Algoritmo de compensación residual para la optimización de la cuantificación de LIBS basada en el aprendizaje...

Área de la Ciencia:

• Química analítica
• Espectroscopia
• Ciencias de los materiales

Sus antecedentes:

• El análisis cuantitativo que utiliza la espectroscopia de descomposición inducida por láser (LIBS) a menudo enfrenta desafíos con la precisión de la predicción.
• Los parámetros ambientales y específicos de la muestra pueden influir significativamente en los datos espectrales del LIBS y en las predicciones cuantitativas posteriores.
• Los modelos existentes pueden no tener en cuenta completamente estas variables, lo que lleva a errores de predicción.

Objetivo del estudio:

• Desarrollar y validar un nuevo algoritmo de predicción cuantitativa para el LIBS basado en la compensación residual.
• Mejorar la precisión de las predicciones mediante la integración de parámetros ambientales y de muestreo en el modelo cuantitativo de LIBS.
• Evaluar la eficacia del algoritmo propuesto en diferentes modelos de regresión y tipos de muestras.

Principales métodos:

• Se desarrolló un algoritmo de compensación residual para la predicción cuantitativa de LIBS.
• El algoritmo se integró con los modelos de regresión de máquina vectorial de soporte (SVR), regresión de mínimos cuadrados parciales (PLSR), regresión forestal aleatoria (RFR) y regresión de vecino K-más cercano (KNNR).
• Se empleó un enfoque de validación cruzada de 10 veces utilizando muestras de aleación de aluminio con 10 elementos.

Principales resultados:

• El algoritmo de compensación residual redujo significativamente el error medio absoluto de predicción (MAEP) y el error medio relativo de predicción (MREP).
• En comparación con el modelo PLSR original, MAEP y MREP se redujeron en un promedio de 51,8% y 64,8%, respectivamente.
• Para el modelo basado en SVR, MAEP y MREP se redujeron en un 43,0% y 51,1% respectivamente, lo que demuestra una amplia aplicabilidad.

Conclusiones:

• El algoritmo de compensación residual propuesto mejora efectivamente la precisión de las predicciones cuantitativas de LIBS.
• La incorporación de parámetros ambientales y de muestreo es crucial para mejorar el rendimiento analítico del LIBS.
• Este método ofrece un enfoque robusto para un análisis elemental más confiable en aleaciones de aluminio utilizando LIBS.