SprayQuantAI®的理念
液滴穿过特定形状的光场时，会产生随时间变化的光散射特征。所记录的信号形状、信号参数和时间特征包含了有关液滴及其与光相互作用的信息。
SprayQuantAI®逐个液滴地评估这一特征。根据探测器配置的不同，该特征由单个探测器信号或来自同一液滴的多路同步信号构成。因此，单液滴分析并不意味着只能使用一个探测器。
从单个液滴到喷雾信息
根据所选配置和方法，评估可提供液滴粒径、速度以及数量或速率。将大量单独探测到的液滴的结果加以汇总，即可得到喷雾的分布信息和随时间变化的信息。
如果其他光学特性或材料相关特性能够在测量特征中得到体现，并且光学设置和评估方法对此提供支持，也可以对其进行研究。例如，两路探测器信号之间的相对时序可为液滴成分分析提供附加信息。
经典评估与基于AI的评估
SprayQuantAI®支持经典TSTOF计算[1][2]和基于AI的信号评估[3][4]。经典方法采用确定的信号特征和物理关系；基于AI的方法则利用经合适参考数据训练的模型来评估光散射特征。
两种方法保持相同的核心理念：测量基于单个液滴的特征。所选方法、标定和验证决定了在具体应用中可获得哪些特性。
SprayQuantAI®、ParticleTensorAI®与SprayConeAI®对比
这三个平台针对喷雾表征的不同层面：单个液滴特征、缓存的光散射序列以及喷雾图像。
| 平台 | 评估数据 | 分析理念 | 主要关注点 |
|---|---|---|---|
| SprayQuantAI® | 单个液滴的光散射特征 | 逐个液滴的经典评估或基于AI的评估 | 由单个事件推导出的液滴特性和喷雾统计数据 |
| ParticleTensorAI® | 以张量形式表示的缓存光散射序列 | 对记录时段内模式的基于AI的分析 | 面向具体应用的颗粒、材料和过程表征 |
| SprayConeAI® | 喷雾锥和喷雾图样的图像 | 基于图像的分析 | 喷雾锥几何形状和空间喷雾图样 |
ParticleTensorAI®评估信号序列，无需在分析前将每个液滴事件单独分离。SprayConeAI®根据图像评估可见的喷雾几何形状。SprayQuantAI®则专注于与每个单独探测到的液滴相关联的光学特征。
参考文献
[1] W. Schaefer, L. Li, P. Stegmann, and M. Terada, “TSTOF測定法に関する技術報告書：第一部 ─ 技術的基礎、歴史的発展、および他のレーザー測定法との比較,” J. Coat. Technol. Res., vol. 61, no. 3, Art. no. 100, 2026. [Online]. Available: https://jcot.or.jp/download/61-03-2.pdf
[2] W. Schaefer, L. Li, P. Stegmann, and M. Terada, “Technical report on the TSTOF measurement method: Technical basics, historical development, and comparison with other laser-based measurement methods,” Photonics, vol. 13, no. 1, Art. no. 56, 2026, doi: 10.3390/photonics13010056. https://www.mdpi.com/2304-6732/13/1/56
[3] W. Schaefer and L. Li, “Particle characterization by analyzing light scattering signals with a machine learning approach,” in Proc. 16th Triennial Int. Conf. Liquid Atomization and Spray Systems (ICLASS), Shanghai, China, 2024. http://ilassasia.org/iclass-2024/
[4] W. Schaefer and L. Li, “Particle characterization by analyzing light scattering signals with a machine learning approach,” Appl. Opt., vol. 63, no. 29, pp. 7701–7711, Oct. 2024, doi: 10.1364/AO.531346. https://opg.optica.org/ao/abstract.cfm?uri=ao-63-29-7701