2.3 不同外加電壓條件下膜液接觸角變化

為了形成具有良好黏附性和均勻性的可食性膜，成膜溶液對產(chǎn)品的潤濕性尤為重要。表4展示了溶液在不同電壓下荷電后滴落在石蠟表面的接觸角。由表4可知，無外加電壓作用下，tw100的接觸角為79.74°，隨著司盤20的增多，接觸角首先減小，在二者濃度相等時降至71.00°。此后，接觸角隨著司盤20占比增加反而上升。理論上，表面張力越小的液滴接觸角越小，但本實驗現(xiàn)象與前述規(guī)律不符。先前研究發(fā)現(xiàn)，疏水性司盤表面活性劑分子在液滴中傾向于向上遷移，導致其不能有效降低液滴下表面接觸角;而適量吐溫表面活性劑的加入能夠促進司盤在液滴中的均勻分布，從而減小接觸角。

荷電使得液滴的接觸角顯著降低(P<0.05)，其中7kV的電壓能夠使去離子水液滴的接觸角降低約10°，明膠液滴接觸角下降約6°~9°。茹煜等建立了荷電霧滴的三維運動模型，發(fā)現(xiàn)在20kV的電壓下熒光液滴的接觸角能夠降低46°。本研究發(fā)現(xiàn)，當表面活性劑吐溫20與司盤20的濃度比為1:1(tw50),外加電壓為7kV時，明膠液滴在石蠟表面具有最好的潤濕性，接觸角為64.99°。

2.4 機器學習分析

液滴的荷質(zhì)比為荷電后的本質(zhì)特性,而表面張力和接觸角則為荷電液滴表現(xiàn)的外在特性。為了訓練機器學習模型，以荷質(zhì)比作為輸入特征，將表面張力、接觸角測量值轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)可以處理的張量后進行訓練，使模型預(yù)測值盡可能地接近實際測量值，實驗結(jié)果如表5所示。無論是表面張力還是接觸角，SVM-linear的R2最低，為0.9384和0.9436，表明該模型預(yù)測效果最差。

SVM-linear作為一種基于線性核函數(shù)的支持向量機模型，對噪聲和異常值非常敏感，且參數(shù)調(diào)優(yōu)較為困難。DNN的R2最接近1，且MSE值和MAE值最小(表面張力的MSE值和MAE值分別為0.0145和0.0813，接觸角的MSE值和MAE值分別為0.037 4和 0.1510)，表明該模型預(yù)測性能最好。DNN具有非線性特征學習、自動特征提取和分層特征學習等優(yōu)勢，能夠適應(yīng)大規(guī)模數(shù)據(jù)并進行調(diào)優(yōu)。

Pfisterer等通過DNN建立評估商業(yè)果泥食品的營養(yǎng)密度，其平均準確率達92.2%。荷質(zhì)比與表面張力、接觸角的模型預(yù)測如圖2、圖3所示，可以發(fā)現(xiàn)模型對實際數(shù)據(jù)具有良好的擬合效果。通過模型曲線可以確定，在任意荷質(zhì)比下，去離子水液滴與明膠液滴的表面張力及其在石蠟表面的接觸角，為預(yù)測可食性膜液在食品表面的潤濕黏附性提供了思路和手段。

圖2 通過深度神經(jīng)網(wǎng)絡(luò)建立荷質(zhì)比與表面張力之間的模型預(yù)測

圖3 通過深度神經(jīng)網(wǎng)絡(luò)建立荷質(zhì)比與接觸角之間的模型預(yù)測

3 結(jié)語

本文探究了在不同電源電壓下通過感應(yīng)荷電的方式對明膠液滴荷質(zhì)比、表面張力及接觸角的影響，并通過深度神經(jīng)網(wǎng)絡(luò)建立模型預(yù)測。結(jié)果發(fā)現(xiàn)，靜電荷電能有效提高明膠液滴的潤濕性能，當外加電壓為7kV時，明膠成膜液滴的表面張力可以下降9%~14%，接觸角能夠下降8%~12%。從而為形成更均勻、更完整的可食性涂膜提供新的手段。在明膠的質(zhì)量分數(shù)為3%、表面活性劑的質(zhì)量分數(shù)為0.05%、吐溫20與司盤20濃度比為1:1、電壓為0~7kV時，深度神經(jīng)網(wǎng)絡(luò)模型對膜液荷質(zhì)比與表面張力或接觸角的關(guān)系具有良好的預(yù)測作用，可用于指導實踐操作。