ParticleTensorAI®理念
当液滴或颗粒穿过整形光场时，光学探测器会记录一连串随时间变化的散射信号。ParticleTensorAI®保留该信号流中选定的一段时间间隔，并将其表示为张量，用于基于AI的评估。
分析着眼于整个记录时间间隔内的模式，而无需先将每个液滴事件单独分离出来。信号形状、强度、时间结构以及探测器通道之间的关系都可以为模型提供信息。Particle Tensor表示的是测得的光学信号，而不是喷雾的相机图像。
从信号序列到材料与过程信息
根据测量装置和经过验证的模型，ParticleTensorAI®可以估算或分类多种特性，例如悬浮颗粒的平均粒径、质量浓度以及与材料相关的光学特性。它还可用于研究材料成分或喷雾条件的变化。
其核心理念是从信号序列的整体结构中获取信息。可获得的输出取决于光学配置、参考数据以及针对该应用开发的模型。
基于AI的张量评估
ParticleTensorAI®完全采用基于AI的评估。在模型开发过程中，记录的张量与参考测量或规定的材料和过程条件相关联。通过验证可以确定，在预定应用范围内，模型估算特性或区分不同条件的可靠程度。
张量表示对记录的信息进行组织，以便于分析。其有效性取决于能否保留与测量任务相关的信号特征，以及是否采用合适的评估模型。
ParticleTensorAI®、SprayQuantAI®与SprayConeAI®对比
这三个平台针对喷雾表征的不同层面：缓冲光散射序列、单个液滴的信号特征以及喷雾图像。
| 平台 | 评估数据 | 分析方案 | 主要侧重 |
|---|---|---|---|
| ParticleTensorAI® | 以张量表示的缓冲光散射序列 | 基于AI分析整个记录时间间隔内的模式 | 针对具体应用的颗粒、材料和过程表征 |
| SprayQuantAI® | 单个液滴的光散射信号特征 | 逐个液滴进行经典评估或基于AI的评估 | 由单个事件得出的液滴特性和喷雾统计数据 |
| SprayConeAI® | 喷雾锥和喷雾图样的图像 | 基于图像的分析 | 喷雾锥几何形状和喷雾空间图样 |
SprayQuantAI®处理每个单独检测到的液滴的光散射信号特征。ParticleTensorAI®评估缓冲信号序列中的模式。SprayConeAI®则利用图像分析可见的喷雾几何形状。
参考文献
[1] W. Schaefer, “KI-gestütztes Verfahren zur Analyse eines Ensembles dynamischer Teilchen oder einer Teilchenwolke durch Auswertung eines aus einem kontinuierlichen Datenstrom von Lichtstreusignalen generierten Bildes,” 德国专利申请DE 10 2025 120 569.8，2025年5月27日提交。
[2] W. Schaefer, T. Jakobs, and P. Stegmann, “AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray,” in Proc. 41st Int. Symp. on Combustion (ISOC), Kyoto, Japan, Jul. 26–31, 2026, Combustion Institute, doi: 10.5445/IR/1000196272. [Online]. Available: https://publikationen.bibliothek.kit.edu/1000196272.
[3] W. Schäfer, T. Jakobs, and P. Stegmann, “KI-gestützte, Tensor basierte Charakterisierung von Tropfen und Partikeln aus kontinuierlichen Lichtstreusignalen,” in Jahrestreffen der DECHEMA/VDI-Fachgruppen Kristallisation und Trocknungstechnik 2026, Frankfurt am Main, Germany, Mar. 4–6, 2026. https://dechema.de/JTR_KRI_TRO_2026.html