未来的形状:使用深度学习的轴对称滴形状分析

科学领域:

• 物理化学 物理化学
• 材料科学 材料科学 材料科学
• 计算科学 计算科学

背景情况:

• 传统的轴对称滴形状分析 (ADSA) 用于测定表面张力,但在计算速度和图像质量方面存在局限性.
• 精确测量表面张力在各种科学和工业应用中至关重要.

研究的目的:

• 开发和评估基于机器学习的方法,使用卷积神经网络 (CNN) 进行更快,更准确的吊下降图像分析.
• 为了比较CNN模型与传统ADSA在精度,速度和强度方面的性能.

主要方法:

• 一个CNN模型被训练来预测从吊下降图像的表面张力.
• 在CNN模型的性能与传统的直接数值集成ADSA进行了基准测试.
• 此外,还评估了模型在预测其他掉落属性的准确性,例如体积和表面积.

主要成果:

• CNN模型在1.50 ms-1的速度下,在表面张力预测 (+/-) 1.22×10^{-1 mN/m中实现了高精度,超过传统ADSA的5×103倍以上.}
• 该模型表现出强度,即使在具有挑战性的图像 (不对齐,失焦) 中,也保持了2.42×10-1 mN/m的平均误差.
• 美国有线电视新闻网 (CNN) 也准确地确定了其他滴水属性,如体积和表面积.

结论:

• 基于CNN的方法在吊下降分析中取得了重大进展,为确定表面张力提供了更快,更准确和更强大的方法.
• 这种机器学习技术有望克服传统ADSA的局限性,特别是在高通量或资源有限的环境中.