来自路上和非路上车辆排气颗粒的单颗粒质谱特征及其在使用深度学习精细化源分配中的应用
Yongjiang Xu1, Zaihua Wang2, Chenglei Pei3
1College of Environment and Climate, Institute of Mass Spectrometry and Atmospheric Environment, Guangdong Provincial Engineering Research Center for on-line source apportionment system of air pollution, Jinan University, Guangzhou 510632, China; Guangdong-Hongkong-, Macau Joint Laboratory of Collaborative Innovation for Environmental Quality, Guangzhou 510632, China.
这项研究开发了一个深度学习模型,DeepAerosolClassifier,用于准确的车辆粒子源分配. 它可以实现精炼颗粒物监测的自动端到端分析.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- 车辆排放控制的进步需要更新的源形状,以准确分配源.
- 传统的方法很难跟上不断变化的排放特性.
研究的目的:
- 开发和验证深度学习模型,用于自动化汽车相关颗粒物的来源分配.
- 为移动源签名建立一个全面的质谱数据库.
主要方法:
- 收集的公路和非公路车辆颗粒.
- 使用单颗粒气溶质谱法 (SPAMS) 分析化学成分.
- 利用自适应共振理论的神经网络进行数据分组和签名识别.
- 开发和训练了DeepAerosolClassifier模型用于粒子分类和源分配.
主要成果:
- 深层气溶分类器实现了高精度:98.49%的验证组和93.36%的测试组.
- 模型解释证实了对特征性质谱图案的准确识别.
- 在现场监测站点上证明了成功的每小时源分配,并通过流量和空间数据验证.
结论:
- DeepAerosolClassifier为源分配提供了一个高度自动化的端到端解决方案,消除了对特征选择的需求.
- 该模型在现场测量中的有效性验证了其适用于实时颗粒物分析的可用性.
- 这种方法在未来的环境监测中具有精细和在线来源分配的巨大潜力.
更多相关视频
08:48Fluorescence-Guided Matrix-assisted Laser Desorption/Ionization with Laser-Induced Postionization Mass Spectrometry of Individual Rat Neural Cells
Published on: May 23, 2025
08:23Real-time Breath Analysis by Using Secondary Nanoelectrospray Ionization Coupled to High Resolution Mass Spectrometry
Published on: March 9, 2018
相关概念视频
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
High-Resolution Mass Spectrometry (HRMS)
Atomic Emission Spectroscopy: Overview
Mass Analyzers: Overview
Mass Spectrum
Atomic Emission Spectroscopy: Instrumentation
