- Tamaño:
- 8.39 MB
- Formato:
- Adobe Portable Document Format