目的探究不同荷质比明胶溶液的润湿性能，并建立预测模型。

方法

以明胶可食涂膜为研究对象，利用感应荷电施加外源静电场以改善膜液润湿性能，探究电场电压对明胶液滴荷质比与表面张力，以及液滴在疏水表面接触角的影响，并通过机器学习建立荷质比与表面张力/接触角之间预测模型。

结果

随着电压升高，明胶液滴荷质比不断增大，且仅以司盘20为表面活性剂（tw0组）时液滴具有最高的荷质比（~50 nC/g）。在0——7 kV内，明胶液滴的表面张力随电压升高从35.99——40.65 mN/m降至31.38——35.65 mN/m，其中tw0组表面张力下降最为明显。明胶液滴在石蜡表面的接触角也随电压升高而减小，在表面活性剂吐温20与司盘20质量比为1∶1时具有最小值，即电压7 kV时接触角为64.99°。深度神经网络预测模型决定系数接近于1,均方误差小于0.08，平均绝对误差小于0.15，具有最好的预测效果。

结论

静电喷涂能够有效改善膜液在食品表面的润湿性能，利用深度神经网络能够建立膜液液滴荷质比与表面张力/接触角的良好预测模型。

全文：

可食性涂膜具有阻隔水分挥发、降低微生物侵害、便于负载特殊功能成分等优势，目前已广泛应用于食品保鲜[1]。可食性膜通过浸涂、刷涂、滴涂、喷涂等方式涂覆在食品表面，不同涂膜方法在有效性、安全性和经济性上各具特点[2]。然而，相当食品种类，如新鲜果蔬，其表面具有较强疏水性，这导致天然高分子聚合物膜液不能均匀有效地黏附在其表面，无法形成完整?；ぷ饔?。静电喷涂是一种新型的涂膜手段，它通过对喷出膜液荷载相同电荷，使其在静电场作用下更易吸附于食品表面。与此同时，静电斥力使得带同种电荷的液滴在运行中进一步均匀细化，能够降低飞液损失、提升涂覆均匀性[3]。Wang等[4]对比了浸涂、刷涂、喷涂和静电喷涂4种涂膜方式对芒果的保鲜效果，发现静电喷涂能够节省涂布液和干燥时间，且操作简单、节省人力物力，降低生产成本。增强膜液黏附特性的另一有效手段是添加表面活性剂来降低表面张力，提升膜液在产品表面的润湿铺展能力[5]。Sapper等[6]报道，当表面活性剂吐温85的质量浓度为5×104mg/L时，淀粉基膜液与苹果表面的接触角相较对照组降低了约50°。研究表明，多种表面活性剂复配使用能够减少成本，提高溶液稳定性[7]。然而，目前鲜有研究探索外加静电场对成膜溶液在食品表面润湿性能的影响，静电场与表面活性剂的协同增效作用鲜见报道。

此外，机器学习在科学研究领域取得了显著的成就，其强大的数据处理能力使其成为数值预测、模式识别的理想工具。Wang等[8]设计了一款基于YOLO v5的深度学习模型用于桃子包装机器人抓握操作预测，模型评价精准度可达0.996。Gong等[9]通过卷积神经网络深度学习模型建立了一个基于明胶甲基丙烯?；甘咎醯氖凳敝悄芗嗖馐只教?，用以检查肉类的新鲜度，整体准确率可达0.962。目前机器学习在食品领域、包装领域的应用均取得一定进展，但鲜有研究者通过机器学习的手段建立可食性膜液在食品表面润湿黏附性的预测模型，这对涂膜溶液配方开发具有重要指导意义。

本文以液滴感应荷电的理论作为指导，研究感应电压对添加了不同比例表面活性剂的明胶溶液荷电情况的影响，挖掘荷电量对膜液表面张力和接触角的作用，利用机器学习方法对液滴荷电量与表面张力/接触角之间的关系进行建模分析，揭示荷电量对涂膜性能的影响规律，为后续静电喷涂可食性涂膜提供应用依据。

