[发明专利]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

权利要求书

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Conv1-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VelocityNET模型；

步骤53：为所述VelocityNET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VelocityNET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[C_outletA,C_outletB]，所述VelocityNET模型的输出为[V_outletA,V_outletB,V_outletC]；

所述微流控芯片的出口C的出口浓度为：

其中，C_outletA、C_outletB分别为微流控芯片的出口A和出口B的出口浓度，V_outletA、V_outletB、V_outletC为微流控芯片的出口A、出口B和出口C的出口流速。