激光诱导分解光谱学与多尺度卷积神经网络和注意力机制相结合,用于分析多金属矿石中的Dy,Nd和Yb

科学领域:

• 分析化学 分析化学
• 地质化学 地质化学
• 机器学习 机器学习

背景情况:

• 由于矩阵效应和光谱干扰,激光诱导分解光谱 (LIBS) 在复杂的多金属矿石中对稀土元素 (REEs) 的定量分析方面面临挑战.
• 准确的REE量化对于矿产勘探和资源管理至关重要.

研究的目的:

• 开发一种先进的光谱分析模型,以克服REE量化中的LIBS限制.
• 提高LIBS分析多金属矿石的精度和可靠性.

主要方法:

• 一个多尺度的双重注意力卷积神经网络 (MSDA-CNN) 被建议用于光谱分析.
• 该MSDA-CNN使用并行多尺度卷积分支和通道/空间注意力机制.
• 该模型以适应性的方式专注于信息光谱区域,并抑制干扰.

主要成果:

• 在MSDA-CNN模型实现了高精度与R^{2>0.98和RMSE<0.89量化Dysprosium (Dy),Neodymium (Nd) 和Ytterbium (Yb).}
• 证实注意力机制对于提高表现至关重要,可视化权重显示重点关注特征光谱区域.
• 与其他方法相比,该模型显示出更高的预测准确性和稳定性.

结论:

• 整合LIBS与MSDA-CNN模型提供了一个强大的解决方案,用于在多金属矿石中高精度的REE量化.
• 这种方法在推进矿产勘探和优化资源利用策略方面具有重大潜力.