CN113792482A - 一种用于模拟生物膜在多孔介质中生长的方法 - Google Patents

一种用于模拟生物膜在多孔介质中生长的方法 Download PDF

Info

Publication number
CN113792482A
CN113792482A CN202111039215.0A CN202111039215A CN113792482A CN 113792482 A CN113792482 A CN 113792482A CN 202111039215 A CN202111039215 A CN 202111039215A CN 113792482 A CN113792482 A CN 113792482A
Authority
CN
China
Prior art keywords
pore
data
training
deep learning
microfluidic chip
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111039215.0A
Other languages
English (en)
Other versions
CN113792482B (zh
Inventor
曾令藻
刘南麟
庄雅娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111039215.0A priority Critical patent/CN113792482B/zh
Publication of CN113792482A publication Critical patent/CN113792482A/zh
Application granted granted Critical
Publication of CN113792482B publication Critical patent/CN113792482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
    • G01N15/082—Investigating permeability by forcing a fluid through a sample
    • G01N15/0826—Investigating permeability by forcing a fluid through a sample and measuring fluid flow rate, i.e. permeation rate or pressure change
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
    • G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Fluid Mechanics (AREA)
  • Dispersion Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明公开了一种用于模拟生物膜在多孔介质中生长的方法，包括孔隙结构的获取与概化、微流控芯片装置的制作、流动实验以及利用深度学习模拟系统进行模拟。本发明使用孔隙网络模型，结合微流控技术制作出能够代表真实多孔介质孔隙空间结构的实物模型。将捕获流动实验图像与传感器数据上传到一套基于深度学习的模拟系统，在系统中通过最小化损失函数完成训练，将得到的训练模型返回给终端进行可视化。由此，本发明能够在不破坏原有介质的情况下，通过模拟实验和深度学习算法，快速、准确地模拟介质中的生物膜生长过程及周围流场、压力场变化，为生物修复，为水生生态系统健康的判断与生物修复的实施等提供依据。

Description

一种用于模拟生物膜在多孔介质中生长的方法
技术领域
本发明涉及微生物研究与机器学习模拟领域，具体涉及一种用于模拟生物膜在多孔介质中生长的方法。
背景技术
生物膜是细菌分泌胞外聚合物，将自身紧密包裹在其中形成的聚合体，广泛存在于久经使用的反渗透膜、胆道支架等医疗器械以及食品加工滤网设备等人造多孔介质中，同时也是微生物在土壤和地下含水层等天然多孔介质中存在的主要形式之一。带有细菌的流体在流经这些介质孔隙空间的过程中，生物膜会逐渐在介质表面形成，从而改变微观孔隙结构，降低局部介质的渗透性，造成生物堵塞。对于土壤等天然多孔介质而言，生物堵塞会改变渗透率等一些重要的水力参数，从而影响孔隙的水流流动与养分及污染物的迁移行为。因此，快速且准确模拟生物膜在多孔介质中的生长，根据模拟结果评估由于生长带来的影响并及时做出响应非要重要。要构建快速、准确的模型，有两大难点：
