フランクフルトで開催されたDECHEMA 2026（ドイツ語名：Jahrestreffen der DECHEMA/VDI-Fachgruppen Kristallisation und Trocknungstechnik 2026）にて、液滴と粒子の特性評価のための新しいAI支援手法を発表しました。本研究は、連続的な光散乱信号と、ParticleTensorAIによるその評価に焦点を当てています。
ParticleTensorAI®は、光学検出器信号をテンソルベースのデータ形式に変換します。その後、人工知能（AI）がこれらのデータ構造を解析します。その結果、この手法はスプレー診断、スラリー液滴の解析、粒子特性評価に新たな道を開きます。
https://dechema.de/JTR_KRI_TRO_2026.html
この手法が重要な理由
従来のTSTOF測定では、液滴径と液滴速度を求めることができます。これは、カウントモードで個々の光散乱信号を解析することで行われます。しかし、多くの産業用スプレーには、サイズと速度以外にも多くの情報が含まれています。
例えば、スラリー液滴には粒子が、コーティング液滴には顔料が含まれていることがあります。また、液体混合物は異なる屈折率を持つ場合があります。そのため、高度なスプレー診断には、材料に関連する特性も検出できる手法が必要です。
光散乱信号からParticleTensorAI®へ
ParticleTensorAIは、トリガーされた単一液滴イベントだけでなく、連続的な検出器信号を使用します。これにより、元の光学信号ストリームからより多くの情報が保持されます。
実際の実装では、複数の検出器信号が画像のようなテンソル構造にマッピングされます。例えば、3つの検出器チャンネルでRGB画像を構成できます。各色チャンネルが1つの光学信号に対応します。
これらのテンソル画像は、最新のAI手法、特に畳み込みニューラルネットワーク（CNN）で解析できます。このようにして、ParticleTensorAI®は光学測定技術とAI支援による信号評価を組み合わせています。
CNNモデルによるスラリー液滴の解析
本研究は、スラリー液滴と粒子を含むスプレーに焦点を当てています。まず、複数の検出器から連続的な光散乱信号を記録しました。次に、信号をセグメント化し、ParticleTensorAIの表現形式に変換しました。
その後、畳み込みニューラルネットワークでデータを解析しました。モデルは、スラリー液滴中の質量濃度と平均粒子径を予測しました。モデルは分類モードと回帰モードの両方で使用されました。
解析では、さまざまな検出器の組み合わせと複数のダウンサンプリング係数も検討しました。その結果、テンソルベースの信号構造が、液滴内部の粒子関連特性について堅牢な情報を提供できることが示されました。
質量濃度と粒子径の予測
ParticleTensorAI®により、光学的な光散乱データから質量濃度と平均粒子径を予測できます。発表した実験では、この手法は最大95%の予測精度を達成しました。
この結果は、連続的な光散乱信号に貴重な材料情報が含まれていることを示しています。AI支援による評価を用いることで、この情報を複雑な液滴、スラリースプレー、粒子を含む液体、コーティング材料の解析に活用できます。
さらに、ダウンサンプリングによって予測精度を大きく損なうことなくデータレートを低減できることも示されました。これは、将来のリアルタイム用途や産業用モニタリングシステムにとって重要です。
スプレー診断とプロセスモニタリングにおける利点
ParticleTensorAIは、カウント法と積分法の利点を兼ね備えています。光学信号の時間分解情報を保持すると同時に、多数の液滴や粒子の集合的な挙動を解析します。
そのため、この手法は従来の単一液滴解析では不十分な場合に有用です。例としては、スラリースプレー、顔料を含む塗料、晶析プロセス、複雑な液体、多相流などが挙げられます。
テンソルベースのスプレー診断を用いることで、研究者やエンジニアは光学測定データからより多くの情報を引き出せます。これは、プロセスの理解、品質管理、材料特性評価、AI支援によるスプレーモニタリングに役立ちます。
今後の展望
ParticleTensorAIは、スプレー診断と粒子特性評価における今後の研究の基盤となります。想定される用途には、顔料の色調判定、晶析の解析、多相流の特性評価、産業用コーティングプロセスのモニタリングなどがあります。
この手法は、光学測定技術と人工知能（AI）がいかに連携できるかを示しています。従来のTSTOF診断を拡張し、インテリジェントでトリガーフリー、かつ材料に敏感なスプレー解析への新たな道を開きます。
