使用多个机器学习 (ML) 模型,间接预测多糖凝的3D打印能力
Tiantian Tang1, Min Zhang2, Benu Adhikari3
1State Key Laboratory of Food Science and Resources, Jiangnan University, 214122 Wuxi, Jiangsu, China; China General Chamber of Commerce Key Laboratory on Fresh Food Processing & Preservation, Jiangnan University, 214122 Wuxi, Jiangsu, China.
International journal of biological macromolecules
|September 19, 2024
概括
近红外 (NIR) 光谱和低场核磁共振 (LF-NMR) 与机器学习 (ML) 结合,准确地预测了多糖凝的质和可打印性. 这使得3D打印应用的智能评估成为可能.
科学领域:
- 食品科学与技术 食品科学与技术
- 材料科学是一种材料科学.
- 分析化学是一种分析化学.
背景情况:
- 多糖凝在食品和生物医学应用中至关重要,需要精确控制质性质和可打印性.
- 快速准确地预测这些特性对于优化凝配方和3D打印过程至关重要.
研究的目的:
- 为了比较近红外 (NIR) 光谱和低电场核磁共振 (LF-NMR) 数据的有效性,以预测多糖体凝的质性质.
- 使用这些预测模型来评估多糖体凝的可打印性.
- 建立一个智能系统来评估多糖凝的3D打印行为.
主要方法:
- 他们使用了七种机器学习 (ML) 模型,包括部分最小平方回归 (PLSR),支持向量回归 (SVR),反向传播人工神经网络 (BPANN),1D卷积神经网络 (1D CNN),反复神经网络 (RNN),长短期记忆 (LSTM) 和变压器.
- 模型使用NIR光谱和LF-NMR数据进行训练和验证,以预测风湿学参数 (例如粘度,弹性).
- 使用R平方 (R2) 和预测与偏差比率 (RPD) 等指标评估预测准确度.
主要成果:
- 基于NIR光谱的SVR,BPANN和1D CNN模型实现了高预测精度的风湿学参数 (R2高达0.9796,RPD高达7.0708).
- 与横向放松时间和峰值区域相比,LF-NMR数据,特别是放松时间分布曲线,可以更好地预测质性质.
- 基于LF-NMR的PLSR,SVR,1D CNN和变压器模型显示出出色的预测性能 (R2高达0.9869,RPD高达8.7220).
结论:
- 通过使用NIR和ML的LF-NMR数据,成功开发了一种针对多糖凝风湿和3D打印性能的强大预测系统.
- 该研究强调了将光谱和磁共振技术与先进的ML相结合的潜力,以对凝特性进行智能评估.
- 这些发现为高效的质量控制和流程优化铺平了道路,用于基于多糖的材料的3D打印.