第一是如何获取孔隙结构以及多孔介质中的各相(包括固相、水相和膜相)的分布。要预测介质中生物膜的变化，首先需要对孔隙结构进行高精度表征。压汞法等传统的孔隙定量方法能够得到孔隙分布信息，但无法得到内部详细的孔隙结构信息。由于具有快速、高分辨率以及非破坏性的优点，X射线显微断层(CT)技术是当前获取孔隙结构信息的常用方法。我们能够通过填装多孔介质柱体，结合多次X射线显微CT扫描得到不同时刻孔隙分布的三维灰度图。但由于生物膜生长是一个动态的过程，如果要获得足够多的先验信息则需要进行连续的CT扫描，高精度的连续CT扫描价格非常高昂。
第二是模型的求解。之所以要使用模型，是因为原位进行实验，一方面会破坏原有的介质，另一方面实验的时间非常长，一般需要十天及以上，使用模型可以大大减少原位实验带来的时间和材料成本。生物膜的生长受流体流动、养分运输和生物质生长等多个物理过程的控制。在不可压缩假设下，根据质量和动量守恒，孔隙空间中的流体运动由下面纳维-斯托克斯方程描述：
Figure BDA0003248606380000021
Figure BDA0003248606380000022
其中ρ为流体密度，u为孔隙流流速，p为压力，v为运动粘度。
营养物质迁移由对流-扩散-反应方程描述。各种养分迁移由相应的对流-扩散-反应方程描述：
Figure BDA0003248606380000023
式中Cs为养分浓度，Ds为相应的扩散系数，rs为反应项，常用Monod动力学模型描述生物膜对基质的消耗：
Figure BDA0003248606380000024
式中Cx为局部生物量浓度，qmax为最大摄取率，Ks为该基质的半饱和系数。
生物量的生长由一级动力学模型描述：
Figure BDA0003248606380000025
其中Yxs为生长产量。这里采取基于个体的生物膜生长模型，当生物量生长到预先设定的阈值时，单个细胞分裂为两个细胞，它们各自的质量在原细胞的1/2附近随机分布。可知，随着时间的推移，生物质会逐渐充满孔隙空间，并且由于多孔介质存在异质性，导致介质的各个部分的流场和压力场不同，从而使各个部分发生堵塞的时间出现差异。
求解这样一系列微分方程组需要用到有限元法或有限体积法，由于大部分的多孔介质结构复杂，通过CT扫描得到的三维结构具有很多的边界，再加上方程组的复杂性，导致求解这样的一个过程需要花费非常长的时间。以一立方毫米的土壤样品为例，通过CT扫描构造出的三维模型，利用双CPU(Intel Xeon E5-2680 2.8GHz)工作站进行4万步的上述过程的模拟耗时62个小时，如果需要对更大的多孔介质进行建模，计算代价也会非常大。因此，有人提出一些非微分方程形式的算法，例如元胞自动机。有研究使用该算法能将多孔介质中生物膜生长以及污染物得去除过程的模拟时间缩短到微分算法的10％，但该方法在复杂孔隙结构下表现不佳，且不具有很好的迁移能力。总的来说，由于生物膜的生长过程是一个水动力-生物化学耦合的复杂过程，准确高效地模拟仍然具有很大的挑战性。
发明内容
为了解决多孔介质中生物膜形成引起的生物堵塞过程模拟困难的问题，本发明提供了一套快速、准确模拟多孔介质中生物膜生长过程以及预测生物膜生长过程中对多孔介质流体流动及渗透性带来影响的方法。该方法通过微流控技术异位模拟生物膜在孔隙中的生长，不会损害原始介质，流动过程中产生的图像实时传送到一套基于深度学习的预测系统，准确给出在未来某个时刻介质中的生物膜分布，得到孔隙度随时间的变化函数以及介质被完全堵塞的时间，为水生生态系统健康的判断与生物修复的实施等提供依据。
一种用于模拟生物膜在多孔介质中生长的方法，应用于多孔介质中生物膜生长和分布情况的模拟，包括孔隙结构的获取与概化、微流控芯片装置的制作、流动实验以及利用深度学习模拟系统进行模拟；其中：
所述孔隙结构的获取与概化是将CT扫描多孔介质样本得到的二维断层图像，经过三维重构、二值化、孔隙网络概化、提取微观结构信息，最后通过随机网络生成器或Lawson算法来生成能代表真实孔隙空间的二维孔隙网络模型；
所述微流控芯片装置是利用概化的二维孔隙网络模型制成掩膜后通过光刻和浇注得到能够代表真实多孔介质孔隙空间结构的实物模型；
所述流动实验是用可编程的泵送装置，根据实际情况将菌液以恒定或非恒定的流量从入口注射到微流控芯片装置中，同时将捕获到的生物膜生长图像传递到深度学习模拟系统中；
