目的探究不同荷質比明膠溶液的潤濕性能，並建立預測模型。

方法

以明膠可食塗膜為研究對象，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比與表麵張力，以及液滴在疏水表麵接觸角的影響，並通過機器學習建立荷質比與表麵張力/接觸角之間預測模型。

結果

隨著電壓升高，明膠液滴荷質比不斷增大，且僅以司盤20為表麵活性劑（tw0組）時液滴具有最高的荷質比（~50 nC/g）。在0——7 kV內，明膠液滴的表麵張力隨電壓升高從35.99——40.65 mN/m降至31.38——35.65 mN/m，其中tw0組表麵張力下降最為明顯。明膠液滴在石蠟表麵的接觸角也隨電壓升高而減小，在表麵活性劑吐溫20與司盤20質量比為1∶1時具有最小值，即電壓7 kV時接觸角為64.99°。深度神經網絡預測模型決定係數接近於1,均方誤差小於0.08，平均絕對誤差小於0.15，具有最好的預測效果。

結論

靜電噴塗能夠有效改善膜液在食品表麵的潤濕性能，利用深度神經網絡能夠建立膜液液滴荷質比與表麵張力/接觸角的良好預測模型。

全文：

可食性塗膜具有阻隔水分揮發、降低微生物侵害、便於負載特殊功能成分等優勢，目前已廣泛應用於食品保鮮[1]。可食性膜通過浸塗、刷塗、滴塗、噴塗等方式塗覆在食品表麵，不同塗膜方法在有效性、安全性和經濟性上各具特點[2]。然而，相當食品種類，如新鮮果蔬，其表麵具有較強疏水性，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麵，無法形成完整保護作用。靜電噴塗是一種新型的塗膜手段，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於食品表麵。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、提升塗覆均勻性[3]。Wang等[4]對比了浸塗、刷塗、噴塗和靜電噴塗4種塗膜方式對芒果的保鮮效果，發現靜電噴塗能夠節省塗布液和幹燥時間，且操作簡單、節省人力物力，降低生產成本。增強膜液黏附特性的另一有效手段是添加表麵活性劑來降低表麵張力，提升膜液在產品表麵的潤濕鋪展能力[5]。Sapper等[6]報道，當表麵活性劑吐溫85的質量濃度為5×104mg/L時，澱粉基膜液與蘋果表麵的接觸角相較對照組降低了約50°。研究表明，多種表麵活性劑複配使用能夠減少成本，提高溶液穩定性[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麵潤濕性能的影響，靜電場與表麵活性劑的協同增效作用鮮見報道。

此外，機器學習在科學研究領域取得了顯著的成就，其強大的數據處理能力使其成為數值預測、模式識別的理想工具。Wang等[8]設計了一款基於YOLO v5的深度學習模型用於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]通過卷積神經網絡深度學習模型建立了一個基於明膠甲基丙烯酰基指示條的實時智能監測手機平台，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域、包裝領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麵潤濕黏附性的預測模型，這對塗膜溶液配方開發具有重要指導意義。

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麵活性劑的明膠溶液荷電情況的影響，挖掘荷電量對膜液表麵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麵張力/接觸角之間的關係進行建模分析，揭示荷電量對塗膜性能的影響規律，為後續靜電噴塗可食性塗膜提供應用依據。

1、實驗

1.1實驗材料與設備

主要材料：明膠（藥用級，CAS:9000-70-8），購買於上海阿拉丁生化科技股份有限公司；吐溫20、司盤20和甘油等均為國產分析純，購買於上海易恩化學技術有限公司；電極環為304不鏽鋼（外徑為78 mm，內徑為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數字電荷儀，北京中慧天誠科技有限公司；粉色视频黄色网站，芬蘭kibron。

1.2明膠可食性成膜溶液的製備

稱取7.5 g明膠顆粒加入250 mL去離子水中，加入質量分數為30%（基於明膠質量）的甘油，70℃下混合攪拌30 min，加入質量分數為0.05%（基於溶劑質量）的表麵活性劑（具體分組和配比見表1）並攪拌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麵活性劑比例

1.3實驗係統及測試方法

明膠成膜溶液液滴感應荷電的原理圖與實際搭建平台如圖1所示。該平台由微量進樣針、高壓電源、數字電荷儀、法拉第筒、測量儀等組成，微量進樣針針尖穿過電極環下平麵4 mm。利用高壓電源給電極環通上高壓正電，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）、接觸角與表麵張力測量（b）、荷質比測量（c）

1.4荷質比的測量

荷質比的測量原理如圖1所示，調節電極環不同電壓，向法拉第筒中滴入明膠溶液，記錄數字電荷儀示數並稱重。為確保充分荷電，每次滴液間隔1 min，實驗重複8次。

1.5表麵張力的測量

基於懸滴法原理[10]，采用表麵張力測量儀測定表麵張力，相同條件下重複8次實驗。

1.6接觸角的測量

使用石蠟模擬疏水性食品表麵，明膠溶液滴的接觸角通過表麵張力測量儀測量。調節不同電壓，將5μL的液滴緩慢滴到石蠟表麵，並在30 s後記錄接觸角[10]，使用橢圓擬合的方法來測定接觸角，相同條件下進行8次重複實驗。

1.7數據預處理

在進行神經網絡學習之前，需要對實驗數據進行有效預處理以確保模型的訓練效果。首先，對表麵張力、接觸角和荷質比的測量數據進行整理，處理潛在異常值[9]。這包括檢測並刪除可能由於實驗誤差引起的異常數據點，以確保輸入模型的數據質量。然後，將整理過的數據集劃分為訓練集（80%）和測試集（20%），這有助於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網絡的搭建和訓練。首先，設計包括多個層次的全連接層和激活函數，以捕捉潛在的數量關係。在選擇損失函數時，選擇均方誤差（Mean Squared Error,MSE）這一適合回歸問題的損失函數。優化器選擇Adam優化器。經多輪訓練，監控模型性能以及損失函數的收斂情況，通過調節神經網絡的超參數，如學習率、隱藏層節點數等，優化模型性能。

采用多種機器學習算法，包括DNN（深度神經網絡）、LR（線性回歸）、基於2種核函數的SVM（支持向量機）、DTR（決策樹回歸）、GBR（梯度增強回歸）、KNN（K近鄰），評估荷質比與表麵張力、接觸角的關係，確定最優預測模型。

按照8∶2的比例將實驗數據劃分為訓練集和測試集，對每個模型進行訓練，並在測試集上進行驗證。這裏選用3種常用於回歸任務的評價指標：均方誤差（MSE）、平均絕對誤差（MAE）和決定係數（2）。MSE和MAE可以衡量預測值與真實值之間的誤差，數值越小表示模型預測的越準確；2度量模型擬合數據的程度，取值範圍在0到1之間，越接近1表示模型對數據的擬合程度越好。這3個評價指標的計算公式如下所示：

1.9數據處理與統計分析

數據結果表示為平均值±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則認為數據有顯著性差異。

基於深度神經網絡模型分析明膠溶液荷電量與表麵張力之間的關係（一）

基於深度神經網絡模型分析明膠溶液荷電量與表麵張力之間的關係（二）