通过深度学习增强的模型,在非球形滴滴表面上对电子喷射粒子组合进行模拟
Nasir Amiri1, Joseph M Prisaznuk2, Peter Huang2
1Department of Mechanical and Aerospace Engineering, University at Buffalo, Buffalo, NY 14260, USA. xinyong@buffalo.edu.
Soft matter
|January 2, 2025
概括
这项研究展示了一种机器学习方法,用于精确控制先进的增材制造中滴滴表面上的体颗粒组合. 该方法准确地预测了粒子排列,优化了薄膜制造.
科学领域:
- 合体和表面科学科学
- 计算材料科学科学 计算材料科学
- 添加剂制造 添加剂制造 添加剂制造
背景情况:
- 在液体接口处单层装配带电的合粒子对于开发先进的薄膜材料和设备至关重要.
- 了解曲面接口中的粒子动态对于控制组装结构至关重要.
研究的目的:
- 为了研究在曲线滴状接口上喷射电气的合体颗粒的动力学.
- 开发一个结合基于物理的模拟和机器学习的计算框架,用于预测粒子组合.
- 确定最佳参数,以实现高可靠性粒子组装.
主要方法:
- 利用一个网格受约束的布朗动力学 (BD) 算法与Ansys®电场模拟相结合.
- 采用深度神经网络替代模型来预测粒子组合的辐射分布函数 (RDF).
- 集成的替代模型与贝叶斯优化,以确定最佳的粒子和基质电荷密度.
主要成果:
- 静电排斥,电泳力和布朗运动被确定为控制组装结构的关键因素.
- 深度学习模型准确地预测了RDF配置文件,与实验数据相似度达到96.4%.
- 确定了最佳的电荷密度,导致模拟组件在实验中的平均债券顺序参数不同不到5%.
结论:
- 基于深度学习的方法显著降低了计算成本,同时在预测体组合方面保持了高准确性.
- 推断的电荷密度为在电喷过程中表面电荷积累提供了关键的见解.
- 这种方法通过精确控制颗粒组装来推进具有定制性质的薄膜的增材制造.
