目的探究不同荷質(zhì)比明膠溶液的潤濕性能，并建立預測模型。

方法

以明膠可食涂膜為研究對象，利用感應荷電施加外源靜電場以改善膜液潤濕性能，探究電場電壓對明膠液滴荷質(zhì)比與表面張力，以及液滴在疏水表面接觸角的影響，并通過機器學習建立荷質(zhì)比與表面張力/接觸角之間預測模型。

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20為表面活性劑（tw0組）時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20質(zhì)量比為1∶1時具有最小值，即電壓7 kV時接觸角為64.99°。深度神經(jīng)網(wǎng)絡預測模型決定系數(shù)接近于1,均方誤差小于0.08，平均絕對誤差小于0.15，具有最好的預測效果。

結(jié)論

靜電噴涂能夠有效改善膜液在食品表面的潤濕性能，利用深度神經(jīng)網(wǎng)絡能夠建立膜液液滴荷質(zhì)比與表面張力/接觸角的良好預測模型。

全文：

可食性涂膜具有阻隔水分揮發(fā)、降低微生物侵害、便于負載特殊功能成分等優(yōu)勢，目前已廣泛應用于食品保鮮[1]?？墒承阅ねㄟ^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)濟性上各具特點[2]。然而，相當食品種類，如新鮮果蔬，其表面具有較強疏水性，這導致天然高分子聚合物膜液不能均勻有效地黏附在其表面，無法形成完整保護作用。靜電噴涂是一種新型的涂膜手段，它通過對噴出膜液荷載相同電荷，使其在靜電場作用下更易吸附于食品表面。與此同時，靜電斥力使得帶同種電荷的液滴在運行中進一步均勻細化，能夠降低飛液損失、提升涂覆均勻性[3]。Wang等[4]對比了浸涂、刷涂、噴涂和靜電噴涂4種涂膜方式對芒果的保鮮效果，發(fā)現(xiàn)靜電噴涂能夠節(jié)省涂布液和干燥時間，且操作簡單、節(jié)省人力物力，降低生產(chǎn)成本。增強膜液黏附特性的另一有效手段是添加表面活性劑來降低表面張力，提升膜液在產(chǎn)品表面的潤濕鋪展能力[5]。Sapper等[6]報道，當表面活性劑吐溫85的質(zhì)量濃度為5×104mg/L時，淀粉基膜液與蘋果表面的接觸角相較對照組降低了約50°。研究表明，多種表面活性劑復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對成膜溶液在食品表面潤濕性能的影響，靜電場與表面活性劑的協(xié)同增效作用鮮見報道。

此外，機器學習在科學研究領(lǐng)域取得了顯著的成就，其強大的數(shù)據(jù)處理能力使其成為數(shù)值預測、模式識別的理想工具。Wang等[8]設(shè)計了一款基于YOLO v5的深度學習模型用于桃子包裝機器人抓握操作預測，模型評價精準度可達0.996。Gong等[9]通過卷積神經(jīng)網(wǎng)絡深度學習模型建立了一個基于明膠甲基丙烯?；甘緱l的實時智能監(jiān)測手機平臺，用以檢查肉類的新鮮度，整體準確率可達0.962。目前機器學習在食品領(lǐng)域、包裝領(lǐng)域的應用均取得一定進展，但鮮有研究者通過機器學習的手段建立可食性膜液在食品表面潤濕黏附性的預測模型，這對涂膜溶液配方開發(fā)具有重要指導意義。

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

1、實驗

1.1實驗材料與設(shè)備

主要材料：明膠（藥用級，CAS:9000-70-8），購買于上海阿拉丁生化科技股份有限公司；吐溫20、司盤20和甘油等均為國產(chǎn)分析純，購買于上海易恩化學技術(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

稱取7.5 g明膠顆粒加入250 mL去離子水中，加入質(zhì)量分數(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)量分數(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實驗系統(tǒng)及測試方法

明膠成膜溶液液滴感應荷電的原理圖與實際搭建平臺如圖1所示。該平臺由微量進樣針、高壓電源、數(shù)字電荷儀、法拉第筒、測量儀等組成，微量進樣針針尖穿過電極環(huán)下平面4 mm。利用高壓電源給電極環(huán)通上高壓正電，在靜電感應的作用下給微量進樣針針頭處膜液荷上負電。

圖1感應荷電原理（a）、接觸角與表面張力測量（b）、荷質(zhì)比測量（c）

1.4荷質(zhì)比的測量

荷質(zhì)比的測量原理如圖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)并稱重。為確保充分荷電，每次滴液間隔1 min，實驗重復8次。

1.5表面張力的測量

基于懸滴法原理[10]，采用表面張力測量儀測定表面張力，相同條件下重復8次實驗。

1.6接觸角的測量

使用石蠟模擬疏水性食品表面，明膠溶液滴的接觸角通過表面張力測量儀測量。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測定接觸角，相同條件下進行8次重復實驗。

1.7數(shù)據(jù)預處理

在進行神經(jīng)網(wǎng)絡學習之前，需要對實驗數(shù)據(jù)進行有效預處理以確保模型的訓練效果。首先，對表面張力、接觸角和荷質(zhì)比的測量數(shù)據(jù)進行整理，處理潛在異常值[9]。這包括檢測并刪除可能由于實驗誤差引起的異常數(shù)據(jù)點，以確保輸入模型的數(shù)據(jù)質(zhì)量。然后，將整理過的數(shù)據(jù)集劃分為訓練集（80%）和測試集（20%），這有助于提高模型的泛化能力。

1.8機器學習

使用PyTorch框架進行機器學習神經(jīng)網(wǎng)絡的搭建和訓練。首先，設(shè)計包括多個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，選擇均方誤差（Mean Squared Error,MSE）這一適合回歸問題的損失函數(shù)。優(yōu)化器選擇Adam優(yōu)化器。經(jīng)多輪訓練，監(jiān)控模型性能以及損失函數(shù)的收斂情況，通過調(diào)節(jié)神經(jīng)網(wǎng)絡的超參數(shù)，如學習率、隱藏層節(jié)點數(shù)等，優(yōu)化模型性能。

采用多種機器學習算法，包括DNN（深度神經(jīng)網(wǎng)絡）、LR（線性回歸）、基于2種核函數(shù)的SVM（支持向量機）、DTR（決策樹回歸）、GBR（梯度增強回歸）、KNN（K近鄰），評估荷質(zhì)比與表面張力、接觸角的關(guān)系，確定最優(yōu)預測模型。

按照8∶2的比例將實驗數(shù)據(jù)劃分為訓練集和測試集，對每個模型進行訓練，并在測試集上進行驗證。這里選用3種常用于回歸任務的評價指標：均方誤差（MSE）、平均絕對誤差（MAE）和決定系數(shù)（2）。MSE和MAE可以衡量預測值與真實值之間的誤差，數(shù)值越小表示模型預測的越準確；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表示模型對數(shù)據(jù)的擬合程度越好。這3個評價指標的計算公式如下所示：

1.9數(shù)據(jù)處理與統(tǒng)計分析

數(shù)據(jù)結(jié)果表示為平均值±標準偏差的形式，采用SPSS Statistics（24，IBM公司，美國）進行方差分析，≤0.05則認為數(shù)據(jù)有顯著性差異。

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