Computer Vision-Assisted High-Throughput Screening of Crystallization Additives for Crystal Size, Shape, and Agglomeration Regulation
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».