带有注意模块的双分支卷积神经网络用于LIBS-NIRS数据融合在水泥组成量化中的数量化

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.
• 人工智能的人工智能

背景情况:

• 水泥的成分 (CaO,SiO2,Al2O3,Fe2O3) 对强度和耐久性至关重要.
• 对水泥组件的实时监控确保了最佳的原材料比率.
• 激光诱导分解光谱 (LIBS) 和近红外光谱 (NIRS) 提供快速,非破坏性的分析,但具有局限性 (矩阵效应,光谱重叠).

研究的目的:

• 开发一种新型的融合方法,整合LIBS和NIRS数据,以提高水泥组件的量化.
• 通过协同的数据分析来克服LIBS和NIRS的个别限制.
• 为了实现准确和稳定的实时水泥成分分析.

主要方法:

• 开发了一种带有注意模块的双分支卷积神经网络 (DBAM-CNN).
• 双分支CNN可以提取原子 (LIBS) 和分子 (NIRS) 信息.
• 注意模块完善特征权重,以捕获光谱指纹信息;用于特征解释,使用SHAP分析.

主要成果:

• 与现有的融合策略和单一光谱技术相比,DBAM-CNN方法表现出更高的性能.
• 该模型在实时水泥成分分析中实现了高精度.
• SHAP分析证实了该方法能够突出LIBS和NIRS的关键特征,从而提高定量结果.

结论:

• DBAM-CNN有效地整合了互补的LIBS和NIRS数据,增强了水泥组成分析.
• 这种方法解决了信息冗余和功能丢失问题,为实时监控提供了可靠的解决方案.
• 该研究推进了光谱数据融合技术,为改善水泥质量控制铺平了道路.