一种基于机器学习的微流控液滴直径智能预测方法及系统

本发明涉及微流控液滴制备与人工智能交叉，具体涉及微流控液滴直径的预测方法及系统。

背景技术：

1、微流控技术作为一种在微米尺度通道内操控微量流体的先进技术，已广泛应用于药物递送、单细胞分析、生物检测、食品科学及化妆品制备等领域。液滴直径作为微流控液滴制备的核心质量指标，直接决定产物的包封效率、释放动力学及功能表现，是生产过程中需严格控制的关键参数。

2、在微流控液滴制备过程中，液滴直径受分散相性质（如油相类型）、分散相粘度、连续相性质（如水相及表面活性剂浓度）、分散相与连续相流速比、芯片通道尺寸等多因素耦合影响，各参数间存在复杂的非线性关系。传统基于经验公式或物理模型（如毛细管数关联式）的预测方法因忽略了参数间的交互效应及动态变化规律，预测误差常超过15%，难以满足高精度液滴制备（如单分散液滴cv值<3%）对工艺参数精准设计的需求。

3、目前，行业内主要采用离线显微镜观测法获取液滴直径数据，此类方法存在显著弊端：一是检测周期长，需取样、制样、显微拍摄及图像分析，无法实时反映当前制备状态，导致工艺调整滞后，易产生批量不合格产品；二是检测过程依赖人工操作，存在主观测量误差，精度难以满足高均一性液滴（目标直径偏差<5%）的生产要求；三是工艺参数调试依赖操作人员经验，当原料批次波动或芯片批次更换时，需重复大量正交实验进行参数寻优，试错成本高、效率低下，严重影响新产品研发周期。

4、部分现有技术尝试采用线性回归或响应曲面法建立液滴直径预测模型，但因微流控液滴生成过程涉及两相流体力学的复杂非线性行为，此类方法对参数间交互作用的表征能力不足，预测精度通常仅能达到±15%~20%，无法为工艺参数精准设计提供可靠指导。此外，现有预测模型均为静态模型，无法利用新增实验数据持续优化自身性能，导致模型泛化能力随原料批次及设备状态变化而下降。

技术实现思路

1、本发明是要解决现有的液滴测量方法的液滴直径检测滞后、预测精度低、工艺参数设计依赖人工经验、模型无法自主进化的技术问题，而提供一种基于机器学习的微流控液滴直径智能预测方法及系统。本发明的方法是一种基于随机梯度下降回归（stochasticgradient descent regressor, sgdregressor）的微流控液滴直径智能预测方法，通过增量更新机制实现液滴直径的精准预测与工艺参数反向优化，进而实现微流控液滴制备过程的精准预测与智能调控。

2、本发明的基于机器学习的微流控液滴直径智能预测方法，按以下步骤进行：

3、一、数据采集：采集标准化数据，形成六个数据字段，数据包括分散相性质、分散相粘度、连续相性质、分散相与连续相流速比、芯片通道尺寸、液滴直径；其中分散相性质为如油相或水相；分散相粘度单位为cp，范围500~2000；连续相性质为水相或油相；分散相与连续相流速比，该比值的格式为"数值:1"，如"0.8:1"；芯片通道尺寸，单位为mm，范围1~5；液滴直径，单位为mm，液滴直径为预测目标变量；得到累计式数据文件；

4、二、编码和标准化：系统自动对数据文件库中的分散相与连续相流速比字段进行智能解析，通过自定义解析函数将"数值:1"格式或纯数值格式统一转换为浮点数特征；对离散特征用独热编码器进行独热编码（one-hot encoder），对连续特征通过runningstandardscaler进行增量自适应标准化；

5、三、模型训练：采用scikit-learn库中的sgdregressor预测模型作为基模型，采用均方误差损失函数、l2正则化、自适应学习率并设置最大迭代次数，进行训练，输出sgdregressor预测模型；计算并保存残差标准差，用于预测不确定性量化；

6、四、模型持久化：采用joblib技术将编码和标准化后数据、训练好的sgdregressor预测模型及残差标准差，分别保存为独立的.pkl文件；各组件可独立加载与更新，便于模块化维护；

