通过倒置小瓶视频的机器学习实现高通量测粘法
图形学
2025-06-04 v1
摘要
尽管倒置小瓶测试作为一种估计流体粘度的定性方法已被广泛使用，但由于其由重力、表面张力、惯性和初始条件驱动的复杂且不受控制的流动，定量流变表征一直受到限制。在此，我们提出了一种计算机视觉（CV）粘度计，它使倒置小瓶测试自动化，并能够在近五个数量级（0.01-1000 Pas）范围内进行定量粘度推断，而无需直接的速度场测量。该系统同时倒置多个小瓶并记录流体演化的视频，这些视频被输入到一个神经网络中，该网络从视觉特征和已知流体密度近似求解反函数。尽管小瓶内存在复杂的多状态流动，我们的方法实现了低于 25% 的相对误差，对于高于 0.1 Pas 的粘度，误差改善至 15%。在非牛顿聚合物溶液上进行测试时，只要粘弹性或剪切变稀行为在流动状态下可以忽略不计，该方法就能可靠地估计零剪切粘度。此外，推断值的高标准偏差可作为识别具有强非牛顿行为的流体的代理。该 CV 粘度计仅需一个摄像头和一个电机，非接触且低成本，可轻松集成到高通量的实验自动化和手动工作流中。超越了传统的表征范式，我们的方法利用不受控制的流动和视觉特征实现了简单性和可扩展性，使得高通量粘度推断能够满足数据驱动材料模型日益增长的需求，同时对于低资源环境依然适用。
引用
@article{arxiv.2506.02034,
title = {High-throughput viscometry via machine-learning from videos of inverted vials},
author = {Ignacio Arretche and Mohammad Tanver Hossain and Ramdas Tiwari and Abbie Kim and Mya G. Mills and Connor D. Armstrong and Jacob J. Lessard and Sameh H. Tawfick and Randy H. Ewoldt},
journal= {arXiv preprint arXiv:2506.02034},
year = {2025}
}