使用机器学习进行准确和强大的静态疏水接触角度测量
Daniel G Shaw1, Ran Liang2, Tian Zheng3
1Department of Chemical Engineering, University of Melbourne, Parkville, 3010 Victoria, Australia.
Langmuir : the ACS journal of surfaces and colloids
|July 30, 2024
概括
一个新的机器学习 (ML) 模型,Conan-ML,准确地测量静态接触角度 (>110°) 以最小的误差. 这种人工智能方法可显著加速高通量应用的接触角度分析.
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.
- 计算科学 计算科学
背景情况:
- 静态接触角度测量对于表征表面特性至关重要.
- 目前的方法,如-拉普拉斯合适是准确的,但耗时.
- 现有的技术可能容易出现人为错误,并且在处理复杂的表面条件时存在局限性.
研究的目的:
- 开发一种快速准确的机器学习模型,用于静态接触角度测量.
- 为了克服传统测法方法的局限性.
- 为高通量表面分析提供一个开源工具.
主要方法:
- 在超过720万个半滴轮上训练了一种机器学习模型,该轮来自于 - 拉普拉斯方程的解决方案.
- 纳入诸如表面粗度,重力,掉落大小和反射等因素到训练数据中.
- 开发了一个自动化图像和轮处理管道.
主要成果:
- ML模型,Conan-ML,在接触角度>110°时,估计误差为1°.
- 康南-ML比扬-拉普拉斯适配速度快两倍.
- 与实验数据集上的现有方法相比,证明了更高的准确性.
结论:
- 康南-ML方法为高通量接触角分析提供了一种强大且可重复的方法.
- 这种开源工具有助于促进测和表面表征的进步.
- 这种ML模型的速度和准确性为新的研究和工业应用铺平了道路.


