[论文解读] 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 10

一句话总结

本研究使用卷积神经网络（CNN）仅基于单帧结构快照预测二维干泡沫中的局部T1事件——即基本的屈服事件。该模型通过聚焦于顶点几何结构和薄膜取向，实现了高精度预测，揭示了T1事件的可预测性在时间上呈现非对称性，并与屈服后的局部松弛动力学相关。

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.

研究动机与目标

• 开发一种仅使用静态结构图像的机器学习方法，以预测二维干泡沫中的局部屈服事件（T1）。
• 探究仅凭气泡薄膜和顶点的形态是否足以在无时间数据的情况下预测即将发生的T1事件。
• 量化局部可预测性的随时间演化过程，并将其与局部屈服应力和松弛动力学相关联。
• 比较CNN与传统最近邻检测方法在识别T1事件方面的预测能力。

提出的方法

• 在Hele-Shaw池中二维径向泡沫流的单帧快照中提取以顶点为中心的图像块，对卷积神经网络（CNN）进行训练。
• 通过连续帧之间的最近邻分析检测T1事件，以生成训练用的真实标签。
• 通过在不同感兴趣区域（ROIs）上的预测得分评估模型，重点关注顶点几何结构和薄膜取向作为关键特征。
• 通过追踪T1事件前后CNN置信度得分的变化，分析时间依赖的可预测性。
• 使用CNN预测和最近邻检测方法计算T1事件的等待时间分布，以验证一致性。
• 在不同图像表示形式下比较模型性能，包括以顶点为中心和以气泡周长为中心的图像块。

实验结果

研究问题

• RQ1 单张结构快照能否以高精度预测干泡沫中未来的T1事件？
• RQ2 哪些局部结构特征——顶点、薄膜几何结构或气泡形状——对即将发生的T1事件最具预测性？
• RQ3 T1事件的可预测性如何随时间演变，这种演变是否对称或非对称？
• RQ4 局部T1可预测性与泡沫网络屈服后松弛动力学之间存在何种关系？
• RQ5 T1事件的时间尺度与类似泡沫系统中薄膜生长和应力松弛的时间尺度相比如何？

主要发现

• CNN仅使用单帧图像即可实现高预测精度，以顶点为中心的图像表现最佳，表明局部顶点几何结构是T1事件的主要预测因子。
• 预测置信度的时间演化呈现非对称性：T1事件发生后，置信度迅速下降，反映出系统屈服后的松弛过程。
• T1事件与违反Plateau规则的薄膜顶点局部不稳定性密切相关，而气泡形状提供的预测信息较少。
• T1事件的平均等待时间约为1秒，与类似泡沫系统中的实验测量结果一致，表明动力学高度局域化。
• 基于CNN的T1等待时间预测与最近邻检测方法在统计误差范围内一致，验证了模型的可靠性。
• 该模型揭示，局部屈服阈值编码于薄膜结构中，系统在屈服前表现出可测量的软化，屈服后则发生松弛。