基于光激发-发射矩阵和基于变压器的深度学习的石油物种识别

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 机器学习 机器学习

背景情况:

• 识别漏油物种对于确定泄漏源和规划有效的清理策略至关重要.
• 光光谱,分析石油碳化合物的特征,提供了一个潜在的方法来推断石油泄漏的组成.
• 激发发射矩阵 (EEM) 提供丰富的光数据,可以增强石油物种识别.

研究的目的:

• 提出和评估使用变压器网络的石油物种识别模型.
• 利用激发发射矩阵 (EEMs) 来提高漏油识别的准确性.
• 将变压器模型的性能与现有的卷积神经网络进行比较.

主要方法:

• 重建了石油污染物的EEM,以基于不同激发波长的光学光谱的序列补丁输入.
• 开发并实施了一个变压器网络模型用于石油物种识别.
• 对卷积神经网络进行了比较实验,并进行了废除研究以优化模型参数.

主要成果:

• 与卷积神经网络相比,拟议的变压器网络模型证明了减少不正确的预测和更高的识别准确性.
• 除实验确定了最佳激发波长,并评估了不同输入补丁对模型性能的影响.
• 该模型有效地利用多激发波长的光谱来准确地分类油种.

结论:

• 变压器网络提供了使用光光谱学数据识别石油物种的卓越方法.
• 开发的模型提供了一个强大的工具,用于识别石油泄漏和潜在的其他光材料.
• 优化激发波长和输入数据表示是最大化识别准确性的关键.