一种适用于极端环境的短暂温度测量方法,基于MF-LIBS和机器学习的结合

科学领域:

• 频谱学是一种光谱学.
• 等离子体物理学的物理学
• 机器学习 机器学习

背景情况:

• 传统的温度测量方法在快速变化的极端环境中扎.
• 激光诱导分解光谱 (LIBS) 是一种有价值的工具,但其性能可能受到等离子体扩散的限制.
• 准确的实时温度监测对于理解和控制极端条件至关重要.

研究的目的:

• 开发一种用于极端环境的先进温度测量技术.
• 研究磁场限制对激光诱导等离子体及其光谱特性的影响.
• 通过机器学习提高温度预测模型的准确性和可靠性.

主要方法:

• 集成磁性封闭激光诱导分解光谱 (MF-LIBS) 与鱼优化回传播神经网络 (WOA-BP).
• 在外部磁场限制下分析激光诱导的等离子体发射光谱.
• 主要组件分析 (PCA) 的应用用于光谱数据的简化.
• 使用WOA-BP的温度预测模型的开发和验证.

主要成果:

• 外部磁场显著增强光谱信号强度和信号噪声比 (SNR).
• 磁场的限制使Fe II 578.39nm线的强度增加了1.67倍,SNR在300°C时增加了25.41%.
• 与WOA-BP模型相结合的MF-LIBS实现了0.9982的确定系数 (R2),与非受限条件相比,RMSE降低了29.31%.
• 磁场限制通过洛伦茨力抑制了等离子体扩散,改善了等离子体的特性.

结论:

• 磁场封闭和机器学习的结合为短暂温度测量提供了强大的方法.
• MF-LIBS显著提高了光谱信号质量,从而可以更准确地预测温度.
• 这种先进的技术显示出在快速变化的极端环境中应用的巨大潜力,需要精确的热监测.