通过第三相场模型和机器学习来解开石油-微泡相互作用,以提高表面清洁
Mohammadreza Shirzadi1, Yuki Yuhara1, Tomonori Fukasawa1
1Chemical Engineering Program, Graduate School of Advanced Science and Engineering, Hiroshima University, 1-4-1, Kagamiyama, Higashi-Hiroshima, Hiroshima 739-8527, Japan.
Langmuir : the ACS journal of surfaces and colloids
|July 30, 2025
概括
这项关于油性表面清洁的研究表明,支向量机 (SVM) 模型准确地预测了微泡 (MB) 和油滴相互作用. 结合SVM和扩散系数的混合方法可以实现100%的准确性,从而实现有效的清洁.
科学领域:
- 流体动力学 流体动力学
- 表面科学是一门科学.
- 计算建模计算建模
背景情况:
- 油性表面的清洁通常涉及微泡 (MB) 与粘附在表面的油滴的相互作用.
- 了解这些动态对于优化清洁效率至关重要.
- 现有的模型在与所涉及的复杂,非线性相互作用作斗争.
研究的目的:
- 开发和验证微泡-油滴碰撞动态的预测模型.
- 评估传统方法与机器学习方法对互动结果分类的有效性.
- 提出一个实用的模型,用于工程应用在油性表面的清洁.
主要方法:
- 采用使用三元相场方法的高分辨率数值模型.
- 创建了一个由182个样本组成的计算流体动力学数据库,这些样本具有不同的参数,如接触角度,界面张力和滴滴/泡泡大小.
- 开发和测试了支持矢量机 (SVM) 和混合SVM扩散系数模型.
主要成果:
- 传统的扩散系数方法在准确分类MB-油滴脱落时显示出局限性.
- 基于SVM的分类显著提高了MB-油相互作用的预测准确性.
- 综合扩散系数和SVM的混合模型在各种毛细管数中实现了100%的准确性.
结论:
- 与传统方法相比,机器学习,特别是SVM,在预测MB-油滴相互作用方面提供了更高的准确性.
- 混合SVM方法为油性表面清洁应用提供了强大的和高度准确的方法.
- 为实际工程用途提出了一个简化的相关性模型.
