多尺度卷积注意力GRU网络与改进的CARS战略相结合,通过XRF确定矿石中的关键元素
Zenan Xiao1, Fusheng Li1, Wanqi Yang1
1School of Automation Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan, 611731, PR China; Yangtze Delta Region Institute (Huzhou), University of Electronic Science and Technology of China, Huzhou, Zhejiang, 313001, PR China; Laboratory for Microwave Spatial Intelligence and Cloud Platform, Yangtze Delta Region Institute (Huzhou), University of Electronic Science and Technology of China, Huzhou, Zhejiang, 313001, PR China.
Analytica chimica acta
|September 7, 2025
概括
这项研究引入了一种使用竞争性自适应重量重新抽样 (CARS) 和多尺度卷积注意力与封闭的循环单位网络 (MSCA-GRU) 的新方法,用于通过X射线光 (XRF) 精确地分析矿石中的金属元素. 该方法增强了矿石成分分析,并简化了矿产勘探.
科学领域:
- 地质化学 地质化学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- X射线光 (XRF) 对矿石元素分析有价值,但由于冗余的光谱特征,它面临着挑战.
- 传统模型在XRF光谱和元素度之间的非线性关系中扎,阻碍了准确的量化.
- 通过XRF进行精确的矿石元素分析仍然是采矿和矿物加工的重大挑战.
研究的目的:
- 为XRF数据开发一种新的光谱变量选择方法.
- 建议使用XRF在矿石中的金属元素进行先进的定量分析模型.
- 为了提高矿石元素度预测的准确性和效率.
主要方法:
- 采用基于启发式优化的竞争性适应性重权取样 (CARS) 方法来进行光谱变量选择.
- 为了进行定量分析,开发了一种具有封闭的反复单位网络 (MSCA-GRU) 的多尺度卷积注意力.
- 该MSCA-GRU模型集成了多尺度卷积注意力特征重要性和GRU非线性关系提取.
主要成果:
- 启发式CARS方法有效地消除了冗余的特征,同时保留了基本的光谱信息,超过了传统的CARS.
- 该MSCA-GRU模型实现了Cu,Zn和Pb的高精度定量分析,确定系数 (R2) 分别为0.9982,0.9985和0.9970.
- 与其他先进的机器学习模型相比,所提出的模型表现出优越的性能.
结论:
- 结合的启发式CARS和MSCA-GRU方法显著提高了矿石中关键元素量化的准确性.
- 这种方法为使用XRF精确确定金属元素度提供了一个新的,有效的解决方案.
- 这些发现有助于简化矿产勘探过程和优化采矿策略.
