ParticleTensorAI®将时间分辨的光散射数据转换为AI分析的结构化输入。该方法不仅仅评估单个颗粒事件的孤立数值，而是可以保留来自一个或多个探测器的信号序列，并将其排列成一种称为Particle Tensor的多维数据结构。
什么是Particle Tensor？
在此语境下，张量是数值测量数据的一种结构化排列。它可以保留信号采样点、探测器通道与所选测量区间之间的关系。该术语描述的是用于计算分析的数据格式，并非指颗粒的某种独立物理特性。
具体的张量格式取决于测量任务和AI模型。并不存在一种必须用于所有ParticleTensorAI®应用的统一表示形式。
数据转换的概念
从测量信号到Particle Tensor的转换可分为以下几个阶段：
- 记录探测器信号：当液滴或颗粒穿过测量区域时，光学探测器采集随时间变化的光散射信号。
- 选择测量序列：保留所记录数据中的一个确定区间用于分析。该区间可包含多次颗粒相互作用的信息。
- 排列数据：将信号采样点组织成多维结构。根据所选方法，该表示形式可保留时间信息以及探测器通道之间的关系。
- 准备模型输入：按照为该测量目标开发的AI模型，以一致的方式对Particle Tensor进行格式化。
- 评估张量：模型对张量进行分析，并输出针对该任务定义的分类或估计结果。
所有数据处理步骤在模型开发和后续评估中都必须保持一致。张量表示应保留分析目标所需的信号信息。
保留信号数据中的关系
信号序列所包含的信息远不止其最大强度或平均强度。其随时间变化的结构可能包括幅值、波形形状、时间的变化，以及不同探测器信号之间的关系。
将数据表示为Particle Tensor，可使AI模型综合评估这些特征。当分析可能取决于整个测量区间内的模式，而非单个数值或单独识别的颗粒事件时，这一点尤为有用。
基于图像的张量表示
表示信号数据的一种可能方式是将其表示为图像。在一项已发表的关于煤-单乙二醇浆料喷雾的研究中，探测器信号被映射到RGB图像通道。所得的Particle Tensor表示以煤颗粒平均粒径和质量浓度进行标注，并用于训练卷积神经网络进行分类。
这种基于图像的表示只是将信号序列转换为模型输入的一个示例。对于不同的探测器布置、测量数据或分析目标，其他张量格式可能更为合适。
训练与参考信息
对于有监督的AI分析，Particle Tensor需与参考信息相关联，例如已知的材料条件或测量结果。模型学习将张量数据与这些参考关联起来的模式。
训练数据应能代表模型预期使用的条件。需要进行独立验证，以评估模型在训练中未使用的数据上的可靠性。
重要注意事项
- Particle Tensor是一种数据表示，而非直接的测量结果。
- 张量格式和数据准备取决于测量任务和所选的AI模型。
- 参考标签会影响有监督模型能够学习分类或估计的内容。
- 模型输出需要在相关的材料和工艺条件下进行验证。
研究示例
KITopen上的研究“AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray”描述了一种用于分析光散射数据的基于图像的Particle Tensor方法。该研究探讨了在所测试的浆料喷雾条件下，对煤颗粒平均粒径和质量浓度进行分类的方法。