预测基于非线性流变的局部配方的纹理属性和摩擦特性

许多分析程序（光谱描述性分析（SDA）、定量描述性分析（QDA）和全面检查（CATA））用于表征局部制剂的感官属性。然而，这些技术由专家小组/消费者进行评估，这是主观的、昂贵的和耗时的。尽管这些方法被广泛使用，但这些技术并不一定有助于开发创新配方和了解消费者的喜好。此外，产品的享乐属性可以显著地支配感觉。因此，需要一种更快速、定量和客观的方法来理解在消费者应用的不同点上控制感官感知的配方因素。使用商用流变仪在稳定和振荡（SAOS和LAOS）流变学下对局部制剂进行流变学评价。使用内部构建的摩擦计在非生物皮肤模型上进行摩擦测量，以研究不同局部配方的应用如何影响表面性质。此外，进行了广泛的仪器质地测量，以表征配方。主成分分析用于仪器数据的降维。对密切相关的主成分分析参数进行监督机器学习，以开发预测模型。我们通过使用流变学和摩擦学方法将一系列商业外用制剂与各种组合物进行比较，确定了与不同感知属性相关的物理参数。开发了多变量机器学习模型，其中可以根据从线性和非线性流变测量中获得的数据预测几个关键的工具纹理属性和皮肤感觉。我们的研究表明，基于一些材料参数的流变学分析可以有效地用于预测与消费者护理行业相关的仪器感官属性。机器学习模型可能有利于创新配方的开发、新材料的定价，并作为绘制商业配方以进行产品优化的平台。这些模型可能会通过筛选大量配方来缩短设计周期，并只列出那些最有潜力的配方，由一个非常专业和昂贵的人体测试小组进行评估。