机器学习 (ML) 辅助的氧化物涂层液体金属 (LM) 合金表面张力和振荡诱导弹性模量研究
Kazi Zihan Hossain1, Sharif Amit Kamran2, Alireza Tavakkoli2
1Department of Chemical & Materials Engineering, University of Nevada, Reno, NV, United States of America.
JPhys materials
|October 26, 2023
概括
这项研究使用机器学习来预测扰乱的液体金属滴中的表面张力,并使用振荡诱导的泡张力计来分析其氧化物涂层的动态弹性模量,推进界面研究.
科学领域:
- 材料科学 材料科学 材料科学
- 表面科学是一门学科.
- 机器学习 机器学习
背景情况:
- 氧化物涂层的液体金属 (LMs),如体 (Galinstan) 具有高表面张力,但表面氧化物会扰乱悬挂滴形状,使界面研究复杂化.
- 准确的界面表征对于新兴的LM应用程序至关重要,但扰乱滴滴形状的影响往往被忽视.
- 使用振荡式悬挂滴来研究LMM表面氧化物层的动态性质仍然是一个尚未探索的领域.
研究的目的:
- 开发一种机器学习模型,用于预测扰动悬挂滴的表面张力.
- 用振荡诱导的泡张力计来研究氧化物涂层LM滴的动态弹性模量.
- 为液体金属的界面研究提供一个更准确和更通用的方法.
主要方法:
- 创建了一个LM吊滴形状参数的数据集,并用于训练各种机器学习模型进行表面张力预测.
- 使用振荡诱导泡张力计法研究氧化物涂层LM滴在空气中的动态弹性和粘性模块.
- 使用表现最好的ML模型来预测非轴对称LM液滴的表面张力值.
主要成果:
- 机器学习模型在预测扰乱的悬浮液滴的表面张力方面达到99%以上的准确性,为其他流体展示了多功能性.
- 该研究成功分析了氧化物涂层LM液滴的动态弹性和粘性模块,为昂贵的风湿计提供了替代方案.
- 开发的方法可以研究对称和扰乱滴,促进LM氧化物层的基础研究.
结论:
- 这项研究引入了新的机器学习和振荡式滴滴方法,以克服研究氧化物涂层液体金属的挑战.
- 这些发现使液体金属的界面特征能够更准确,这对于推进基于LM的技术至关重要.
- 机器学习和先进张力计的协同应用扩大了材料科学研究在表面和界面现象的范围.
