論文の概要: Machine learning model for predicting surface wettability in laser-textured metal alloys

• arxiv url: http://arxiv.org/abs/2601.11661v1
• Date: Thu, 15 Jan 2026 21:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.263574
• Title: Machine learning model for predicting surface wettability in laser-textured metal alloys
• Title（参考訳）: レーザ加工した金属合金の表面濡れ性予測のための機械学習モデル
• Authors: Mohammad Mohammadzadeh Sanandaji, Danial Ebrahimzadeh, Mohammad Ikram Haider, Yaser Mike Banad, Aleksandar Poleksic, Hongtao Ding,
• Abstract要約: 表面の濡れ性は、熱伝達、マイクロ流体学、表面コーティングなどの応用において重要な役割を果たす。 レーザ加工した金属合金の濡れ度を正確に予測できる機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.008574054602356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surface wettability, governed by both topography and chemistry, plays a critical role in applications such as heat transfer, lubrication, microfluidics, and surface coatings. In this study, we present a machine learning (ML) framework capable of accurately predicting the wettability of laser-textured metal alloys using experimentally derived morphological and chemical features. Superhydrophilic and superhydrophobic surfaces were fabricated on AA6061 and AISI 4130 alloys via nanosecond laser texturing followed by chemical immersion treatments. Surface morphology was quantified using the Laws texture energy method and profilometry, while surface chemistry was characterized through X-ray photoelectron spectroscopy (XPS), extracting features such as functional group polarity, molecular volume, and peak area fraction. These features were used to train an ensemble neural network model incorporating residual connections, batch normalization, and dropout regularization. The model achieved high predictive accuracy (R2 = 0.942, RMSE = 13.896), outperforming previous approaches. Feature importance analysis revealed that surface chemistry had the strongest influence on contact angle prediction, with topographical features also contributing significantly. This work demonstrates the potential of artificial intelligence to model and predict wetting behavior by capturing the complex interplay of surface characteristics, offering a data-driven pathway for designing tailored functional surfaces.
• Abstract（参考訳）: トポグラフィーと化学の両方が支配する表面濡れ性は、熱伝達、潤滑、マイクロ流体学、表面コーティングなどの応用において重要な役割を担っている。 本研究では, レーザー加工された金属合金の濡れ度を実験的に導出した形態および化学的特徴を用いて正確に予測できる機械学習(ML)フレームワークを提案する。 AA6061およびAISI 4130合金上に超親水性および超疎水性表面をナノ秒レーザーで加工し, 化学浸漬処理を行った。 表面形態をLawsテクスチャエネルギー法とプロファイロメトリーを用いて定量し, 表面化学はX線光電子分光法(XPS)によって特徴付けられ, 官能基極性, 分子体積, ピーク領域分画などの抽出特性が得られた。 これらの特徴は、残差接続、バッチ正規化、ドロップアウト正規化を含むアンサンブルニューラルネットワークモデルをトレーニングするために使用された。 このモデルは予測精度が高く(R2 = 0.942, RMSE = 13.896)、以前の手法よりも優れていた。 特徴量分析の結果, 表面化学は接触角予測に最も強い影響を与え, 地形学的特徴も大きく寄与した。 この研究は、表面特性の複雑な相互作用を捉えることによって、人工知能がウェッティングの挙動をモデル化し、予測する可能性を実証し、カスタマイズされた機能面を設計するためのデータ駆動経路を提供する。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Surrogate models to optimize plasma assisted atomic layer deposition in high aspect ratio features [0.11510009152620666]
  我々は、断面厚みデータに基づいて飽和時間を予測するために、人工ニューラルネットワークを訓練する。 表面再結合がPEALDプロセスのプラズマ-表面相互作用を99%の精度で支配するかどうかを決定するために訓練された代理モデルである。
  論文  参考訳（メタデータ） (2025-06-11T01:07:55Z)
• Machine Learning Framework for Characterizing Processing-Structure Relationship in Block Copolymer Thin Films [1.4698426549994696]
  ブロック共重合体(BCP)の形態は、材料特性や応用に重大な影響を及ぼす。 本研究では,BCP薄膜形態を特徴付けるために,GISAXSデータとAFM画像の解析を行う機械学習(ML)対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-29T04:14:42Z)
• Accelerating and enhancing thermodynamic simulations of electrochemical interfaces [36.982185832859145]
  従来の表面Pourbaix図は専門家の知識に依存する傾向があるため、安定な表面構造を予測することは依然として困難である。 機械学習(ML)ポテンシャルは静的モデリングを加速することができるが、しばしば動的表面変換を見落としている。 ここでは, 電気化学的条件下でモデル化された表面再構成を自律的に試料化するために, 仮想表面サイト緩和法(Virtual Surface Site Relaxation-Mathrm3$(001)法を拡張した。
  論文  参考訳（メタデータ） (2025-03-22T22:33:19Z)
• Tailoring Frictional Properties of Surfaces Using Diffusion Models [0.0]
  条件付き生成機械学習モデルを用いて表面摩擦特性を正確に設計する手法を提案する。 分子動力学シミュレーションにより得られた摩擦特性を持つ合成表面のデータセットを作成し、DDPMに所望の摩擦結果から表面構造を予測する訓練を行った。
  論文  参考訳（メタデータ） (2024-01-05T09:15:07Z)
• Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials [0.0]
  このレビューは、主に学習された原子間ポテンシャルの形で、複雑な表面の研究に機械学習を適用することに焦点を当てる。 機械学習アルゴリズムと、それらを訓練する大規模なデータセットが材料科学においてより一般的になるにつれて、計算手法はナノスケールの無機表面の複雑さをモデル化するためにさらに予測的かつ強力なものになりつつある。
  論文  参考訳（メタデータ） (2023-12-18T21:08:13Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。