基于LDA和二维卷积神经网络的石油物种重叠光谱的快速染

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 机器学习应用 机器学习应用

背景情况:

• 通过光谱对石油油的识别受到重叠的光谱签名的挑战.
• 现有的光光谱法难以准确识别混合油种.

研究的目的:

• 开发一种有效的方法,使用光光谱学来识别重叠的油种.
• 准确确定柴油滑油混合物中的滑剂度.

主要方法:

• 建立了与光光谱重叠的石油物种的同等模型.
• 应用机器学习算法包括K-Nearest Neighbor (KNN),决策树 (DT) 和随机森林 (RF) 辅助的线性差异分析 (LDA).
• 使用2D卷积神经网络 (2DCNN) 和回归算法,如部分最小平方回归 (PLSR),支持向量回归 (SVR),DT和RF.

主要成果:

• 由LDA辅助的ML算法在识别光谱重叠的油种时实现了100%的准确性.
• 2DCNN和LDA与ML算法相结合也证明了100%的识别准确性.
• 回归算法,特别是决策树,准确地确定了滑剂度,确定系数为1和零的平方根平均误差.

结论:

• 机器学习算法,特别是与LDA相结合时,通过光光谱显著改善了通过光谱学识别重叠的石油物种.
• 开发的方法提供了精确和无错误的油剂度的油混合物的量化.
• 这种方法为石油分析中的光谱重叠所带来的挑战提供了强有力的解决方案.