基于热透镜效应和机器学习的创新快速液体度测量

科学领域:

• 光学和光子学 在光学和光子学.
• 分析化学 分析化学
• 机器学习应用 机器学习应用

背景情况:

• 热透镜效应 (TLE) 在激光系统分析方面得到了充分研究,但在溶液度量化方面未得到充分利用.
• 准确和快速在线测量液体度对于工业过程控制和质量保证至关重要.

研究的目的:

• 探索液体度与TLE诱导的干扰边缘之间的关系.
• 开发和验证一种基于TLE的新方法,用于实时测量溶液度.
• 整合图像处理,DFT和机器学习,以提高测量准确度.

主要方法:

• 利用热透镜效应 (TLE) 在不同度的溶液中诱导干扰.
• 应用图像处理和离散里埃转换 (DFT) 来从干扰环模式中提取特征.
• 使用反向传播的人工神经网络 (BP-ANN) 来建模和预测溶液度.

主要成果:

• 在低根平均平方误差 (RMSE) 值的度测量中表现出高精度.
• 在训练组中获得了3.055的RMSE,在测试组中获得了5.396的RMSE,验证了模型的预测能力.
• 成功实现了精确的实时测定大豆的度.

结论:

• 开发的基于TLE的方法,增强了图像处理,DFT和BP-ANN,为快速的在线液体度测量提供了可行的解决方案.
• 这种方法对工业测试,质量控制,环境监测和其他需要精确度分析的领域具有重大潜力.
• 该研究强调了TLE在分析化学和工艺监测中的低估的实用性.