激光诱导分解光谱和卷积神经网络模型用于预测铁矿石中铁的总含量

科学领域:

• 分析化学 分析化学
• 地质化学 地质化学
• 材料科学 材料科学 材料科学

背景情况:

• 激光诱导分解光谱 (LIBS) 可快速检测铁矿石中的总铁 (TFe).
• 在LIBS中的单变量回归分析由于激光波动和光谱干扰而面临精度限制.
• 先进的多变量分析和特征选择对于精确的TFe量化至关重要.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 模型,使用LIBS数据准确预测铁矿石中的TFe含量.
• 为了比较CNN辅助的LIBS与传统和基于变量重要性的方法 (VI-RF,VI-BP-ANN) 的性能.
• 评估机器学习和深度学习的潜力,以提高LIBS在采矿行业的应用.

主要方法:

• 从五个国家的339个铁矿石批次中收集了2034个LIBS光谱.
• 开发了一个CNN模型用于TFE内容预测.
• 将CNN与变量重要性随机森林 (VI-RF) 和变量重要性反向传播人工神经网络 (VI-BP-ANN) 模型进行比较.
• 使用R2,RMSE,MRE和建模时间评估模型.

主要成果:

• 与标准BP-ANN和RF相比,变量重要性方法提高了定量准确性和减少了建模时间.
• CNN模型的表现优于VI-BP-ANN和VI-RF,表现出最短的建模时间,最高的R2和最低的RMSE和MRE.
• CNN的架构 (重量共享,本地连接) 非常适合用于高维的LIBS数据分析.

结论:

• 机器学习和深度学习方法显著提高了LIBS在铁矿石中TFe预测的准确性.
• 在CNN的协助下,LIBS提供了一种强大而准确的方法来确定TFe含量.
• 开发的CNN-LIBS方法显示了采矿行业实际应用的巨大潜力.