摘要

目的探究不同荷質(zhì)比明膠溶液的潤(rùn)濕性能，并建立預(yù)測(cè)模型。方法以明膠可食涂膜為研究對(duì)象，利用感應(yīng)荷電施加外源靜電場(chǎng)以改善膜液潤(rùn)濕性能,探究電場(chǎng)電壓對(duì)明膠液滴荷質(zhì)比與表面張力,以及液滴在疏水表面接觸角的影響,并通過(guò)機(jī)器學(xué)習(xí)建立荷質(zhì)比與表面張力/接觸角之間預(yù)測(cè)模型。結(jié)果隨著電壓升高，明膠液滴荷質(zhì)比不斷增大，且僅以司盤20為表面活性劑(tw0組)時(shí)液滴具有最高的荷質(zhì)比(-50 nC/g)。在0~7kV內(nèi)，明膠液滴的表面張力隨電壓升高從35.99~40.65 mN/m降至31.38~35.65 mN/m，其中tw0組表面張力下降最為明顯。明膠液滴在石蠟表面的接觸角也隨電壓升高而減小，在表面活性劑吐溫20與司盤20質(zhì)量比為1:1時(shí)具有最小值，即電壓7kV時(shí)接觸角為64.99°。深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型決定系數(shù)接近于1，均方誤差小于0.08，平均絕對(duì)誤差小于0.15，具有最好的預(yù)測(cè)效果。結(jié)論靜電噴涂能夠有效改善膜液在食品表面的潤(rùn)濕性能，利用深度神經(jīng)網(wǎng)絡(luò)能夠建立膜液液滴荷質(zhì)比與表面張力/接觸角的良好預(yù)測(cè)模型。

1 實(shí)驗(yàn)

1.1 實(shí)驗(yàn)材料與設(shè)備

主要材料:明膠(藥用級(jí)，CAS:9000-70-8)，購(gòu)買于上海阿拉丁生化科技股份有限公司;吐溫20、司盤20和甘油等均為國(guó)產(chǎn)分析純，購(gòu)買于上海易恩化學(xué)技術(shù)有限公司;電極環(huán)為304不銹鋼(外徑為78mm，內(nèi)徑為68mm)。

主要儀器:DW-P303高壓電源，天津東文高壓電源有限公司;LFY數(shù)字電荷儀，北京中慧天誠(chéng)科技有限公司;DAS100接觸角測(cè)量?jī)x，德國(guó)克呂士公司。

1.2 明膠可食性成膜溶液的制備

稱取7.5g明膠顆粒加入250mL去離子水中，加入質(zhì)量分?jǐn)?shù)為30%(基于明膠質(zhì)量)的甘油，70℃下混合攪拌30min，加入質(zhì)量分?jǐn)?shù)為0.05%(基于溶劑質(zhì)量)的表面活性劑(具體分組和配比見表1)并攪拌30min,混合溶液超聲1h(超聲功率為900W),備用。

1.3 實(shí)驗(yàn)系統(tǒng)及測(cè)試方法

明膠成膜溶液液滴感應(yīng)荷電的原理圖與實(shí)際搭建平臺(tái)如圖1所示。該平臺(tái)由微量進(jìn)樣針、高壓電源、數(shù)字電荷儀、法拉第筒、接觸角測(cè)量?jī)x等組成,微量進(jìn)樣針針尖穿過(guò)電極環(huán)下平面4mm。利用高壓電源給電極環(huán)通上高壓正電,在靜電感應(yīng)的作用下給微量進(jìn)樣針針頭處膜液荷上負(fù)電。

圖1 感應(yīng)荷電原理(a)、接觸角與表面張力測(cè)量(b)、荷質(zhì)比測(cè)量(c)

1.4 荷質(zhì)比的測(cè)量

荷質(zhì)比的測(cè)量原理如圖 1所示,調(diào)節(jié)電極環(huán)不同電壓,向法拉第筒中滴人明膠溶液,記錄數(shù)字電荷儀示數(shù)并稱重。為確保充分荷電,每次滴液間隔 1min,實(shí)驗(yàn)重復(fù)8次。

