两步机器学习辅助无标签表面增强拉曼光谱技术,可靠地预测变压器油中溶解的furfural
1State Key Laboratory of Power Transmission Equipment Technology, School of Electrical Engineering, Chongqing University, Chongqing 400044, China; National Innovation Center for Industry-Education Integration of Energy Storage Technology, School of Electrical Engineering, Chongqing University, Chongqing, 400044, China.
概括
机器学习增强了表面增强的拉曼光谱 (SERS) 以精确检测变压器油中的furfural. 这种方法提高了基板的一致性和定量可靠性,用于监测绝缘老化.
科学领域:
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
- 频谱学是一种光谱学.
背景情况:
- 精确检测变压器油中溶解的furfural对于评估变压器油纸隔热的老化至关重要.
- 无标签的表面增强拉曼光谱 (SERS) 提供高灵敏度,但在基质一致性和定量可靠性方面面临挑战.
研究的目的:
- 开发一种基于机器学习 (ML) 的方法,以提高无标签SERS用于溶解furfural检测的一致性和定量准确性.
- 创建一个强大的ML框架来分析SERS光谱,并使变压器油衰老的实时监控成为可能.
主要方法:
- 使用粒子群优化神经网络 (PSO-NN) 和混合粒子群优化遗传算法 (混合PSO-GA) 制造高一致性Ag@Au基质.
- 实施一个两步的ML框架,包括分类,然后使用等级建模和Kernel-SVM和KNN等算法进行量化.
- 开发针对特定数据集群的轻量回归模型,以提高匹配精度.
主要成果:
- 该分类模型实现了100%的准确性.
- 回归模型显示平均相关系数 (R2) 为0.9953.3.
- 根平均平方误差 (RMSE) 始终低于10−2.2.
结论:
- 拟议的ML框架提供了一种快速可靠的方法来检测变压器油中溶解的furfural,即使有干扰物质.
- 这种方法在SERS分析中显著提高了基质的一致性和定量可靠性.
- ML框架显示了超越变压器油分析的其他复杂混合系统监测的潜力.
