基于激光诱导分解光谱发射强度和机器学习技术,研究土壤不受限制的压力强度
Yakubu Sani Wudil1,2, Osama Atef Al-Najjar3, Mohammed A Al-Osta1,3
1Interdisciplinary Research Center for Construction and Building Materials, King Fahd University of Petroleum and Minerals, Dhahran 31261, Saudi Arabia.
ACS omega
|July 31, 2023
概括
这项研究引入了一种使用激光诱导分解光谱 (LIBS) 的人工智能驱动方法,以预测土壤不受限制的压力强度 (UCS). 该方法为传统地质技术测试提供了更快,更具成本效益的替代方案.
科学领域:
- 地质技术工程 地质技术工程
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 激光诱导分解光谱 (LIBS) 对于元素分析至关重要.
- 准确的土壤不受限制的压力强度 (UCS) 对地质技术应用至关重要.
- 传统的UCS测试是昂贵和耗时的.
研究的目的:
- 开发一种基于人工智能的新方法,使用LIBS光谱来估计土壤UCS.
- 探索机器学习模型在地质技术环境中对无校准LIBS的有效性.
- 为传统的UCS测量技术提供一个具有成本效益和效率的替代方案.
主要方法:
- 使用LIBS获得土壤光谱.
- 采用机器学习算法,包括决策树回归 (DTR) 和支持向量回归 (SVR).
- 应用自适应增强来提高单个机器学习学习者的表现.
主要成果:
- 增强的DTR实现了高的相关系数 (99.52%) 和R2得分 (99.03%).
- 开发的模型证明了土壤UCS的强大预测准确性.
- 经过验证的模型显示,适用于预测石灰和水泥稳定土壤中的UCS.
结论:
- 基于人工智能的LIBS技术为土壤UCS估计提供了一个有希望和准确的方法.
- 这种方法大大降低了与传统地质技术测试相关的成本和时间.
- 这些模型对各种土壤UCS调查具有良好的概括强度.