1.5 表面張力的測(cè)量

基于懸滴法原理,采用接觸角測(cè)量?jī)x測(cè)定表面張力,相同條件下重復(fù) 8次實(shí)驗(yàn)。

1.6 接觸角的測(cè)量

使用石蠟?zāi)M疏水性食品表面,明膠溶液滴的接觸角通過(guò)接觸角測(cè)量?jī)x測(cè)量。調(diào)節(jié)不同電壓,將 5μL 的液滴緩慢滴到石蠟表面,并在 30s后記錄接觸角,使用橢圓擬合的方法來(lái)測(cè)定接觸角,相同條件下進(jìn)行8次重復(fù)實(shí)驗(yàn)。

1.7 數(shù)據(jù)預(yù)處理

在進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之前,需要對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行有效預(yù)處理以確保模型的訓(xùn)練效果。首先,對(duì)表面張力、接觸角和荷質(zhì)比的測(cè)量數(shù)據(jù)進(jìn)行整理,處理潛在異常值。這包括檢測(cè)并刪除可能由于實(shí)驗(yàn)誤差引起的異常數(shù)據(jù)點(diǎn)，以確保輸入模型的數(shù)據(jù)質(zhì)量。然后，將整理過(guò)的數(shù)據(jù)集劃分為訓(xùn)練集(80%)和測(cè)試集(20%)，這有助于提高模型的泛化能力。

1.8 機(jī)器學(xué)習(xí)

使用PyTorch框架進(jìn)行機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的搭建和訓(xùn)練。首先，設(shè)計(jì)包括多個(gè)層次的全連接層和激活函數(shù),以捕捉潛在的數(shù)量關(guān)系。在選擇損失函數(shù)時(shí),選擇均方誤差(Mean Squared Error, MSE)這一適合回歸問(wèn)題的損失函數(shù)。優(yōu)化器選擇 Adam優(yōu)化器。經(jīng)多輪訓(xùn)練,監(jiān)控模型性能以及損失函數(shù)的收斂情況,通過(guò)調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的超參數(shù),如學(xué)習(xí)率、隱藏層節(jié)點(diǎn)數(shù)等,優(yōu)化模型性能。

采用多種機(jī)器學(xué)習(xí)算法,包括 DNN(深度神經(jīng)網(wǎng)絡(luò))、 LR(線性回歸)、基于 2種核函數(shù)的 SVM(支持向量機(jī))、DTR(決策樹回歸)、GBR(梯度增強(qiáng)回歸)、 KNN(K近鄰),評(píng)估荷質(zhì)比與表面張力、接觸角的關(guān)系,確定最優(yōu)預(yù)測(cè)模型。

按照 8: 2的比例將實(shí)驗(yàn)數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集,對(duì)每個(gè)模型進(jìn)行訓(xùn)練,并在測(cè)試集上進(jìn)行驗(yàn)證。這里選用 3種常用于回歸任務(wù)的評(píng)價(jià)指標(biāo):均方誤差(MSE)、平均絕對(duì)誤差(MAE)和決定系數(shù) R2。 MSE和 MAE可以衡量預(yù)測(cè)值與真實(shí)值之間的誤差,數(shù)值越小表示模型預(yù)測(cè)的越準(zhǔn)確; R2 度量模型擬合數(shù)據(jù)的程度,取值范圍在 0到 1之間,越接近 1表示模型對(duì)數(shù)據(jù)的擬合程度越好。這 3個(gè)評(píng)價(jià)指標(biāo)的計(jì)算公式如下所示:

式中: n為樣本數(shù)量; y_i 為實(shí)際值; ?_i 為預(yù)測(cè)值; ?_i 為實(shí)際值的均值。

1.9 數(shù)據(jù)處理與統(tǒng)計(jì)分析

數(shù)據(jù)結(jié)果表示為平均值±標(biāo)準(zhǔn)偏差的形式,采用SPSS Statistics(24, IBM公司,美國(guó))進(jìn)行方差分析, P≤0.05 則認(rèn)為數(shù)據(jù)有顯著性差異。