所述深度学习模拟系统包含控制终端以及用于数据处理和模型训练的服务器，服务器收集到上传的数据和用户设定的参数后，通过计算并最小化损失函数L进行模型训练，并将模拟的结果返回给用户：
Figure BDA0003248606380000031
Figure BDA0003248606380000041
L＝λdataLdata+λphysicsLphysics
其中，λu，λp，λs和λx分别为相应类型数据残差损失的权重系数，u，p，Cs，Cx分别表示输入的流速、压力、养分浓度和生物量数据，
Figure BDA0003248606380000042
分别表示流速、压力、养分浓度和生物量的预测，λ1，λ2，λ3和λ4分别为相应场微分方程残差的权重系数，f1、f2、f3、f4分别表示速度场、压力场、浓度场、生物量场微分方程的残差，λdata和λphysics分别为数据匹配和物理匹配的权重系数；Lphysics为总的物理约束，Ldata为数据损失；
Figure BDA0003248606380000043
Figure BDA0003248606380000044
Figure BDA0003248606380000045
Figure BDA0003248606380000046
Figure BDA0003248606380000047
其中ρ为流体密度，v为运动粘度，Ds为养分的扩散系数，rs为反应项，qmax为最大摄取率，Ks为养分的半饱和系数，Yxs为生长产量。
本发明中，所述多孔介质是由固体物质组成的骨架和由骨架分隔成大量密集成群的微小空隙所构成的物质，主要针对土壤等具有不透明性和高微生物量的天然多孔介质。
所述孔隙结构的获取与概化是为了对孔隙结构进行高精度表征。使用X射线显微CT扫描多孔介质样本得到断层的二维图像，再通过进行三维重构得到孔隙分布的三维灰度图，进而设定分割阈值对三维图像进行二值化。所述孔隙网络概化：使用最大球算法将二值化后的三维图像概化成一个包含孔隙和喉道的三维孔隙网络模型。通过直接映射，从网络中提取微观结构信息，使用随机网络生成器或Lawson算法来生成二维孔隙网络，这种随机方法能够生产具有真实孔隙空间信息芯片图案。
所述最大球算法是将二值化的图像序列表征为三维二值矩阵，据此可对多孔介质样本进行三维重构并提取孔隙用于空间孔隙网络模型建模；孔隙中，每个体素点都对应一个最大球，在孔隙空间中任选一体素点，向其周围的26个方向搜寻与其接触的颗粒体，即骨架体素；随后，依据该骨架体素的形成范围，采用收缩算法，寻找最大球以及其半径的上下限，确定该最大球的大小和位置，再根据上述方法继续寻找下一个最大球；如此循环往复，得到所有最大球；然后清除冗余球，当所有冗余球清除完毕后，孔隙中所有骨架体素都已经转化为最大球；下步需对所有最大球进行孔隙或喉道的分类；区分孔隙与喉道最大球后，采用球体表示孔隙，采用与最大球等直径的圆柱体表示喉道，采用可视化软件即可输出所得到的孔隙网络模型。
所述的微流控芯片装置包括载玻片、微流控芯片以及若干集成微传感器。
所述光刻是在基片上匀上一层一定厚度的光刻胶，加热冷却后进行紫外曝光，曝光时将掩膜置于光源和光刻胶之间，紫外光透过掩膜时对光刻胶选择性照射，使受光照的光刻胶发生交联反应，改变这部分光刻胶在显影液中的溶解性，再通过显影洗去多余的光刻胶；
所述浇注是将聚二甲基硅氧烷等高分子聚合物浇到光刻后的基片上，待凝固后进行剥离切片，使概化的二维孔隙网络结构转移到微流控芯片装置中。
微流控芯片上打两个孔作为进液口和出液孔，随后将载玻片与微流控芯片贴合，使载玻片与微流控芯片之间形成封闭的孔隙通道；载玻片和微流控芯片组成的空腔包含孔隙和喉道，能够代表多孔介质样本真实的孔隙结构；
集成微传感器能够测定微流控芯片装置中生物膜生长过程中的流体流速、压力以及供给生物膜生长的营养物浓度，并发送给深度学习模拟系统。集成微传感器安装在载玻片的适当位置。
所述的流动实验通过泵送装置输送从多孔介质样本中提取并培养的具有一定浓度的菌液。随着注射时间的推移，生物膜会逐渐在微流控芯片装置内形成。利用一套自动成像装置自动捕获菌液在微流控芯片装置的流动过程中生成的生物膜图像，并将图像发送给深度学习模拟系统。
所述控制终端用于配置模型训练的相关参数，包括训练参数(包括使用的数据集、迭代次数等)以及训练集、测试集和验证集的比例，接收服务器返回的模拟结果并以图像和图表的形式展示；
