Machine Learning-Aided Microdroplets Breakup Characteristic Prediction in Flow-Focusing Microdevices by Incorporating Variations of Cross-Flow Tilt Angles
Notice bibliographique
Résumé
Controlling droplet breakup characteristics such as size, frequency, regime, and droplet quality within flow-focusing microfluidic devices is critical for different biomedical applications of droplet microfluidics such as drug delivery, biosensing, and nanomaterial preparation. The development of a prediction platform capable of forecasting droplet breakup characteristics can significantly improve the iterative design and fabrication processes required for achieving desired performance. The present study aims to develop a multipurpose platform capable of predicting the working conditions of user-specific droplet size and frequency and reporting the quality of the generated droplets, regime, and hydrodynamical breakup characteristics in flow-focusing microdevices with different cross-junction tilt angles. Four different neural network-based prediction platforms were compared to accurately estimate capsule size, generation rate, uniformity, and circle metric. The trained capsule size and frequency networks were optimized using the heuristic optimization approach for establishing the Pareto optimal solution plot. To investigate the transition of the droplet generation regime (i.e., squeezing, dripping, and jetting), two different classification models (LDA and MLP) were developed and compared in terms of their prediction accuracy. The MLP model outperformed the LDA model with a cross-validation measure evaluated as 97.85%, demonstrating that the droplet quality and regime prediction models can provide an engineering judgment for the decision maker to choose between the suggested solutions on the Pareto front. The study followed a comprehensive hydrodynamical analysis of the junction angle effect on the dispersed thread formation, pressure, and velocity domains in the orifice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».