L'impact d'une goutte sur une surface solide est un phénomène important qui a diverses implications et applications. Lorsque la goutte éclabousse, elle peut provoquer l'érosion du sol, la dispersion d'agents pathogènes des plantes, la détérioration des qualités d'impression et de peinture, et bien d'autres problèmes. Il est donc nécessaire de prévoir la déformation d'une goutte éclaboussante pour minimiser les effets néfastes. Cependant, la nature multiphasique de ces éclaboussures entraîne des complications dans la prédiction.

Pour résoudre ce problème, plusieurs études d'impact de chute ont adopté des modèles d'intelligence artificielle (IA) et ont montré d'excellentes performances. Cependant, les modèles développés dans ces études utilisent des paramètres physiques comme entrées et sorties, il est donc difficile de capturer la déformation de la goutte d'impact.

À l'Université d'agriculture et de technologie de Tokyo, une équipe de recherche du Département de génie des systèmes mécaniques a proposé une stratégie de vision par ordinateur et a réussi à prédire la déformation à l'aide de données d'image. L'équipe de recherche dirigée par le professeur Yoshiyuki Tagawa, qui comprend Jingzu Yee (chercheur postdoctoral), Daichi Igarashi (étudiant en 1re année de maîtrise) et Shun Miyatake (étudiant en 4e année de premier cycle), a vu ses conclusions publiées dans Apprentissage automatique : science et technologie.

Dans leurs recherches, l'architecture d'un encodeur-décodeur, qui peut utiliser des images comme entrée et sortie, a été adoptée pour développer un modèle d'IA basé sur l'image pour prédire la déformation des gouttes. En prenant une séquence d'images pré-impact comme entrée, l'encodeur-décodeur formé a réussi à générer des séquences d'images qui montrent la déformation d'une goutte lors de l'impact.

Remarquablement, les séquences d'images générées sont très similaires aux séquences d'images réelles capturées au cours de l'expérience. L'évaluation quantitative des séquences d'images générées a montré que dans chaque trame de ces séquences d'images générées, le diamètre d'étalement de la goutte s'est avéré être en alignement étroit avec celui des séquences d'images réelles. De plus, il y avait aussi une grande précision dans la prédiction des éclaboussures/non-éclaboussures.

Ces résultats démontrent la capacité de l'encodeur-décodeur formé à générer des séquences d'images qui peuvent représenter avec précision la déformation d'une goutte lors de l'impact.

"L'approche proposée par cette recherche offre une alternative plus rapide et plus rentable aux études expérimentales et numériques", a déclaré Yoshiyuki Tagawa, professeur à l'Université d'agriculture et de technologie de Tokyo. "Cette réalisation est importante pour comprendre et minimiser les effets néfastes des éclaboussures. De plus, elle a montré le grand potentiel de l'utilisation de l'IA et de l'apprentissage automatique pour les études scientifiques."

Fourni par l'Université d'agriculture et de technologie de Tokyo