[論文レビュー] Machine learning and predicting the time dependent dynamics of local yielding in dry foams

Leevi Viitanen, Jonatan R. Mac Intyre+3 more|arXiv (Cornell University)|May 27, 2020

Pickering emulsions and particle stabilization参考文献 47被引用数 10

ひとこと要約

本研究では、2次元のドライフォームにおける局所的T1イベント（T1と呼ばれる微小な降伏イベント）を、単一フレームの構造的スナップショットのみを用いて畳み込みニューラルネットワーク（CNN）で予測する。モデルは頂点の幾何構造と膜の向きに注目することで高い正確性を達成し、T1の予測可能性が時間的に非対称的であり、降伏後の局所的緩和ダイナミクスと関連していることが明らかになった。

ABSTRACT

The yielding of dry foams is enabled by small elementary yield events on the bubble scale, "T1"s. We study the large scale detection of these in an expanding 2D flow geometry using artificial intelligence (AI) and nearest neighbour analysis. A good level of accuracy is reached by the AI approach using only a single frame, with the maximum score for vertex centered images highlighting the important role the vertices play in the local yielding of foams. We study the predictability of T1s ahead of time and show that this is possible on a timescale related to the waiting time statistics of T1s in local neighborhoods. The local T1 event predictability development is asymmetric in time, and measures the variation of the local property to yielding and similarly the existence of a relaxation timescale post local yielding.

研究の動機と目的

• 静的構造的画像のみを用いて、2次元ドライフォームにおける局所的降伏イベント（T1）を予測する機械学習手法を開発すること。
• バブル膜および頂点の形態のみが、時間的データなしに近い将来のT1イベントを予測可能かどうかを調査すること。
• 局所的予測可能性の時間的変化を定量化し、局所的降伏応力および緩和ダイナミクスと関連付けること。
• CNNの予測性能を、従来の最近傍点検出法と比較して、T1イベントの同定にどの程度有効であるかを評価すること。

提案手法

• 2次元径方向フォーム流れのHele-Shawセル内の単一フレームスナップショットから抽出した頂点中心の画像パッチを用いて、畳み込みニューラルネットワーク（CNN）を学習する。
• T1イベントは、連続するフレーム間の最近傍点解析により検出され、学習のための正解ラベルが生成される。
• モデルの評価は、注目領域（ROIs）ごとの予測スコアを用い、特に頂点の幾何構造と膜の向きを主な特徴として焦点を当てる。
• 時間依存的な予測可能性は、T1イベントの前後におけるCNNの信頼度スコアの変化を追跡することで分析する。
• T1イベントの待機時間分布は、CNN予測と最近傍点検出法の両方を用いて計算され、一貫性を検証する。
• 頂点中心とバブル周囲中心のパッチを用いた異なる画像表現におけるモデルの性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 単一の構造的スナップショットが、ドライフォームにおける将来のT1イベントを高い正確性で予測可能か？
• RQ2 局所的構造的特徴として、頂点、膜の幾何構造、またはバブル形状のうち、どの特徴が近い将来のT1イベントを最もよく予測するか？
• RQ3 T1イベントの予測可能性は時間経過とともにどのように変化するか。この変化は対称的か、非対称的か？
• RQ4 局所的T1予測可能性と、降伏後のフォームネットワークの緩和ダイナミクスとの関係は何か？
• RQ5 T1イベントの時間スケールは、類似したフォーム系における膜成長や応力緩和の時間スケールと比較してどうか？

主な発見

• CNNは単一フレームのみを用いても高い予測正確性を達成し、特に頂点中心の画像が最も優れた性能を示した。これは、局所的頂点幾何構造がT1イベントの主な予測要因であることを示している。
• 予測信頼度の時間的変化は非対称的である：T1イベント後にスコアが急速に低下し、降伏後の系の緩和が反映されている。
• T1イベントは、プラトーの法則に反する局所的不安定な膜頂点と強く相関しており、バブル形状は予測にあまり寄与しない。
• T1の平均待機時間は約1秒であり、類似したフォーム系における実験的測定と一致しており、極めて局所的なダイナミクスであることが示された。
• CNNによるT1待機時間の予測は、最近傍点検出法と統計的誤差の範囲内で一致しており、モデルの信頼性が検証された。
• モデルは、局所的降伏閾値が膜構造に埋め込まれており、降伏の前後に体系的な軟化と緩和が観察されることを明らかにした。