所述服务器在进行模拟时，首先会将生物膜图像通过RGB值进行阈值分割，划分出固相、液相和膜相，生成生物量场(Cx)，同时将上传的流速场、浓度场和压力场整合为数据集；深度学习模拟系统会根据设定的参数，通过随机或优化的网络参数初始化方法，对数据集进行训练，得到的训练模型会发送给控制终端，也会连同训练数据存放到MySQL数据库中。
所述的优化的网络参数初始化方法：训练前深度学习模拟系统可根据用户选择将当前的目标结构与MySQL数据库中的结构对比，根据孔隙度、迂曲度和连通性等指标，如果MySQL数据库中存在与目标结构相似的结构，则将该结构的训练模型迁移到本次的数据训练中，将已经训练好的参数作为本次训练的初始参数，这样能够在只采集少量数据的情况下快速获得训练结果。
所述深度学习模拟系统采用卷积神经网络(CNNs)构建孔隙结构与目标输出之间的映射关系，卷积神经网络模型的输入为时空坐标(x，y，t)和孔隙结构(k)，输出为观测场(u，p，Cs，Cx)，它们均为等尺寸的二维图像数据。
本发明在训练CNNs的过程中充分考虑生物膜过程遵循的物理规律约束，通过将过程模型中的本构方程的残差作为损失函数的正则项来实现，构建具有物理机制的CNNs模型。多个物理过程的方程残差便构成了总的物理约束Lphysics。
由于CNNs中采用的卷积核可以近似中心差分运算，所以在计算方程残差时，可以很方便地采用卷积核计算方程中的微分项。最终，通过最小化损失函数L的值，就可以得到遵循物理机制的数据驱动深度神经网络模型，该模型便可预测后续任意时刻的生物量场、流场、压力场和浓度场。根据训练得到的模型，当生物量增量为0时，可得到多孔介质发生完全堵塞的时间。
本发明与现有技术相比，主要优点包括：本发明利用孔隙网络模型和微流控技术将多孔介质的孔隙特征概化到微流控装置中，使用一套显微成像系统自动捕获芯片中生物膜的形成并将图像及其他数据上传到一套基于深度学习的分析系统中，通过CNNs构建输入输出的映射关系，获取生物膜生长模型。本发明能够在不破坏原有介质的情况下根据多孔介质的特征进行建模，通过含物理约束的深度神经网络模型能够在短时间实验只能产生较少数据的情况下对孔隙中的生物量场、流场、压力场和浓度场进行准确地预测。由此，本发明能够简单、快速地量化多孔介质中生物膜生长带来的影响，评估滤膜、多孔医疗器械等人造多孔介质的使用寿命，预测土壤等天然多孔介质孔隙度的演化，为生物修复在这些天然环境中的实施提供理论依据。
附图说明
图1为天然多孔介质到微流控芯片的流程图；
图2为本发明深度学习模拟系统优化控制流程图；
图3为深度神经网络模型的原理图。
具体实施方式
下面结合附图及具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的操作方法，通常按照常规条件，或按照制造厂商所建议的条件。
所采集的土样位于某农药厂附近，深度为3m，现需对该土样制定修复方案，则需要修复方案过程中的生物堵塞现象进行模拟。
1.孔隙结构的获取与概化
1)CT扫描：如图1所示，首先采集该场地深度长50cm的土柱，使用X射线显微CT扫描得到断层的二维图像。
2)三维孔隙网络提取：通过MIMICS重构二维图像，二值化得到三维灰度图像。使用最大球算法将三维图像概化成一个包含孔隙和喉道的三维孔隙网络模型。
3)二维孔隙网络提取：从三维图像中提取孔隙结构特征，结合Delaunay三角剖分算法将三维孔隙网络概化成二维孔隙网络，此部分由MATLAB程序完成。
2.微流控芯片装置的制作
1)准备掩膜：将二维孔隙网络模型制作成光学掩膜。
2)光刻显影：使用匀胶机在单面抛光的硅片上匀上一层50μm厚的SU-8 2050光刻胶，用热板进行前烘使光刻胶固化后，使用光刻机进行紫外曝光，随即进行后烘，待硅片冷却后使用显影液显影，洗去多余的光刻胶。清洁硅片后用三甲基氯硅烷(TMCS)熏片过夜，得到芯片模具。
3)PDMS浇注：将Sylgard 184硅酮基料与固化剂按重量比10:1搅拌混合以制备PDMS(聚二甲基硅氧烷)，在真空环境下去除气泡后倒入模具中，在80℃下固化2小时。
4)传感器安装：将若干个集成微传感器固定在玻片对应的大孔隙位置，该传感器能够采集该点位流速、压力和底物浓度。
5)芯片键合：冷却后将PDMS从模具上剥离，经切片和打孔后，将玻片和PDMS暴露在氧气等离子体中30秒，再将PDMS贴合到玻片上。随后将芯片放置在70℃烘箱中十分钟，使PDMS和玻片贴合得更紧密。
3.流动实验
1)菌液准备：从少量土样中提取出混合菌液进行培养，并用无菌培养液稀释到所需浓度(在600nm处测得的OD＝0.8)。
