Predicting Impact Outcomes and Maximum Spreading of Drop Impact on Heated Nanostructures Using Machine Learning
Notice bibliographique
Résumé
Accurate prediction of droplet behavior upon impact on a heated nanostructured surface is vital for various industrial applications. In this study, we leverage multiple data-driven machine learning (ML) techniques to model the impact outcome and droplet spreading, employing existing experimental data. Our approach incorporates a comprehensive range of critical control parameters, such as the impact velocity ( V ), surface temperature ( T s ), nanopillars’ packing fraction (ϕ), and surface roughness ( r ). We obtain optimal results when utilizing the artificial neural network classification (ANNC) to construct a phase diagram that encompasses all of the experimental impact behaviors. Additionally, we utilize the support vector regression (SVR) method to model the maximum spreading factor (β max ) as a function of the Weber number ( We ), defined as the ratio of droplet kinetic to surface energy, and T s for each surface combination. Consistent with previous experimental observations, our results illustrate that nanostructures not only introduce distinct impact behaviors, such as central jetting, but also influence the boundaries among the deposition, rebound, and splashing regimes within the phase diagram. An increase in ϕ at a constant r promotes deposition and spreading events, while increasing r at a constant ϕ results in enhanced heat transfer to promote the Leidenfrost effect for the rebound regime and a greater disturbance of the liquid lamella to trigger splashing. The SVR prediction reveals the existence of a We -number threshold governed by the nanostructure parameters. Beyond this threshold, the maximum spreading factor (β max ) of a spreading droplet becomes independent of the surface temperature ( T s ) as We increases, suggesting that fluid properties are likely the dominating factors influencing the spreading dynamics in the extreme We range.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».