The behaviors and mechanisms of droplet impact on an inclined heated surface is of great importance. In this work, an experimental platform for the droplets impact on the surfaces with different inclined angles and temperatures was established to study the various impact patterns and dynamics. The impact pattern, sliding distance, lengths at the leading and trailing edge points and maximum spreading factor were studied in detail. The results show that the impact patterns were classified as adhesion, splash, rebound and breakup patterns. In the adhesion pattern, a sliding distance model was developed based on Newton's second law and force analysis that considered the viscous, adhesion and gravitational forces for different angles. Larger angle promotes length of the leading edge point, inhibits length of the trailing edge point. Higher temperature suppresses the length of the trailing edge point by boiling. In addition, a model for the maximum spreading factor of the inclined surface was developed by combining a spreading prediction mode with an energy conservation equation, which incorporates kinetic, surface and dissipation energies. An increase in the normal Weber number suppresses the maximum spreading factor. Temperature has a different effect on the maximum spreading factor depending on the normal Weber number.

The interaction between ink drops and permeable textiles is complicated but crucial for textile inkjet printing. To address this, a modified model was developed in the current research by employing the volume of fluid method. The capillary force and the flow resistance were taken into account in the momentum equation, enabling the simulation of both spreading and penetration of ink drops upon impacting a textile. The evolutions of drop morphology, pressure distribution, and velocity field were investigated. An interesting finding is the entrapment of air bubbles with higher internal pressure at the intersection of warp and weft yarns due to the flow difference in the axial and radial directions of a yarn. To explore the influence of critical factors, parametric study was further conducted by varying impact velocity, drop diameter, and ink viscosity. Results show that increasing impact velocity enhances both the spreading and penetration of ink drops. The increase in drop diameter leads to a larger maximum spreading ratio but a smaller penetration ratio, as the penetration dynamics in the numerical model is independent of drop size. Additionally, ink drops with a higher viscosity display reduced spreading and penetration within the textile, primarily due to the rise in flow resistance and energy dissipation.

With the development of AI-Generated Content (AIGC), text-to-audio models are gaining widespread attention. However, it is challenging for these models to generate audio aligned with human preference due to the inherent information density of natural language and limited model understanding ability. To alleviate this issue, we formulate the BATON, the first framework specifically designed to enhance the alignment between generated audio and text prompt using human preference feedback. Our BATON comprises three key stages: Firstly, we curated a dataset containing both prompts and the corresponding generated audio, which was then annotated based on human feedback. Secondly, we introduced a reward model using the constructed dataset, which can mimic human preference by assigning rewards to input text-audio pairs. Finally, we employed the reward model to fine-tune an off-the-shelf text-to-audio model. The experiment results demonstrate that our BATON can significantly improve the generation quality of the original text-to-audio models, concerning audio integrity, temporal relationship, and alignment with human preference. Project page is available at https://baton2024.github.io.