1、实验

1.1实验材料与设备

主要材料：明胶（药用级，CAS:9000-70-8），购买于上海阿拉丁生化科技股份有限公司；吐温20、司盘20和甘油等均为国产分析纯，购买于上海易恩化学技术有限公司；电极环为304不锈钢（外径为78 mm，内径为68 mm）。

主要仪器：DW-P303高压电源，天津东文高压电源有限公司；LFY数字电荷仪，北京中慧天诚科技有限公司；表面张力仪，芬兰kibron。

1.2明胶可食性成膜溶液的制备

称取7.5 g明胶颗粒加入250 mL去离子水中，加入质量分数为30%（基于明胶质量）的甘油，70℃下混合搅拌30 min，加入质量分数为0.05%（基于溶剂质量）的表面活性剂（具体分组和配比见表1）并搅拌30 min，混合溶液超声1 h（超声功率为900 W），备用。

表1各组明胶成膜溶液所添加表面活性剂比例

1.3实验系统及测试方法

明胶成膜溶液液滴感应荷电的原理图与实际搭建平台如图1所示。该平台由微量进样针、高压电源、数字电荷仪、法拉第筒、测量仪等组成，微量进样针针尖穿过电极环下平面4 mm。利用高压电源给电极环通上高压正电，在静电感应的作用下给微量进样针针头处膜液荷上负电。

图1感应荷电原理（a）、接触角与表面张力测量（b）、荷质比测量（c）

1.4荷质比的测量

荷质比的测量原理如图1所示，调节电极环不同电压，向法拉第筒中滴入明胶溶液，记录数字电荷仪示数并称重。为确保充分荷电，每次滴液间隔1 min，实验重复8次。

1.5表面张力的测量

基于悬滴法原理[10]，采用表面张力测量仪测定表面张力，相同条件下重复8次实验。

1.6接触角的测量

使用石蜡模拟疏水性食品表面，明胶溶液滴的接触角通过表面张力测量仪测量。调节不同电压，将5μL的液滴缓慢滴到石蜡表面，并在30 s后记录接触角[10]，使用椭圆拟合的方法来测定接触角，相同条件下进行8次重复实验。

1.7数据预处理

在进行神经网络学习之前，需要对实验数据进行有效预处理以确保模型的训练效果。首先，对表面张力、接触角和荷质比的测量数据进行整理，处理潜在异常值[9]。这包括检测并删除可能由于实验误差引起的异常数据点，以确保输入模型的数据质量。然后，将整理过的数据集划分为训练集（80%）和测试集（20%），这有助于提高模型的泛化能力。

1.8机器学习

使用PyTorch框架进行机器学习神经网络的搭建和训练。首先，设计包括多个层次的全连接层和激活函数，以捕捉潜在的数量关系。在选择损失函数时，选择均方误差（Mean Squared Error,MSE）这一适合回归问题的损失函数。优化器选择Adam优化器。经多轮训练，监控模型性能以及损失函数的收敛情况，通过调节神经网络的超参数，如学习率、隐藏层节点数等，优化模型性能。

采用多种机器学习算法，包括DNN（深度神经网络）、LR（线性回归）、基于2种核函数的SVM（支持向量机）、DTR（决策树回归）、GBR（梯度增强回归）、KNN（K近邻），评估荷质比与表面张力、接触角的关系，确定最优预测模型。

按照8∶2的比例将实验数据划分为训练集和测试集，对每个模型进行训练，并在测试集上进行验证。这里选用3种常用于回归任务的评价指标：均方误差（MSE）、平均绝对误差（MAE）和决定系数（2）。MSE和MAE可以衡量预测值与真实值之间的误差，数值越小表示模型预测的越准确；2度量模型拟合数据的程度，取值范围在0到1之间，越接近1表示模型对数据的拟合程度越好。这3个评价指标的计算公式如下所示：

1.9数据处理与统计分析

数据结果表示为平均值±标准偏差的形式，采用SPSS Statistics（24，IBM公司，美国）进行方差分析，≤0.05则认为数据有显著性差异。

基于深度神经网络模型分析明胶溶液荷电量与表面张力之间的关系（一）

基于深度神经网络模型分析明胶溶液荷电量与表面张力之间的关系（二）