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(pán)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——7 kV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(pán)20質(zhì)量比為1∶1時(shí)具有最小值，即電壓7 kV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。

全文：

可食性涂膜具有阻隔水分揮發(fā)、降低微生物侵害、便于負(fù)載特殊功能成分等優(yōu)勢(shì)，目前已廣泛應(yīng)用于食品保鮮[1]?？墒承阅ねㄟ^(guò)浸涂、刷涂、滴涂、噴涂等方式涂覆在食品表面，不同涂膜方法在有效性、安全性和經(jīng)濟(jì)性上各具特點(diǎn)[2]。然而，相當(dāng)食品種類(lèi)，如新鮮果蔬，其表面具有較強(qiáng)疏水性，這導(dǎo)致天然高分子聚合物膜液不能均勻有效地黏附在其表面，無(wú)法形成完整保護(hù)作用。靜電噴涂是一種新型的涂膜手段，它通過(guò)對(duì)噴出膜液荷載相同電荷，使其在靜電場(chǎng)作用下更易吸附于食品表面。與此同時(shí)，靜電斥力使得帶同種電荷的液滴在運(yùn)行中進(jìn)一步均勻細(xì)化，能夠降低飛液損失、提升涂覆均勻性[3]。Wang等[4]對(duì)比了浸涂、刷涂、噴涂和靜電噴涂4種涂膜方式對(duì)芒果的保鮮效果，發(fā)現(xiàn)靜電噴涂能夠節(jié)省涂布液和干燥時(shí)間，且操作簡(jiǎn)單、節(jié)省人力物力，降低生產(chǎn)成本。增強(qiáng)膜液黏附特性的另一有效手段是添加表面活性劑來(lái)降低表面張力，提升膜液在產(chǎn)品表面的潤(rùn)濕鋪展能力[5]。Sapper等[6]報(bào)道，當(dāng)表面活性劑吐溫85的質(zhì)量濃度為5×104mg/L時(shí)，淀粉基膜液與蘋(píng)果表面的接觸角相較對(duì)照組降低了約50°。研究表明，多種表面活性劑復(fù)配使用能夠減少成本，提高溶液穩(wěn)定性[7]。然而，目前鮮有研究探索外加靜電場(chǎng)對(duì)成膜溶液在食品表面潤(rùn)濕性能的影響，靜電場(chǎng)與表面活性劑的協(xié)同增效作用鮮見(jiàn)報(bào)道。

此外，機(jī)器學(xué)習(xí)在科學(xué)研究領(lǐng)域取得了顯著的成就，其強(qiáng)大的數(shù)據(jù)處理能力使其成為數(shù)值預(yù)測(cè)、模式識(shí)別的理想工具。Wang等[8]設(shè)計(jì)了一款基于YOLO v5的深度學(xué)習(xí)模型用于桃子包裝機(jī)器人抓握操作預(yù)測(cè)，模型評(píng)價(jià)精準(zhǔn)度可達(dá)0.996。Gong等[9]通過(guò)卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型建立了一個(gè)基于明膠甲基丙烯?；甘緱l的實(shí)時(shí)智能監(jiān)測(cè)手機(jī)平臺(tái)，用以檢查肉類(lèi)的新鮮度，整體準(zhǔn)確率可達(dá)0.962。目前機(jī)器學(xué)習(xí)在食品領(lǐng)域、包裝領(lǐng)域的應(yīng)用均取得一定進(jìn)展，但鮮有研究者通過(guò)機(jī)器學(xué)習(xí)的手段建立可食性膜液在食品表面潤(rùn)濕黏附性的預(yù)測(cè)模型，這對(duì)涂膜溶液配方開(kāi)發(fā)具有重要指導(dǎo)意義。

本文以液滴感應(yīng)荷電的理論作為指導(dǎo)，研究感應(yīng)電壓對(duì)添加了不同比例表面活性劑的明膠溶液荷電情況的影響，挖掘荷電量對(duì)膜液表面張力和接觸角的作用，利用機(jī)器學(xué)習(xí)方法對(duì)液滴荷電量與表面張力/接觸角之間的關(guān)系進(jìn)行建模分析，揭示荷電量對(duì)涂膜性能的影響規(guī)律，為后續(xù)靜電噴涂可食性涂膜提供應(yīng)用依據(jù)。

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(mǎi)于上海阿拉丁生化科技股份有限公司；吐溫20、司盤(pán)20和甘油等均為國(guó)產(chǎn)分析純，購(gòu)買(mǎi)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78 mm，內(nèi)徑為68 mm）。

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；表面張力儀，芬蘭kibron。

1.2明膠可食性成膜溶液的制備

稱(chēng)取7.5 g明膠顆粒加入250 mL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30 min，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(jiàn)表1）并攪拌30 min，混合溶液超聲1 h（超聲功率為900 W），備用。

表1各組明膠成膜溶液所添加表面活性劑比例

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、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4 mm。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，向法拉第筒中滴入明膠溶液，記錄數(shù)字電荷儀示數(shù)并稱(chēng)重。為確保充分荷電，每次滴液間隔1 min，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[10]，采用表面張力測(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)表面張力測(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30 s后記錄接觸角[10]，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[9]。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(xiàn)性回歸）、基于2種核函數(shù)的SVM（支持向量機(jī)）、DTR（決策樹(shù)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)（2）。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；2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：

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，≤0.05則認(rèn)為數(shù)據(jù)有顯著性差異。

基于深度神經(jīng)網(wǎng)絡(luò)模型分析明膠溶液荷電量與表面張力之間的關(guān)系（一）

基于深度神經(jīng)網(wǎng)絡(luò)模型分析明膠溶液荷電量與表面張力之間的關(guān)系（二）