D3SAI: a data-driven platform for measuring interfacial tension using machine learning and drop shape analysis
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
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.
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