这篇学术论文介绍了一种测定单个喷雾液滴折射率和质量浓度的AI辅助方法。该方法利用TSTOF光散射信号和机器学习，从喷雾中的动态液滴提取与材料相关的信息。
经典的光学喷雾测量通常关注液滴粒径和速度。然而，许多工业和科研应用还需要更多信息。例如，用户可能需要了解单个液滴内部的折射率、液体成分或质量浓度。AI辅助液滴分析有助于从复杂的光学信号中提取这些信息。
TSTOF测量与光散射信号
TSTOF测量原理分析穿过整形光束的运动液滴所产生的时移光散射信号。这些信号包含有关液滴运动、光学特性和材料特性的信息。
在本研究中，人工智能（AI）辅助对这些信号进行评估。AI模型学习与折射率和质量浓度相关的信号模式。由此，该方法将经典液滴测量拓展到材料敏感型喷雾诊断。
喷雾液滴的折射率与质量浓度
折射率是液体的一项重要光学特性。它随液体成分而变化，因而能够提供有关混合物、溶液和工艺条件的宝贵信息。
质量浓度对许多喷雾工艺同样重要。它可以描述液滴内部溶解或悬浮物质的含量，与涂装工艺、浆料喷雾、燃油喷雾、化学工艺及其他多相应用密切相关。
通过将TSTOF光散射信号与AI辅助分析相结合，该方法能够评估单个喷雾液滴，而不仅仅是平均喷雾特性，从而更细致地呈现喷雾成分和工艺行为。
从经典喷雾诊断到AI辅助分析
本文展示了光学测量技术如何超越经典的粒径和速度测量。借助AI辅助液滴分析，用户可以从同类光散射信号中提取更多信息。
因此，该方法为喷雾测量技术、颗粒表征、材料分析和工业过程监测带来了新的应用，同时将成熟的TSTOF诊断技术与现代基于AI的信号评估相结合。
应用潜力
AI辅助液滴分析可以帮助研究人员和工程师更好地理解复杂喷雾，可用于表征液体混合物、浓度变化、涂料、浆料液滴以及其他动态多相体系。
该方法在实时喷雾监测方面也具有潜力。在未来的应用中，此类方法有望帮助更早发现工艺变化、改进质量控制，并支持更稳定的工业喷雾工艺。
AI Assisted Determination of Refractive Index and Mass Concentration of Individual Spray Droplets Using TSTOF Light-Scattering Signals
Walter Schäfer, E. Goldenberg, M. Al-Naggar and W. Schaufler
摘要：本研究探讨了由Time-Shift–Time-of-Flight（TSTOF）仪器记录的光散射信号是否包含足以反演折射率和质量浓度的信息，并展示了人工智能（AI）如何利用这些信息。准确测定单个动态液滴的折射率和质量浓度，对于表征工业喷雾工艺中的透明液滴和悬浮液液滴至关重要。传统光学诊断方法无法为运动中的单个液滴提供这些物理量，而目前基于TSTOF的仪器通常仅限于测量粒径、速度和不透明度，在稠密喷雾条件下尤其如此。我们对浓度为0%至100%的悬浮液液滴，以及折射率在1.30至1.40之间的水–甘油混合物透明液滴进行了受控测量。对于每个液滴，在其穿过椭圆高斯光束时记录光散射信号。基于这些信号的不同组合训练了AI模型。结果表明，AI增强的TSTOF诊断能够对动态液滴进行实时、成分敏感的表征，并显著拓展了当前光学喷雾测量系统的能力。
https://www.sciencedirect.com/science/article/abs/pii/S0142727X26001839?via%3Dihub
