材料分类和结构金属的衰老时间预测使用激光诱导分解光谱与概率神经网络相结合
Qian Wang1, Guowen Li1, Yuhua Hang2
1School of Sciences, Xi'an University of Technology, Xi'an 710048, China.
Materials (Basel, Switzerland)
|August 26, 2023
概括
这项研究引入了一种使用激光诱导分解光谱 (LIBS) 和火虫优化概率神经网络 (FA-PNN) 的新方法,用于准确地分类和预测结构金属的老化,达到100%的准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 工程结构金属需要可靠的分类和性能评估方法.
- 评估材料老化对于预测使用寿命和确保安全至关重要.
- 现有的方法,如主要组件分析 (PCA),可能在特征提取上有局限性,用于预测衰老.
研究的目的:
- 开发一个准确的分类模型,用于工程结构金属样品.
- 使用光谱数据建立材料衰老时间的预测模型.
- 为了增强特征提取,提高老化时间预测的准确性.
主要方法:
- 激光诱导分解光谱学 (LIBS) 用于从金属样本中生成等离子体辐射光谱.
- 一个概率神经网络 (PNN) 用于材料分类.
- 用火算法 (FA) 与PNN (FA-PNN) 集成,用于预测衰老时间.
- 建议使用短时间里叶变换 (STFT) 来提取时间频率特征,与PCA相比.
主要成果:
- 该FA-PNN模型在材料分类和老化时间预测方面实现了100%的准确性.
- 基于STFT的时间频率特征提取方法在预测衰老时间方面表现优于PCA.
- 与FA-PNN模型相结合的LIBS与ANN,KNN,PLS-DA和SIMCA相比显示出更高的分类准确性.
结论:
- 结合FA-PNN,LIBS提供了一个非常准确和有效的方法来对工程结构金属进行分类.
- 拟议的STFT特征提取方法改善了材料老化时间的预测.
- 该方法提供了一个强大的工具来评估结构材料的服务性能.
