(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210600114.4 (22)申请日 2022.05.27 (71)申请人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 (72)发明人 俞建峰　俞俊楠　范先友　程洋　 化春健　蒋毅　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 吕永芳 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) G06F 113/18(2020.01) G06F 111/08(2020.01) (54)发明名称 基于卷积神经网络的随机变宽度微流控芯 片自动设计方法 (57)摘要 本发明公开了基于卷积神经网络的随机变 宽度微流控芯片自动设计方法， 属于微流控自动 设计技术领域。 所述方法提供了一种随机变宽度 微流控芯片的设计方案， 通过变宽度微流道的设 计， 达到了改善出口浓度与出口流速分布的目 的； 同时提供了一种KD ‑MiniVGGNet卷积神经网 络模型， 实现了对随机变宽度微流控芯片的出口 浓度与出口流速的高准确率预测。 通过KD ‑ MiniVGGNet模型与随机变宽度微流控芯片的结 合， 实现了高效、 准确设计微流控芯片的目的， 并 且可以推广到其他更多有着特定需求的微流控 芯片设计中。 权利要求书2页 说明书10页 附图4页 CN 114970349 A 2022.08.30 CN 114970349 A 1.一种基于卷积神经网络的随机变宽度微流控芯片的自动设计方法， 其特征在于， 所 述方法包括： 步骤1： 生成不重复的随机变宽度微 流控芯片设计方案， 并将其存 储在数据库中； 步骤2： 对所述步骤1中生成的随机变宽度微流控芯片进行预模拟， 得到随机变宽度微 流控芯片的出口浓度以及出口流速， 同样存 储在数据库中； 步骤3： 将所述步骤1与步骤2中得到的随机变宽度微流控芯片的几何结构、 出口浓度和 出口流速构建成随机变宽度微流控芯片数据集， 并将数据集按比例分割成训练集与测试 集； 步骤4： 构建卷积神经网络模型； 步骤5： 采用所述步骤3 中得到的训练集训练所述步骤4中得到的卷积神经网络模型， 直 至所述卷积神经网络模型收敛； 步骤6： 随机生成多个变宽度微流控芯片的设计方案， 并采用所述步骤5中训练完成的 卷积神经网络模型预测所述多个变宽度微流控芯片的出口浓度与出口流速， 同样将设计方 案和预测结果存储在数据库中， 最终得到一个包含足够数量的随机变宽度微流控芯片设计 方案的数据库； 步骤7： 根据所需的出口浓度或出口流速要求在数据库中查询即可得到对应的变宽度 微流控芯片候选设计方案 。 2.根据权利要求1所述的方法， 其特征在于， 所述卷积神经网络模型为KD ‑MiniVGGNet 模型， 所述KD ‑MiniVGGNet模型是在MiniVGGNet模型的基础上基于卷积核分解原理得到的， 通道数限制在32或64， 包括： 12个卷积层Co nv1‑Conv12和两个全连接层； 其中， Conv1采用3 ×3卷积核， Conv10采用3 ×3卷积核， Conv2与Conv3、 Conv4与Conv5、 Conv6与Conv7、 Conv8与Conv9、 Conv11与Conv12均为叠加卷积层， 所述叠加卷积层通过将一 个通道数恒定的卷积层分解为两个具有2 ×2卷积核的卷积层实现， 用于实现对模型的深 化， 增加模型的非线性变化和特 征表达能力。 3.根据权利要求2所述的方法， 其特 征在于， 所述 步骤5的训练过程包括： 步骤51： 用矩阵表示所述随机变宽度微流控芯片的几何结构、 出口浓度和出口流速， 将 所述随机变宽度微 流控芯片的几何结构、 出口浓度和出口流速构建成训练数据集； 步骤52： 基于所述KD ‑MiniVGGNet模型建立用于预测出 口浓度的ConcentrationNET模 型与用于预测出口流速的Vel ocityNET模型； 步骤53： 为所述Velocit yNET模型和ConcentrationNET模型划分训练集和测试集： 将 所 述训练数据集按比例随机分割为训练集和测试集， 取随机种子random_state＝C， 其中C是 常数； 步骤54： 定义训练过程中 的性能表征， 包括所述Velocit yNET模型和ConcentrationNET 模型的损失函数与准确率 函数； 步骤55： 利用所述步骤53中获得的训练集， 分别训练所述步骤52中定义的 ConcentrationNET模型与VelocityNET模型， 直至模型收敛， 然后 在测试集上进行测试模型 性能； 在训练过程中采用所述 步骤54中定义的损失函数以及准确率 函数评价模型的性能。 4.根据权利要求3所述的方法， 其特征在于， 所述ConcentrationNET模型和 VelocityNET模型的输入均为几何结构矩阵， 所述ConcentrationNET模型的输出为权　利　要　求　书 1/2 页 2 CN 114970349 A 2[CoutletA,CoutletB]， 所述Vel ocityNET模型的输出为[VoutletA,VoutletB,VoutletC]； 所述微流控芯片的出口C的出口浓度为： 其中， CoutletA、 CoutletB分别为微流控芯片的出 口A和出口B的出口浓度， VoutletA、 VoutletB、 VoutletC为微流控芯片的出口A、 出口B和出口C的出口流速 。 5.根据权利要求4所述的方法， 其特征在于， 所述ConcentrationNET模型与 VelocityNET模型中采用均方误差作为损失函数， 包括： 其中， n代表测试集或训练集中芯片的总数， k代表测试集或训练集中某个芯片的序号， ΔCoutletA,k和ΔCoutletB,k分别代表出口A和出口B中出口浓度预测值和出口浓度目标值之间 的差值， ΔVoutletA,k、 ΔVoutletB,k和ΔVoutletC,k分别代表出口A、 出口B和出口C中出口流速 预测 值和出口流速目标值之间的差值。 6.根据权利要求5所述的方法， 其特征在于， 所述ConcentrationNET模型与 VelocityNET模型的准确率 函数分别为： 其中， CoutletA,k、 CoutletB,k和CoutletC,k分别代表出口A、 出口B和出口C中的出口浓度目标 值， VoutletA,k、 VoutletB,k和VoutletC,k分别代表出口A、 出口B和出口C中的出口流速目标值。 7.根据权利要求6所述的方法， 其特征在于， 所述ConcentrationNET模型与 VelocityNET模型采用ReLU函数作为激活函数。 8.根据权利要求3所述的方法， 其特征在于， 所述步骤51采用9 ×9矩阵表示随机变宽度 微流控芯片的几何结构， 采用1 ×3矩阵表示出口浓度与出口流速 。 9.根据权利要求1中所述的方法， 其特征在于， 所述步骤2通过有限元分析方法完成随 机变宽度微 流控芯片的流体行为预模拟。 10.根据权利要求3所述的方法， 其特征在于， 所述ConcentrationNET模型与 VelocityNET模型的主体结构相同。权　利　要　求　书 2/2 页 3 CN 114970349 A 3