Fortschritte bei der Messung von Tropfengrössen mit maschinellem Lernen

Tropfengrösse und wie sie zerfallen, sind wichtig in vielen Bereichen wie Verbrennung, Spritzlackierung, Medizin und sogar beim Studieren, wie Krankheiten sich ausbreiten. Wenn Tropfen in kleinere Stücke zerfallen, können die kleineren Tropfen Dinge wie Wetterbedingungen, Wolkenbildung und wie Substanzen sich in der Luft vermischen, beeinflussen.

#Traditionelle Methoden zur Messung der Tropfengrösse

Um Tropfengrössen zu messen, nutzen Forscher oft Techniken wie Laserbeugung und Phase Doppler-Partikelanalysator.

• Laserbeugung (LD): Diese Methode basiert darauf, dass Licht, das auf einen Tropfen trifft, in einem bestimmten Muster gestreut wird. Die Grösse des Tropfens beeinflusst, wie dieses Muster aussieht. Durch die Analyse dieses Musters können Forscher die Grösse der Tropfen schätzen.

• Phase Doppler-Partikelanalysator (PDPA): Diese Methode misst Änderungen im Licht, während es von Tropfen gestreut wird. Damit kann man Infos über die Grösse und Geschwindigkeit der Tropfen bekommen, was nützlich ist, um Sprays zu studieren.

Obwohl diese Methoden ihre Vorteile haben, haben sie auch Einschränkungen. Zum Beispiel liefert die Laserbeugung nur Durchschnittswerte entlang einer Linie und hat Schwierigkeiten mit überlappenden Tropfen. PDPA hingegen ist normalerweise auf runde Tropfen beschränkt.

#Der Aufstieg der digitalen Inline-Holographie

Die digitale Inline-Holographie (DIH) hat sich als spannende Alternative herausgestellt. Sie erfasst 3D-Bilder von Tropfen und kann detailliertere Informationen liefern als andere Methoden. Anstatt spezifische Punkte zu messen, betrachtet DIH ein ganzes Gebiet auf einmal, was ermöglicht, ein vollständiges Bild vom Verhalten der Tropfen zu bekommen.

DIH funktioniert, indem ein Laser Licht auf Tropfen strahlt und dann das Interferenzmuster aufnimmt, das durch das gestreute Licht entsteht. Dieses Muster enthält alle Infos, die nötig sind, um ein 3D-Bild des Tropfens zu rekonstruieren.

Das Problem liegt jedoch darin, die Tropfen aus diesem komplexen Lichtmix zu trennen. Forscher haben verschiedene Methoden vorgeschlagen, um dieses Problem zu lösen, darunter den Einsatz von Algorithmen, die die Pixelintensität und andere Merkmale der Bilder analysieren.

#Maschinelles Lernen in der Holographie

Eine vielversprechende Methode ist der Einsatz von maschinellem Lernen. Mit maschinellem Lernen können Computer lernen, Muster in Daten zu erkennen, was ihnen hilft, Tropfen in holografischen Bildern genauer zu identifizieren und zu messen.

In unserer Studie haben wir fünf verschiedene Architekturen für maschinelles Lernen bewertet-U-Net, R2 U-Net, Attention U-Net, V-Net und Residual U-Net. Jede dieser Architekturen hat besondere Stärken und funktioniert unterschiedlich, um Bilder zu analysieren und zu klassifizieren.

1. U-Net: Dieses Modell ist populär für die Bildsegmentierung und erfasst effizient sowohl detaillierte als auch kontextuelle Informationen, was es ideal macht für die Analyse holografischer Bilder.

2. R2 U-Net: Eine verbesserte Version von U-Net, die ein spezielles Modul verwendet, um die Leistung zu steigern und das Modell robuster zu machen.

3. Attention U-Net: Dieses Modell betont bestimmte Teile eines Bildes, wodurch es sich mehr auf relevante Bereiche konzentrieren kann, während weniger wichtige ignoriert werden.

