使用激光诱导分解光谱学和机器学习 (PLSR,CNN,ResNet和DRSN) 确定激光覆盖的表面硬度
Applied optics
|April 3, 2024
概括
激光诱导分解光谱 (LIBS) 与机器学习相结合,可以准确地估计激光覆盖的表面硬度. 深度残留神经网络 (ResNet) 显示出卓越的性能,达到0.9967.7的R2.
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:
- 激光覆盖对于增强材料表面性能至关重要.
- 准确的表面硬度预测对于激光层的质量控制至关重要.
- 传统的表面硬度测试方法可能耗时且具有破坏性.
研究的目的:
- 开发和评估机器学习模型,使用LIBS数据预测激光层的表面硬度.
- 为了比较各种算法的性能,包括PLSR,CNN,ResNet和DRSN.
- 研究光谱噪声对预测准确性的影响.
主要方法:
- 激光诱导分解光谱学 (LIBS) 用于从激光覆盖层中获取光谱数据.
- 机器学习算法,包括PLSR,CNN,ResNet和DRSN,应用于LIBS光谱.
- 这些模型经过训练和验证,使用在钢基板 (45钢,Q235) 上的各种粉末成分 (Fe316L,FeCrNiCu,Ni25,FeCrNiB,Fe313) 产生的数据集进行训练和验证.
主要成果:
- 线性和非线性模型都在将LIBS光谱与表面硬度相关联方面表现出有效性.
- ResNet模型实现了最高的预测准确性,其R2值为0.9967.7.
- 该研究表明,LIBS数据中的光谱噪声可能会提高表面硬度的预测能力.
结论:
- 机器学习,特别是ResNet,提供了一种强大的,非破坏性的方法,用于激光层的表面硬度估计.
- LIBS与先进的算法相结合,提供了一种快速而准确的材料表征方法.
- 对光谱噪声作用的进一步研究可以优化基于LIBS的材料分析.


