使用机器学习增强光谱技术分析衰老
James T Stofel1, Ashwin P Rao2, Anil K Patnaik1
1Department of Engineering Physics, Air Force Institute of Technology, Wright-Patterson AFB, Ohio, USA.
Applied spectroscopy
|August 21, 2024
概括
这项研究使用激光诱导分解光谱 (LIBS) 和Raman光谱与机器学习来识别化合物. 这些方法准确地分类化,氧化和碳酸盐,并量化化合物内生长.
科学领域:
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
背景情况:
- 像LiH和LiOH这样的化合物在工业上很重要,但具有反应性.
- 与H2O和CO2的反应导致二次化合物入,影响材料均性和应用.
研究的目的:
- 开发和验证用于分析化合物混合物的光谱方法.
- 量化评估化 (LiOH) 在化 (LiH) 中的氧化 (LiOH) 的生长.
主要方法:
- 利用激光诱导分解光谱 (LIBS) 和拉曼光谱来获取光谱数据.
- 采用机器学习,包括支持矢量机 (SVM) 分类器,用于对LiH,LiOH和Li2CO3的高保真分类.
- 应用多变量回归技术,特别是部分最小平方回归 (PLSR),用于定量分析.
主要成果:
- 在使用SVM分类器对LiH,LiOH和Li2CO3进行分类时实现了完美的预测准确度.
- 使用PLSR开发了一个数据融合模型,将LIBS和Raman功能结合起来.
- 优化的模型显示,LiOH在LiH中的生长的根平均平方误差为2.5 wt%,检测极限为6.3 wt%.
结论:
- 与机器学习相结合的LIBS和拉曼光谱,为分析化合物混合物提供了强大的方法.
- 开发的方法可以准确地对二次化合物形成进行分类和量化.
- 这种技术对于确保工业应用中化学品的质量和性能至关重要.
