使用fs-LA-SIBS与机器学习方法相结合的合金的定量分析和识别

科学领域:

• 材料科学 材料科学 材料科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 精确的定量分析和合金的识别对于工业应用至关重要.
• 传统的方法可能是耗时和破坏性的.
• 开发快速,非破坏性的技术对于实时监控至关重要.

研究的目的:

• 用fs-LA-SIBS.评估机器学习模型的性能,用于使用fs-LA-SIBS.进行合金的定量分析和分类.
• 确定最佳的机器学习模型来预测元素组成和合金类型.
• 为实时合金监测系统奠定基础.

主要方法:

• 用 femtosecond激光剥离火花诱导分解光谱法 (fs-LA-SIBS) 进行样本分析.
• 整合了四种机器学习模型:随机森林 (RF),支持矢量机 (SVM),部分最小平方 (PLS) 和k-最近邻居 (KNN).
• 训练模型进行回归 (预测Mn,Al,Zn,Ni含量) 和分类 (识别合金类型).

主要成果:

• 随机森林回归 (RFR) 模型显示了定量元素分析的最佳性能.
• 随机森林分类 (RFC) 模型在识别不同类型的合金中取得了卓越的准确性.
• 使用灵敏度,特异性和准确度指标来评估性能.

结论:

• 该研究证实了使用fs-LA-SIBS与机器学习相结合的可行性,用于准确的合金分析和识别.
• 机器学习,特别是随机森林,为增强LIBS数据解释提供了一个强大的方法.
• 这项研究为开发先进的实时合金监测仪器提供了技术基础.