相关实验视频
Updated: Jul 10, 2025
06:16
Scalable Stamp Printing and Fabrication of Hemiwicking Surfaces
Published on: December 18, 2018
7.3K
机器学习方法用于预测带有微型柱子纹理的表面的湿度
Seyong Choi1, Kiduk Kim1, Kisang Byun1
1Department of Nanoenergy Engineering, Pusan National University, Busan 46241, South Korea.
Langmuir : the ACS journal of surfaces and colloids
|November 20, 2023
概括
我们开发了一个卷积神经网络 (CNN) 模型,以预测微尺度柱状表面上水滴的接触角度 (CA). 这个模型准确地预测了表面的湿透性,减少了对超疏水表面工程的实验试验和错误.
科学领域:
- 表面科学是一门科学.
- 材料科学是一种材料科学.
- 计算建模计算建模
背景情况:
- 使用微尺度柱子调整表面湿透性对于像超疏水表面这样的应用至关重要.
- 表面湿度是通过接触角度 (CA) 量化,但对柱状表面的准确预测仍然具有挑战性.
- 在制造前预测CA可以最大限度地减少实验代,并优化表面设计.
研究的目的:
- 在具有微尺度柱的表面上开发接触角 (CA) 的预测模型.
- 使用卷积神经网络 (CNN) 进行准确的CA预测.
- 为了实现表面的高效设计,具有所需的湿透性特性.
主要方法:
- 一个卷积神经网络 (CNN) 模型被开发来预测表面湿度.
- 该模型使用了表面地形的三维描述器.
- 美国有线电视新闻网 (CNN) 使用实验数据对具有矩形和圆柱柱的表面进行了训练和验证.
主要成果:
- CNN模型准确地预测了柱状表面的实验接触角度 (CA).
- 预测错误与CA测量的固有不确定性相当.
- 该模型证明了从表面地形学中预测湿度的可行性.
结论:
- 一个CNN模型提供了一个准确而高效的方法来预测表面湿度.
- 这种方法可以显著减少在表面工程中的经验实验的需要.
- 开发的模型有助于设计定制的超水和其他可湿表面.
