单个微米大小的煤气溶颗粒用于基于空洞激光捕捉-LIBS和机器学习的定量分析

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 环境科学 环境科学

背景情况:

• 煤炭燃烧释放细颗粒物和气体污染物,造成环境问题.
• 激光诱导分解光谱 (LIBS) 提供实时,同时,多元件检测,但面临诸如光谱干扰和矩阵效应等挑战.
• 对煤炭成分进行准确的定量分析对于环境监测和可持续发展至关重要.

研究的目的:

• 开发和验证基于机器学习的煤炭多元件定量分析方法,使用空洞激光捕获辅助LIBS信号增强.
• 调查光谱预处理和变量选择技术对随机森林 (RF) 校准模型性能的影响.
• 建立可靠的校准模型,准确量化标准煤样本中的铁 (Fe) 和 (Ca).

主要方法:

• 已建立的空洞激光捕捉辅助LIBS信号增强与光纤协同系统.
• 评估了五种光谱预处理方法和三种RF校准模型的可变选择方法.
• 开发了具体的模型:萨维茨基-戈莱卷积导数-变量重要性预测-Fe的随机森林 (SG-VIP-RF) 和第一阶导数-变量重要性测量-Ca的随机森林 (D1st-VIM-RF).

主要成果:

• 对Fe (R_p2=0.9861,MREP=0.0477) 和Ca (R_p2=0.9580,MREP=0.0627) 实现了高的预测精度.
• 证明Fe (2.2%) 和Ca (5.2%) 的相对标准偏差较低.
• 验证了强化LIBS方法和RF模型的有效性,用于对标准煤样品进行定量分析.

结论:

• 开发的基于机器学习的LIBS方法有效地增强了信号,并允许对煤炭进行准确的多元元素定量分析.
• 该研究为煤炭燃烧能源材料的现场,在线,快速监测提供了理论基础和技术支持.
• 这种进步支持绿色,低碳发展,并有助于实现碳峰值和碳中和目标.