Machine learning-based splash prediction model for drops impact on dry solid surfaces
Notice bibliographique
Résumé
The impact of drops on dry solid surfaces has important applications in engineering. The post-impact behavior of drops can be classified into non-splash and splash, and there is a lack of splash prediction models that well consider the independent and coupled effects of liquid properties, drop impact characteristics, and surface properties. In this study, machine learning methods of Random Forest (RF) and Support Vector Machine (SVM) are applied to build splash prediction models and analyze the effects of different features. The RF model achieves good prediction accuracy and identifies the roughness R*, Weber number We, Reynolds number Re, and contact angle θeq as the most influential parameters, with decreasing importance. The interpretability analysis shows the increasing splashing tendency with increasing We, Re, and R* and decreasing cos θeq, and a special case of non-splash by drops impact on hydrophobic surfaces with cos θeq ≈ −0.45 is found, which can be explained by the coupled effects of drop and surface features. The classical splash prediction model, K-parameter model, is improved by SVM in an explicit form and considering the effects of liquid properties, drop impact characteristics, and surface properties. The improved K-parameter model has good performance for surfaces with various roughness and wettability, and its prediction accuracy reaches 86.49%, which is significantly higher than 67.57% of the K-parameter model, 46.49% of the Riboux and Gordillo model, and 66.10% of the Zhang model. This study is expected to provide valuable insight into the control of non-splash or splash of drops according to different requirements during applications.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 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 tête enseignante, 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 ».