深度学习的应用在一次性气相激光诱导分解光谱学中
Optics letters
|January 15, 2026
概括
一个贝叶斯优化的卷积神经网络 (CNN) 能够有效地解释一次性激光诱导分解光谱 (LIBS) 测量结果. 这一进步有助于分析聚变驱动器中的电极脱吸现象.
科学领域:
- 等离子体物理学的物理学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 单射激光诱导分解光谱 (LIBS) 对于在脉冲动力聚变驱动器中诊断ns级电极脱落至关重要.
- 从低密度气体混合物中解释LIBS测量具有重大挑战.
研究的目的:
- 证明贝叶斯优化的卷积神经网络 (CNN) 的有效性,用于解释一次性LIBS测量.
- 分析脉冲动力聚变驱动器中的电极脱吸现象.
主要方法:
- 通过混合 (H2) 和甲 (CH4) 以不同的流速 (80-530 mTorr) 生成256种不同的测量条件.
- 采用贝叶斯优化的CNN来解释这些气体混合物的LIBS数据.
- 验证了CNN对H2和CH4流速的预测准确度.
主要成果:
- 美国有线电视新闻网 (CNN) 准确地预测了H2流速,其平方根平均误差 (RMSE) 为15.9平方厘米.
- 美国有线电视新闻网 (CNN) 预测了CH4流速,RMSE为12.0平方厘米.
- 每种气体的平均相对预测误差为<9%,保持在10%以下.
结论:
- 开发的CNN模型成功地解释了具有挑战性的一次性LIBS测量.
- 这种方法显示出在聚变能源研究中诊断电极脱落的巨大潜力.
- 准确的气体流速预测是可以实现的,尽管信号重叠.
更多相关视频
08:53Dependence of Laser-induced Breakdown Spectroscopy Results on Pulse Energies and Timing Parameters Using Soil Simulants
Published on: September 23, 2013
11.7K
10:17Laser-induced Breakdown Spectroscopy: A New Approach for Nanoparticle's Mapping and Quantification in Organ Tissue
Published on: June 18, 2014
14.2K