2)准备实验装置：将聚乙烯塑料软管连接L型钢针后连接到微流控芯片的入口和出口，将芯片固定在显微镜下，并选择合适的放大倍数。用注射器向芯片通入75vol％酒精进行灭菌并去除气泡，随后通入无菌水洗去多余的乙醇。
3)运行实验：在注射器中吸入菌液，并清除注射器中的气泡。随后将注射器固定在注射泵(Harvard Apparatus，Pump 11)上，设置合适的流量，然后启动流体泵送。
4)图像采集：生物膜生长过程中，显微自动成像系统以5分钟为时间间隔捕获生物膜生长的图像，并与传感器获取到的该时刻的速度、压力和浓度信息一起上传到服务器中。
4.模型训练
如图2所示，利用深度学习模拟系统进行模型训练包括以下步骤：
1)用户在控制终端输入本次训练的参数，包括使用的数据集、迭代次数等训练参数、训练集、测试集和验证集的比例以及是否使用迁移学习。输入终端是由Java语言开发图形用户界面，与服务器以TCP/IP协议进行数据传输。终端能够展示图像数据，用户可在选择数据集时排除掉成像质量不佳的图像数据。当用户判断数据库中存在有与本次模拟相似的孔隙结构且实验采集的数据量小时，可以勾选使用迁移学习。
2)模型训练服务器配置开源CentOS系统、MySQL数据库、Tomcat服务器、Python开发环境等。显微自动成像系统捕获到的图片首先通过一个Python脚本分割成液相、膜相和固相，再将分割后的图像与传感器收集到的数据存储到MySQL数据库当中。
3)基于神经网络的深度学习算法由Python编写。根据用户从控制终端进行的数据集选择，通过CentOS的Crontab服务获取到选择的数据。模型的输入为时空坐标(x，y，t)和孔隙结构(k)，孔隙结构为未注射菌液时(即t为0时捕获的图像)，输出为观测场(u，p，Cs，Cx)。我们的目标是构建以下映射关系：
Figure BDA0003248606380000091
其中，d为输入图像的个数，即当前时刻多个维度的图像信息，W和H分别为图像的宽和高。要实现映射，首先需要对数据进行归一化处理：
X_t＝(X_d-lb)/(ub-lb)
其中，X_d为原始数据，ub和lb分别为数据中的最大值和最小值，X_t为归一化的训练数据。根据用户输入的比例将数据集划分成训练集、预测集和验证集。
4)构建图像与图像之间的映射使用基于CNNs的DenseNet框架。首先使用编码器(encoder)提取特征并降低数据维度，再使用解码器(decoder)重构输出的图像。为了加强特征的重用，使网络更易于训练，本项目将在网络中使用密集块(DenseBlock)来进行连接。在该网络中，每个层都会与前面所有层连接在一起，并共同作为下一层的输入。第l层的输入不仅与l-1层的输出相关，还与所有之层的输出相关：
Xl＝Hl([X0，X1，...，Xl-1])
其中，[X0，X1，...，Xl-1]表示前面l-1层输出的拼接。在每一个密集块内部，层与层之间有三个连续操作：批归一化、ReLU激活和卷积。同时，密集块之间还需要通过过渡层连接，以减少特征图的数量、降低特征图的大小并起到压缩、解压模型的作用。如图3所示，将训练集放入到该网络中得到数据损失：
Figure BDA0003248606380000101
其中，λu，λp，λs和λx分别为相应类型数据残差损失的权重系数，u，p，Cs，Cx分别表示输入的流速、压力、养分浓度和生物量数据，
Figure BDA0003248606380000102
分别表示流速、压力、养分浓度和生物量的预测。
5)计算微分方程的残差，基于CNNs对流场的预测，可将方程残差表示为：
Figure BDA0003248606380000103
Figure BDA0003248606380000104
根据浓度场的预测，对应的方程残差为：
Figure BDA0003248606380000105
Figure BDA0003248606380000106
Figure BDA0003248606380000107
其中，f1、f2、f3、f4分别表示速度场、压力场、浓度场、生物量场微分方程的残差，ρ为流体密度，v为运动粘度，Ds为养分的扩散系数，rs为反应项，qmax为最大摄取率，Ks为养分的半饱和系数，Yxs为生长产量。
将数据驱动的模型结果代入，则总的物理约束为：
Figure BDA0003248606380000108
λ1，λ2，λ3和λ4分别为相应场微分方程残差的权重系数；
最后将两部分加和得到总的损失函数：
L＝λdataLdata+λphysicsLphysics.
