在2025年7月21–25日于日本东京举行的THMT 2025——第11届湍流、传热与传质国际研讨会（11th International Symposium on Turbulence, Heat and Mass Transfer）上，Walter Schäfer发表了题为“Refractive Index Determination of Dynamic Droplets in a Flow by Analyzing Light Scattering Signals with a Machine Learning Approach”的研究成果。该研究在众多领域具有潜在应用价值，其中包括鼻喷雾动力学研究。
https://www.thmt-25.org/index.html
报告展示了一种针对动态液滴的光学喷雾测量新方法。该方法将时间分辨的光散射信号与机器学习相结合，因而可支持对喷雾进行材料敏感的液滴分析，应用范围包括鼻喷雾、药用喷雾及其他细小液体喷雾。
动态液滴的喷雾测量
可靠的喷雾测量对许多技术和制药应用都十分重要。在鼻喷雾中，液滴粒径、速度和液体特性会影响喷雾行为、沉积以及产品性能。
传统的光学喷雾测量通常侧重于液滴粒径和速度。然而，材料特性同样可能十分重要。液滴的折射率可以提供有关液体成分、混合比例和浓度的信息。
因此，所介绍的方法为喷雾分析增加了一个新的维度。它利用单个液滴的光学信号结构来估算折射率。
实验喷雾装置
喷雾由扇形喷嘴产生。采用不同混合比例的水-甘油混合物来改变液滴的折射率。通过这一受控装置，可以生成材料差异已知的液滴。
对鼻喷雾和药用喷雾的意义
鼻喷雾产品要求喷雾行为稳定且可重复。因此，喷雾测量可为产品开发、质量控制和配方测试提供支持。
液滴粒径和速度固然重要，但液滴的光学特性同样有助于表征液体成分。因此，折射率测定可为鼻喷雾分析及其他药用喷雾应用提供有用信息。
所介绍的方法表明，光学喷雾测量可以超越传统的粒径和速度分析。它有助于检测动态液滴中的材料变化，并支持AI辅助的喷雾诊断。
展望
在THMT 2025上发表的这项工作表明，机器学习与光散射信号可以结合起来，实现先进的喷雾测量。它展示了一条通往紧凑型智能液滴分析系统的路径。
未来，该方法有望支持鼻喷雾表征、药用喷雾测试、涂层技术、燃油喷雾分析以及工业过程监测。
参考文献
Schaefer, W. (2025). Refractive index determination of dynamic droplets in a flow by analyzing light scattering signals with a machine learning approach. In Proceedings of THMT-25 Turbulence, Heat and Mass Transfer 11, Tokyo, Japan, 21–25 July 2025. Begell House, p. 8. https://doi.org/10.1615/THMT-25.10
