Computer Vision-Assisted High-Throughput Screening of Crystallization Additives for Crystal Size, Shape, and Agglomeration Regulation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Additives are widely employed to regulate the morphology, size, and agglomeration degree of crystalline materials during crystallization to enhance their functional, physical, and powder properties. However, the existing methods for screening and validating target additives require a large quantity of materials and involve tedious molecular simulation/crystallization experiments, making them time-consuming, resource-intensive, and reliant on the operator’s experience level. To overcome these challenges, we proposed a computer vision-assisted high-throughput additive screening system (CV-HTPASS) which comprises a high-throughput additive screening device, in situ imaging equipment, and an artificial intelligence (AI)-assisted image-analysis algorithm. Using the CV-HTPASS, we performed high-throughput screening experiments on additives to regulate the succinic acid crystal properties, generating thousands of crystal images with diverse crystal morphologies. To extract valuable crystal information from the massive data and improve the analysis accuracy and efficiency, the AI-based image-analysis algorithm was implemented innovatively for the segmentation, classification, and data mining of crystals with four morphologies to further screen the target additive. Subsequently, scale-up crystallization experiments conducted under optimized conditions demonstrated that succinic acid products exhibited a preferred cubic morphology, reduced agglomeration degree, narrowed crystal size distribution, and improved powder properties. The proposed CV-HTPASS offers a highly efficient approach for scale-up experiments. Further, it provides a platform for the screening of additives and the optimization of the powder properties of crystal products in industrial-scale crystallization processes.
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.
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 découle