4. V-Net: Zielt auf volumetrische Daten ab und verwendet 3D-Faltungen, um Bilder mit Tiefe zu analysieren.

5. Residual U-Net: Kombiniert Eigenschaften von U-Net und Residual-Netzwerken, um die Lern Ergebnisse zu verbessern.

#Training von Modellen für maschinelles Lernen

Um diese Modelle zu trainieren, haben wir sowohl synthetische Daten (künstlich erstellt) als auch reale Daten aus Experimenten verwendet. Synthetische Bilder wurden erzeugt, die verschiedene Grössen und Positionen von Tropfen enthalten. Dieser Ansatz hat es uns ermöglicht, einen vielfältigen Datensatz zu erstellen, um unsere Modelle zu trainieren.

Als nächstes haben wir holografische Bilder mit speziellen Algorithmen rekonstruiert und dann unsere Modelle für maschinelles Lernen trainiert, um Tropfen in diesen Bildern zu erkennen. Das Modell wurde bewertet, basierend darauf, wie gut es die Standorte und Grössen der Tropfen vorhersagen konnte.

#Experimentelles Setup zur Messung der Tropfengrösse

Für unsere Experimente haben wir ein Setup zur Tropfensprühung verwendet. Das beinhaltete eine Düse und Hochgeschwindigkeitskameras, um das Tropfenverhalten in Echtzeit zu erfassen. Wir haben zwei Hauptaufgaben durchgeführt: zu beobachten, wie Tropfen auseinanderbrechen, und Holographie zu verwenden, um Daten über die Grösse der resultierenden kleineren Tropfen zu sammeln.

Durch die Kombination von Schattengraphie (einer Technik zur Visualisierung von Tropfen) und digitaler Inline-Holographie haben wir den Tropfenfragmentierungsprozess dokumentiert. Dadurch hatten wir Bilder, die wir analysieren konnten, und konnten die Grössen der Tropfen verfolgen, während sie sich im Laufe der Zeit änderten.

#Ergebnisse aus den Modellen für maschinelles Lernen

Nach dem Training der Modelle mit synthetischen Bildern haben wir sie auf reale experimentelle Daten angewendet. Wir haben festgestellt, dass sowohl U-Net als auch R2 U-Net hervorragende Leistungen bei der Erkennung und Messung von Tropfen zeigten.

Die Ergebnisse zeigten, dass die Tropfen nach dem Zerfall deutliche Gruppen basierend auf ihren Grössen bildeten. Dieses Verhalten wird als multimodale Verteilung bezeichnet, bei der mehrere Spitzen Grössen beobachtet werden können, die verschiedenen Fragmentierungsprozessen entsprechen.

#Vergleich der analytischen Modelle

Um unsere Ergebnisse weiter zu verbessern, haben wir die von unseren Modellen für maschinelles Lernen extrahierten Grössen mit Vorhersagen von analytischen Modellen unter Verwendung von Gamma- und Lognormalverteilungsfunktionen verglichen. Die Gamma-Verteilung lieferte eine genauere Darstellung der Grössen, die wir experimentell beobachtet haben.

#Fazit

Diese Forschung beleuchtet, wie maschinelles Lernen die Art und Weise verbessern kann, wie wir Tropfengrössen messen und ihr Verhalten verstehen. Durch die effektive Kombination traditioneller Methoden wie digitaler Inline-Holographie mit fortschrittlichen Techniken des maschinellen Lernens können wir tiefere Einblicke in die Fluiddynamik in verschiedenen Anwendungen gewinnen.

Maschinelles Lernen verbessert nicht nur die Messgenauigkeit, sondern eröffnet auch neue Möglichkeiten zur Untersuchung komplexer Fluidverhalten in Echtzeit. Mit dem technologischen Fortschritt wird die Integration dieser Ansätze wahrscheinlich zu weiteren Verbesserungen unseres Verständnisses und der Manipulation von Tropfen in verschiedenen Bereichen führen.