基于可解释前馈神经网络图像序列分类提取的固面飞溅液滴特征及其时间演化
流体动力学
2022-07-05 v1 计算机视觉与模式识别
机器学习
摘要
本文报道了固面飞溅液滴的特征及其时间演化，这些特征和演化是通过使用具有零隐藏层的高可解释前馈神经网络（FNN）进行图像序列分类提取的。用于 FNN 训练-验证和测试的图像序列展示了毫尺度乙醇液滴撞击亲水玻璃基底的早期变形，韦伯数范围在 31-474 之间（飞溅阈值约为 173）。为确保图像序列间的高相似性，进行了特定的摄像条件和数字图像处理。结果，训练后的 FNN 测试准确率高于 96%。值得注意的是，特征提取显示训练后的 FNN 将气动抬升的薄片周围喷出的二次液滴的时间演化以及主体相对较高的轮廓识别为飞溅液滴的特征，而将相对短而厚的薄片识别为非飞溅液滴的特征。除飞溅与非飞溅液滴主体轮廓高度差异外，已确定这些特征及其各自时间演化的物理解释。本研究报道的观察结果对于开发数据驱动的模拟以建模固面撞击过程中飞溅液滴的变形具有重要意义。
引用
@article{arxiv.2207.00971,
title = {Features of a Splashing Drop on a Solid Surface and the Temporal Evolution extracted through Image-Sequence Classification using an Interpretable Feedforward Neural Network},
author = {Jingzu Yee and Daichi Igarashi and Akinori Yamanaka and Yoshiyuki Tagawa},
journal= {arXiv preprint arXiv:2207.00971},
year = {2022}
}
备注
13 pages, 10 figures