D3SAI: a data-driven platform for measuring interfacial tension using machine learning and drop shape analysis
Notice bibliographique
Résumé
Abstract Interfacial tension in biphasic systems plays a key role across many industrial processes. We present a Data-Driven Drop Shape Analysis method (D3SAI) that uses XGBoost to accurately estimate interfacial tension. D3SAI uses a pendant drop image of a biphasic liquid as an input and determines the interfacial tension through image processing, feature extraction, and machine learning. The accuracy of each step has been evaluated using both synthetic and experimental pendant drops. D3SAI implements a traditional drop shape analysis approach to generate a large library of synthetic pendant drops. This step is necessary to support reliable model training. Then, certain physical properties of the drop profile are extracted to represent the shape characteristics of the pendant drops. The extracted features are used to train the XGBoost model to predict interfacial tension. Using drop features rather than coordinates significantly reduces the input size and as a result the cost of computation in the training process. This makes D3SAI easier to retrain on large datasets for a variety of drop shapes and applications. D3SAI estimates the interfacial tension of well-deformed drops with less than 1.2% inaccuracy. Tests on experimental images confirm that D3SAI provides consistent and accurate results, making it suitable for large-scale measurements. Moreover, D3SAI predicts the surface tension of less-deformed (circular) drops with less than 8% inaccuracy. Although less-deformed drops are not ideal for surface tension measurements, they are sometimes necessary, for example, when working with ultra-low tension systems.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».