式中，λdata和λphysics分别为数据匹配和物理匹配的权系数。训练开始前需要初始化模型参数，如果用户选择迁移学习，系统会根据历史训练的孔隙结构进行比对，将结构最相似的结果作为训练的初始参数，并将网络的结构迁移到本次训练中，否则初始参数随机生成。使用tensroflow内置的L-BFGS算法最小化损失函数L，完成模型的训练。
得到的训练结果会发送到控制终端，同时也会存放一份到MySQL数据库中，作为后续迁移学习的来源。向控制终端返回的数据包括反映训练效果的迭代次数-损失函数曲线，以及训练完成的模型。根据训练结果，用户可以得到由于生物堵塞造成的孔隙度下降到某个特定值所需要的时间，当孔隙度为0时，即多孔介质被完全堵塞，也可以获取任意时刻介质内的流场、压力场和浓度场，作为样本场地实施修复工程的参考依据。
本发明使用孔隙网络模型，结合微流控技术制作出能够代表真实多孔介质孔隙空间结构的实物模型。将捕获流动实验图像与传感器数据上传到一套基于深度学习的模拟系统，在系统中通过最小化损失函数完成训练，将得到的训练模型返回给终端进行可视化。由此，本发明能够在不破坏原有介质的情况下，通过模拟实验和深度学习算法，快速、准确地模拟介质中的生物膜生长过程及周围流场、压力场变化，为生物修复，为水生生态系统健康的判断与生物修复的实施等提供依据。
此外应理解，在阅读了本发明的上述描述内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (9)

1.一种用于模拟生物膜在多孔介质中生长的方法，其特征在于，应用于多孔介质中生物膜生长和分布情况的模拟，包括孔隙结构的获取与概化、微流控芯片装置的制作、流动实验以及利用深度学习模拟系统进行模拟；其中：
所述孔隙结构的获取与概化是将CT扫描多孔介质样本得到的二维断层图像，经过三维重构、二值化、孔隙网络概化、提取微观结构信息，最后通过随机网络生成器或Lawson算法来生成能代表真实孔隙空间的二维孔隙网络模型；
所述微流控芯片装置是基于概化的二维孔隙网络模型制成掩膜后通过光刻和浇注得到能够代表真实多孔介质孔隙空间结构的实物模型；
所述流动实验是用可编程的泵送装置，根据实际情况将菌液以恒定或非恒定的流量从入口注射到微流控芯片装置中，同时将捕获到的生物膜生长图像传递到深度学习模拟系统中；
所述深度学习模拟系统包含控制终端以及用于数据处理和模型训练的服务器，服务器收集到上传的数据和用户设定的参数后，通过计算并最小化损失函数L进行模型训练，并将模拟的结果返回给用户：
Figure FDA0003248606370000011
Figure FDA0003248606370000012
L＝λdataLdata+λphysicsLphysics
其中，λu，λp，λs和λx分别为相应类型数据残差损失的权重系数，u，p，Cs，Cx分别表示输入的流速、压力、养分浓度和生物量数据，
Figure FDA0003248606370000013
分别表示流速、压力、养分浓度和生物量的预测，λ1，λ2，λ3和λ4分别为相应场微分方程残差的权重系数，f1、f2、f3、f4分别表示速度场、压力场、浓度场、生物量场微分方程的残差，λdata和λphysics分别为数据匹配和物理匹配的权重系数；Lphysics为总的物理约束，Ldata为数据损失；
Figure FDA0003248606370000014
Figure FDA0003248606370000015
Figure FDA0003248606370000021
Figure FDA0003248606370000022
Figure FDA0003248606370000023
其中ρ为流体密度，v为运动粘度，Ds为养分的扩散系数，rs为反应项，qmax为最大摄取率，Ks为养分的半饱和系数，Yxs为生长产量。
2.根据权利要求1所述的方法，其特征在于，所述的微流控芯片装置包括载玻片、微流控芯片以及若干集成微传感器；
微流控芯片上打两个孔作为进液口和出液孔，随后将载玻片与微流控芯片贴合，使载玻片与微流控芯片之间形成封闭的孔隙通道；载玻片和微流控芯片组成的空腔包含孔隙和喉道，能够代表多孔介质样本真实的孔隙结构；
集成微传感器能够测定微流控芯片装置中生物膜生长过程中的流体流速、压力以及供给生物膜生长的营养物浓度，并发送给深度学习模拟系统。
3.根据权利要求1所述的方法，其特征在于，所述的流动实验通过泵送装置输送从多孔介质样本中提取并培养的具有一定浓度的菌液，利用一套自动成像装置自动捕获菌液在微流控芯片装置的流动过程中生成的生物膜图像，并将图像发送给深度学习模拟系统。
4.根据权利要求1所述的方法，其特征在于，所述控制终端用于配置模型训练的相关参数，包括训练参数以及训练集、测试集和验证集的比例，接收服务器返回的模拟结果并以图像和图表的形式展示；
所述服务器在进行模拟时，首先会将生物膜图像通过RGB值进行阈值分割，划分出固相、液相和膜相，生成生物量场，同时将上传的流速场、浓度场和压力场整合为数据集；深度学习模拟系统会根据设定的参数，通过随机或优化的网络参数初始化方法，对数据集进行训练，得到的训练模型会发送给控制终端，也会连同训练数据存放到MySQL数据库中。
5.根据权利要求4所述的方法，其特征在于，所述的优化的网络参数初始化方法：训练前深度学习模拟系统可根据用户选择将当前的目标结构与MySQL数据库中的结构对比，根据包括孔隙度、迂曲度和连通性在内的指标，如果MySQL数据库中存在与目标结构相似的结构，则将该结构的训练模型迁移到本次的数据训练中，将已经训练好的参数作为本次训练的初始参数。
