本文报告了在固体表面上溅出的滴滴和时间演化的特征,这些特征是通过图像序列分类提取的,使用高度可解释的前馈神经网络(FNN),其隐藏层为零。用于训练验证和测试FNN的图像序列显示了毫米大小的乙醇滴的早期变形,这些乙醇液滴会影响亲水性玻璃基材,Weber数量范围为31-474(溅出阈值约为173)。进行特定的摄像条件和数字图像处理,以确保图像序列之间的高相似性。结果,受过训练的FNN的测试精度高于96%。值得注意的是,该特征提取表明,受过训练的FNN鉴定出空气动力学上升起的二滴液滴的时间演变,而主体的相对较高的轮廓是溅出的特征,而相对较短的薄片则是相对较短而厚的薄片。非挡板滴的功能。除了溅到和非挡块滴剂之间主体的轮廓高度的差异外,已经确定了这些特征的物理解释及其各自的时间进化。这项研究中报道的观察结果对于开发数据驱动的模拟很重要,以建模对固体表面撞击期间溅出的滴落变形。
translated by 谷歌翻译