使用激光诱导分解光谱学与机器学习相结合,对铁甲皮 (Fe-Mn 皮) 的定量分析
Mengting Yu1, Lihui Ren2, Ye Tian3
1College of Physics and Optoelectronic Engineering, Ocean University of China, Qingdao, 266100, China.
Analytica chimica acta
|February 27, 2025
概括
激光诱导分解光谱 (LIBS) 与机器学习相结合,可为深海矿物调查提供快速的机载元素分析. 与传统方法相比,这种方法提高了铁甲皮的表征效率和准确性.
科学领域:
- 地质化学 地质化学
- 分析化学 分析化学
- 海洋地质学海洋地质学
背景情况:
- 深海矿产资源调查需要快速,在船上的元素分析.
- 由于样品转移到实验室,传统的地化学方法耗时.
- 需要更快,更环保的机载分析技术.
研究的目的:
- 评估激光诱导分解光谱学 (LIBS) 结合机器学习,用于对深海铁地进行快速定量分析.
- 开发和比较部分最小平方 (PLS) 和卷积神经网络 (CNN) 模型用于元素量化.
- 评估特征选择对模型性能和可解释性的影响.
主要方法:
- 使用LIBS.使用铁甲皮的定量元素分析.
- 开发用于量化Fe,Mn,Ti和Fe-Mn比率的PLS和CNN模型.
- 应用SD-SKB特征选择和Grad-CAM可视化用于光谱分析.
主要成果:
- 与PLS模型相比,CNN模型表现出优越的概括性和稳定性,PLS模型表现出完全光谱输入的过拟合.
- 基于特征的模型,特别是具有选择变量的CNN,实现了与全频谱模型相比更好的或可比的性能.
- 特性选择显著降低了模型复杂性和计算成本,同时提高了可解释性.
- 基于特征的CNN模型实现了较低的RMSEp值:0.422重% (Fe),0.532重% (Mn),0.045重% (Ti) 和0.031 (Fe-Mn比率).
结论:
- 与机器学习相结合的LIBS是深海矿物调查中机载元素分析的有效工具.
- 这种综合方法为传统地质化学分析提供了快速有效的替代方案.
- 该研究强调了通过先进的分析技术改善深海矿产勘探的潜力.
