基于AI的喷雾诊断与ParticleTensorAI——KITopen发布新论文

我们的新论文“AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray”现已在卡尔斯鲁厄理工学院（KIT）的研究资料库KITopen上发布。

我们与KIT的Tobias Jakobs以及Patrick Stegmann合作，研究了人工智能（AI）如何从复杂喷雾液滴中提取有关颗粒的信息。

结果显示，预测准确率最高可达95%。

该研究是2026年7月26–31日在日本京都举行的41st International Symposium on Combustion（ISOC，第41届国际燃烧学术会议）的组成部分。

https://publikationen.bibliothek.kit.edu/1000196272

大多数光学喷雾测量系统每次只分析一个液滴。

它们检测液滴，评估其光学信号，并计算液滴粒径和速度等数值。

这种方式适用于许多喷雾测量。然而，复杂液滴包含的信息要多得多。其光散射信号还可能携带以下信息：

• 颗粒浓度、
• 颗粒粒径、
• 折射率、
• 材料成分、
• 以及其他物理特性。

在本研究中，我们采用了一种不同的方法。

我们不再仅挑选单个液滴信号，而是保留连续的光散射数据流，再由人工智能（AI）在这些数据中搜索有用的模式。

这种方法保留了更多的原始测量信息。

实验中我们使用了时移飞行时间法（Time-Shift Time-of-Flight，TSTOF）测量技术。

四个光学探测器记录液滴穿过测量体积时散射的光。每个探测器从不同角度观察液滴，因此各自产生独立的信号流。

ParticleTensorAI（PTA）将这些高速探测器信号转换为AI模型可以分析的结构化数据。

在论文中，我们测试了一种类似RGB图像的格式，将不同的探测器信号分配到红、绿、蓝三个通道。

这样，我们便可以使用常用于图像识别的卷积神经网络（CNN）来分析光学喷雾信号。

不过，这些ParticleTensorAI图像并不是喷雾的照片。

它们表示的是在规定时间段内来自众多液滴的光散射信号。

我们使用单乙二醇浆料液滴中的煤颗粒对该方法进行了测试。

实验涵盖了多种煤颗粒粒径和三种质量浓度：

• 5%
• 10%
• 20%

AI模型学会了根据光学信号区分不同的喷雾工况。

我们的原理验证测试达到了最高95%的预测准确率。

AI对质量浓度的识别比对平均煤颗粒粒径的识别更为可靠。

我们还发现，延长观测时间可以改善结果。更长的ParticleTensorAI包含来自更多液滴的信号，因此AI能够获得关于整个喷雾的更多信息。

研究的另一部分考察了光学探测器的数量。

在观测时间较短时，将各探测器信号分开处理效果更好；在观测时间较长时，探测器通道的数量则变得不那么重要。

这一结果对未来的测量系统尤其具有意义。

它表明，某些基于AI的喷雾诊断或许可以采用更简单的光学传感器设计和更少的探测器。

我们正在继续研究这一问题。

煤浆只是测试案例，ParticleTensorAI背后的核心理念具有更为广泛的潜在应用。

该方法可支持基于AI的以下分析：

• 悬浮液喷雾、
• 涂料液滴、
• 多组分液体、
• 含颗粒液滴、
• 材料浓度、
• 光学材料特性、
• 以及工业喷雾过程。

这正是传统数据分析与ParticleTensorAI理念之间的重要区别。

通常，我们会先确定测量信号中哪些部分是重要的，然后从这些信号中计算特定参数。

借助ParticleTensorAI，我们可以保留更多的原始信号数据，让AI去搜索与喷雾物理特性相关的模式。

该研究为基于AI的喷雾诊断指明了新方向。

人工智能（AI）不仅能帮助我们分析已计算出的液滴参数，还可以直接处理连续的高速光学测量数据。

这为测量仅凭粒径和速度无法提供足够信息的复杂液滴开辟了新的可能。

未来的应用可能包括涂料喷雾分析、材料表征、过程监测以及智能在线喷雾传感器。