使用机器学习预测冲击结果和对加热的纳米结构下降冲击的最大传播

科学领域:

• 流体动力学 流体动力学
• 材料科学是一种材料科学.
• 机器学习 机器学习

背景情况:

• 预测加热表面上的滴滴行为对于工业应用至关重要.
• 纳米结构表面具有独特的热和流体特性.
• 现有的模型往往缺乏全面的参数集成.

研究的目的:

• 开发数据驱动的机器学习模型,用于预测滴水冲击结果和在纳米结构表面上的传播.
• 为了确定控制滴水与表面相互作用的关键参数.
• 构建滴滴撞击行为预测阶段图.

主要方法:

• 使用人工神经网络分类 (ANNC) 来构建阶段图.
• 使用支持向量回归 (SVR) 来建模最大扩散因子.
• 嵌入的关键参数:冲击速度,表面温度,纳米柱包装分数和表面粗度.

主要成果:

• ANNC成功生成了一个包含所有实验冲击行为的相位图.
• SVR准确地模拟了最大扩散因子作为韦伯数和表面温度的函数.
• 纳米结构被证明可以影响沉积,反弹和喷制度,引入像中央喷射这样的行为.

结论:

• 纳米结构参数 (包装分数和粗度) 极大地影响滴滴撞击结果.
• 增加的包装分数促进沉积和扩散.
• 增加的粗度增加了热传递,促进了莱登效应和喷.