7、五、双向预测：利用预测模型进行正向预测和/或反向预测；

8、其中正向预测是输入分散相性质、分散相粘度、连续相性质、流速比、芯片尺寸五项工艺参数，利用预测模型输出液滴直径的预测值，并基于训练集残差标准差提供95%置信区间（预测值±1.96σ），量化预测不确定性；利用预测模型输出液滴直径的预测值的时间仅为1秒；

9、反向预测是输入目标液滴直径、分散相性质、连续相性质，并提供粘度、流速比、芯片尺寸三项数值参数中的1~2个已知值，预测模型在预设搜索空间内枚举所有未知参数组合，并逐一调用正向模型预测液滴直径，筛选出液滴直径的预测值与目标值偏差小于容忍度的所有组合，以简洁列表形式输出对应的粘度、流速比、芯片尺寸的方案，供用户根据工程约束选择最优方案；

10、六、数据增量更新：将步骤五预测出的或其他来源的数据追加到步骤一中的原始数据文件库，随后读取完整数据集执行全量训练，这种更稳定的“全量重训”策略，既保证了模型始终基于全部历史数据，又避免了在线学习中可能出现的参数震荡或遗忘问题。

11、更进一步地，步骤二中， 系统基于pandas实现excel文件的高兼容性读取，支持.xlsx与.xls格式；runningstandardscaler专注于连续特征的增量标准化。

12、更进一步地，步骤三中，l2正则化的alpha=0.0001；

13、更进一步地，步骤三中，自适应学习率的初始值0.01；

14、更进一步地，步骤三中，最大迭代次数为900~1000次；

15、更进一步地，步骤三中，sgdregressor预测模式支持partial_fit方法，可实现小批量或单样本的在线学习。

16、更进一步地，步骤四中所述的预设搜索空间，其粘度范围500~2000，步长50；流速比为0.5~2.6，步长0.1；芯片尺寸为0.5~5，步长0.5。

17、更进一步地，步骤四中所述的容忍度为0.005 mm；

18、更进一步地，步骤四中所述的双向预测，是基于python tkinter构建三个独立界面：正向预测界面、反向预测界面和模型更新界面；各界面均设计清晰输入区域、结果展示区及操作按钮，支持参数校验、一键预测，正向预测界面的数据导出；该界面可使操作简便，适合实验室技术人员快速使用；系统所有组件本地化部署，无需网络连接，保障实验数据安全。

19、更进一步地，步骤六中所述的数据更新，是将新增数据的excel文件追加至步骤一中的数据文件库中，实现数据的永久累积；同时备份当前sgdregressor预测模型文件至“backup_models”目录；再基于完整累积数据集重新训练新的sgdregressor预测模型；重新计算并保存模型评估指标，包括平均绝对误差mae、决定系数r2和残差标准差σ；更新模型持久化文件（.pkl）。该机制确保模型随数据积累持续优化，且可通过备份文件实现版本回滚。

20、相对于现有技术，本发明的优点如下：

21、（1）小样本适用性强：基于初始200组实验数据即可训练出有效模型（mae为0.03223，r2为0.6995），随着数据积累（扩展至11281组），模型mae可降至0.02398，r2为0.8120，精度持续提升。

22、（2）预测精度高：本发明方法预测液滴直径的平均绝对误差≤0.04 mm，较传统经验公式法（误差常＞0.05 mm）有所提升，满足单分散液滴制备（cv＜3%）的工程需求。

23、（3）双向预测提升工艺设计效率：反向预测模式可快速给出满足目标直径的多组可行参数组合，替代传统耗时的大规模正交实验，显著缩短新产品工艺开发周期。

24、（4）自主进化能力：通过“数据追加-全量重训”的更新机制，模型可永久记忆所有历史数据，随实验次数增加自动优化，无需人工干预。

25、（5）本地化轻量部署：系统依赖仅限开源python库，无需商业软件授权，可在普通办公电脑上运行，适合实验室及中小型企业使用。