6.根据权利要求1所述的方法，其特征在于，所述孔隙网络概化：使用最大球算法将二值化后的三维图像概化成一个包含孔隙和喉道的三维孔隙网络模型。
7.根据权利要求6所述的方法，其特征在于，所述最大球算法是将二值化的图像序列表征为三维二值矩阵，据此可对多孔介质样本进行三维重构并提取孔隙用于空间孔隙网络模型建模；孔隙中，每个体素点都对应一个最大球，在孔隙空间中任选一体素点，向其周围的26个方向搜寻与其接触的颗粒体，即骨架体素；随后，依据该骨架体素的形成范围，采用收缩算法，寻找最大球以及其半径的上下限，确定该最大球的大小和位置，再根据上述方法继续寻找下一个最大球；如此循环往复，得到所有最大球；然后清除冗余球，当所有冗余球清除完毕后，孔隙中所有骨架体素都已经转化为最大球；下步需对所有最大球进行孔隙或喉道的分类；区分孔隙与喉道最大球后，采用球体表示孔隙，采用与最大球等直径的圆柱体表示喉道，采用可视化软件即可输出所得到的孔隙网络模型。
8.根据权利要求1所述的方法，其特征在于，所述光刻是在基片上匀上一层一定厚度的光刻胶，加热冷却后进行紫外曝光，曝光时将掩膜置于光源和光刻胶之间，紫外光透过掩膜时对光刻胶选择性照射，使受光照的光刻胶发生交联反应，改变这部分光刻胶在显影液中的溶解性，再通过显影洗去多余的光刻胶；
所述浇注是将高分子聚合物浇到光刻后的基片上，待凝固后进行剥离切片，使概化的二维孔隙网络结构转移到微流控芯片装置中。
9.根据权利要求1所述的方法，其特征在于，所述深度学习模拟系统采用卷积神经网络构建孔隙结构与目标输出之间的映射关系，卷积神经网络模型的输入为时空坐标(x，y，t)和孔隙结构(k)，输出为观测场(u，p，Cs，Cx)，它们均为等尺寸的二维图像数据。
CN202111039215.0A 2021-09-06 2021-09-06 一种用于模拟生物膜在多孔介质中生长的方法 Active CN113792482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111039215.0A CN113792482B (zh) 2021-09-06 2021-09-06 一种用于模拟生物膜在多孔介质中生长的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111039215.0A CN113792482B (zh) 2021-09-06 2021-09-06 一种用于模拟生物膜在多孔介质中生长的方法

Publications (2)

Publication Number Publication Date
CN113792482A true CN113792482A (zh) 2021-12-14
CN113792482B CN113792482B (zh) 2023-10-20

Family

ID=78879567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111039215.0A Active CN113792482B (zh) 2021-09-06 2021-09-06 一种用于模拟生物膜在多孔介质中生长的方法

Country Status (1)

Country Link
CN (1) CN113792482B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859230A (zh) * 2018-12-26 2019-06-07 北京理工大学 一种用于多孔介质显微ct图像的分割方法
CA2992337A1 (en) * 2018-01-19 2019-07-19 National Research Council Of Canada Wastewater treatment with in-film microbial heating
WO2021134871A1 (zh) * 2019-12-30 2021-07-08 深圳市爱协生科技有限公司 基于局部二值模式和深度学习的合成人脸图像取证方法
CN113083383A (zh) * 2021-03-18 2021-07-09 华中农业大学 微流控芯片装置、制备方法及土壤微生物群落培养方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2992337A1 (en) * 2018-01-19 2019-07-19 National Research Council Of Canada Wastewater treatment with in-film microbial heating
CN109859230A (zh) * 2018-12-26 2019-06-07 北京理工大学 一种用于多孔介质显微ct图像的分割方法
WO2021134871A1 (zh) * 2019-12-30 2021-07-08 深圳市爱协生科技有限公司 基于局部二值模式和深度学习的合成人脸图像取证方法
CN113083383A (zh) * 2021-03-18 2021-07-09 华中农业大学 微流控芯片装置、制备方法及土壤微生物群落培养方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
施加春;徐建明;吴劳生;曾令藻: "污染场地周边农田土壤重金属污染源识别研究", 中国土壤学会第十二次全国会员代表大会暨第九届海峡两岸土壤肥料学术交流研讨会 *
