粘弹性微流控颗粒分选参数优化方法及系统
知识产权简介
本发明公开了一种机器学习驱动的粘弹性微流控颗粒分选参数优化方法，主要包括理论计算、机器学习训练预测和多目标优化三部分。其中理论计算用于快速、大量地获取不同鞘液中聚环氧乙烷（Polyethylene oxide，PEO）浓度、样本中PEO浓度、总流量、鞘液与样本流量比下，各种直径颗粒在直通道段内的横向平衡位置和达到平衡所需通道长度的理论结果。随后利用随机森林机器学习算法对大量理论结果进行训练，精准判断各工况参数组合下颗粒能否完全穿透样本―鞘液交界面以及预报颗粒的横向平衡位置及达到平衡所需的通道长度。最后面向特定的分选需求，基于硬约束、Pareto优化结果、拟合误差、解间相似性、稳定性、各性能指标的重要程度，确定粘弹性微流控的最优分选参数。本发明基于机器学习能够实现粘弹性微流控芯片的设计优化从依赖经验到数据驱动的转变，通过简化工况参数迭代流程能够显著提高粘弹性微流控技术在不同研究领域的可扩展性。
转化前景
本发明提出了一种机器学习驱动的粘弹性微流控颗粒分选参数优化方法，基于随机森林机器学习算法实现分选工况参数与颗粒关键动力学参数之间的精准映射，结合Pareto算法快速给出粘弹性微流控的最优分选参数，实现粘弹性微流控芯片的参数设计优化从依赖经验到数据驱动的转变，通过简化工况参数迭代流程极大降低研究范式造成的大量非必要投入，进而显著提高粘弹性微流控技术在不同研究领域的可扩展性。