Unser neuer Artikel „AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray“ ist jetzt auf KITopen verfügbar, dem Forschungsrepositorium des Karlsruher Instituts für Technologie (KIT).
Gemeinsam mit Tobias Jakobs vom KIT und Patrick Stegmann haben wir untersucht, wie künstliche Intelligenz Informationen über Partikel im Inneren komplexer Spraytropfen gewinnen kann.
Die Ergebnisse zeigen Vorhersagegenauigkeiten von bis zu 95 %.
Die Arbeit war Teil des 41st International Symposium on Combustion (ISOC), das vom 26. bis 31. Juli 2026 in Kyoto, Japan, stattfand.
https://publikationen.bibliothek.kit.edu/1000196272
Von einzelnen Tropfen zu kontinuierlichen Datenströmen
Die meisten optischen Spraymesssysteme analysieren jeweils einen Tropfen nach dem anderen.
Sie erfassen einen Tropfen, werten sein optisches Signal aus und berechnen Größen wie Tropfengröße und -geschwindigkeit.
Das funktioniert für viele Spraymessungen gut. Komplexe Tropfen enthalten jedoch weit mehr Informationen. Ihre Lichtstreusignale können auch Informationen tragen über:
- Partikelkonzentration,
- Partikelgröße,
- Brechungsindex,
- Materialzusammensetzung
- und weitere physikalische Eigenschaften.
In dieser Studie verfolgen wir einen anderen Ansatz.
Statt nur einzelne Tropfensignale auszuwählen, behalten wir den kontinuierlichen Lichtstreu-Datenstrom bei. Künstliche Intelligenz durchsucht diese Daten anschließend nach aussagekräftigen Mustern.
So bleibt ein weitaus größerer Teil der ursprünglichen Messinformation erhalten.
ParticleTensorAI wandelt Messsignale in KI-Daten um
Für die Experimente haben wir die Time-Shift-Time-of-Flight-Messtechnik (TSTOF) eingesetzt.
Vier optische Detektoren erfassten das von den Tropfen gestreute Licht, während diese das Messvolumen durchquerten. Jeder Detektor betrachtete die Tropfen aus einem anderen Winkel und erzeugte daher seinen eigenen Signalstrom.
ParticleTensorAI (PTA) wandelt diese schnellen Detektorsignale in strukturierte Daten um, die ein KI-Modell analysieren kann.
Im Artikel haben wir ein Format ähnlich einem RGB-Bild getestet. Dabei haben wir verschiedene Detektorsignale dem roten, grünen und blauen Kanal zugeordnet.
So können wir Convolutional Neural Networks (CNNs), die in der Forschung häufig für die Bilderkennung eingesetzt werden, zur Analyse optischer Spraysignale nutzen.
Diese ParticleTensorAI-Bilder sind jedoch keine Fotografien des Sprays.
Sie stellen die Lichtstreusignale vieler Tropfen über einen definierten Zeitraum dar.
KI-Spraydiagnostik erreicht bis zu 95 % Genauigkeit
Wir haben die Methode mit Kohlepartikeln in Slurry-Tropfen aus Monoethylenglykol getestet.
Die Experimente umfassten mehrere Kohlepartikelgrößen und drei Massenkonzentrationen:
- 5%
- 10%
- 20%
Die KI-Modelle lernten, die unterschiedlichen Spraybedingungen anhand der optischen Signale zu unterscheiden.
Unsere Proof-of-Principle-Tests erreichten Vorhersagegenauigkeiten von bis zu 95 %.
Die KI erkannte die Massenkonzentration zuverlässiger als die mittlere Kohlepartikelgröße.
Außerdem zeigte sich, dass eine längere Beobachtungszeit die Ergebnisse verbessern kann. Ein längerer ParticleTensorAI enthält Signale von mehr Tropfen. Die KI erhält dadurch mehr Informationen über das gesamte Spray.
Wie viele Detektoren braucht die KI?
Ein weiterer Teil der Studie befasste sich mit der Anzahl der optischen Detektoren.
Bei kurzen Beobachtungszeiten lieferte die getrennte Verarbeitung der Detektorsignale bessere Ergebnisse. Bei längeren Beobachtungszeiten verlor die Anzahl der Detektorkanäle an Bedeutung.
Dieses Ergebnis ist besonders für künftige Messsysteme interessant.
Es deutet darauf hin, dass manche KI-basierte Spraydiagnostik mit einfacheren optischen Sensorkonzepten und weniger Detektoren auskommen könnte.
Wir untersuchen diese Frage weiter.
Mehr als die Messung von Kohle-Slurry
Kohle-Slurry diente als Testfall, doch die Grundidee hinter ParticleTensorAI bietet ein wesentlich breiteres Spektrum möglicher Anwendungen.
Die Methode könnte die KI-basierte Analyse unterstützen von:
- Suspensionssprays,
- Lacktropfen,
- Mehrkomponentenflüssigkeiten,
- partikelbeladenen Tropfen,
- Materialkonzentration,
- optischen Materialeigenschaften
- und industriellen Sprayprozessen.
Darin liegt ein wichtiger Unterschied zwischen herkömmlicher Datenanalyse und dem ParticleTensorAI-Konzept.
Normalerweise legen wir zunächst fest, welche Teile eines Messsignals wichtig sind. Anschließend berechnen wir aus diesen Signalen bestimmte Parameter.
Mit ParticleTensorAI können wir einen weitaus größeren Teil der ursprünglichen Signaldaten beibehalten und die KI nach Mustern suchen lassen, die mit den physikalischen Eigenschaften des Sprays zusammenhängen.
ParticleTensorAI für die Spraymessung der Zukunft
Die Studie zeigt eine neue Richtung für die KI-basierte Spraydiagnostik auf.
Künstliche Intelligenz hilft uns nicht nur, bereits berechnete Tropfenparameter zu analysieren. Sie kann direkt mit kontinuierlichen optischen Hochgeschwindigkeits-Messdaten arbeiten.
Das eröffnet neue Möglichkeiten für die Messung komplexer Tropfen, bei denen Größe und Geschwindigkeit allein nicht genügend Informationen liefern.
Künftige Anwendungen könnten Lackspray-Analyse, Materialcharakterisierung, Prozessüberwachung und intelligente Inline-Spraysensoren umfassen.