蔡健栋;李健;王钢;范冰丰;: "多孔介质在PECVD应用的仿真研究", 机械设计与制造, no. 05 *

Also Published As

Publication number Publication date
CN113792482B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN105931179B (zh) 一种联合稀疏表示与深度学习的图像超分辨率方法及系统
Kaykhosravi et al. A comprehensive review of low impact development models for research, conceptual, preliminary and detailed design applications
Sun et al. Computer‐aided tissue engineering: overview, scope and challenges
US11718020B2 (en) Platform, systems, and devices for 3D printing
Zumr et al. Experimental setup for splash erosion monitoring—Study of silty loam splash characteristics
CN114036838A (zh) 一种基于多层lstm神经网络的垂向水温模拟方法
Boogaard Spatial and time variable long term infiltration rates of green infrastructure under extreme climate conditions, drought and highly intensive rainfall
Patmonoaji et al. Stereolithography 3D printer for micromodel fabrications with comprehensive accuracy evaluation by using microtomography
CN113792482B (zh) 一种用于模拟生物膜在多孔介质中生长的方法
Massimiani et al. Design, fabrication, and experimental validation of microfluidic devices for the investigation of pore-scale phenomena in underground gas storage systems
CN115290148A (zh) 一种复杂水流条件下的流量测量方法及系统
Graczyk et al. Deep learning for diffusion in porous media
Stoner et al. Application of stereolithographic custom models for studying the impact of biofilms and mineral precipitation on fluid flow
Al-Dosary et al. Employing Data Mining Algorithms and Mathematical Empirical Models for Predicting Wind Drift and Evaporation Losses of a Sprinkler Irrigation Method
CN116152654A (zh) 基于卷积神经网络的土体含水率识别方法及装置
Duan et al. On bed form resistance and bed load transport in vegetated channels
CN115879391A (zh) 一种基于iwind-lr模型的cod指标时空模拟方法和系统
CN115688583A (zh) 用于岩心的渗流模拟方法、处理器及机器可读存储介质
CN115295098A (zh) 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统
CN114972186A (zh) 一种基于图像识别的块体填充地基承载力估算方法及系统
Wildenschild et al. Application of x-ray microtomography to environmental fluid flow problems
Erben et al. Engineering principles and algorithmic design synthesis for ultracompact bio-hybrid perfusion chip
Alrubaye et al. Experimental and Numerical Prediction of Wetting Fronts Size Created by Sub-Surface Bubble Irrigation System
Abedini On depression storage, its modeling and scale
CN108830927A (zh) 一种污水处理的智能调整方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant