机器学习辅助的LIBS在CFRP中识别回收过程中的环氧树脂
Dimitris Kanakis1, Zaira M Berdiñas2, Konstantinos N Sioutas1
1IRES-Innovation in Research & Engineering Solutions SNC, Silversquare Europe, Square de Meeûs 35, 1000 Brussels, Belgium.
Materials (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了一种使用激光诱导分解光谱 (LIBS) 和机器学习进行碳纤维增强聚合物 (CFRP) 复合材料分类的新方法. 这种方法可以准确地识别和分离复合材料,以提高回收效率.
科学领域:
- 材料科学 材料科学 材料科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 基于树脂的CFRP复合材料的高效分类对于可持续的回收过程至关重要.
- 当前的方法往往缺乏复杂复合体流所需的精度.
- 优化回收流需要准确的材料识别和分离.
研究的目的:
- 开发和验证一套综合的方法,用于精确的CFRP复合材料的材料歧视.
- 为了利用激光诱导分解光谱 (LIBS) 和机器学习 (ML) 进行自动分类.
- 通过先进的分类技术提高复合材料回收利用的效率.
主要方法:
- 使用LIBS来确定复合材料的化学成分,重点是环氧树脂 (双-A).
- 处理LIBS光谱图,标准化特征维度,并从数据集中删除噪声.
- 应用统计分析来选择特征,然后进行线性差异分析 (LDA) 来减少维度.
- 采用了支持向量分类 (SVC) 模型,用于准确分类,具有5倍交叉验证.
主要成果:
- 使用集成的LIBS-ML方法实现了0.8317 ± 0.0212的平均嵌套精度得分.
- 根据它们的光谱指纹,成功地将化学上相似的材料分组在一起.
- 证明了特征选择和LDA在准备ML分类数据中的有效性.
结论:
- 集成的LIBS-ML方法为CFRP复合材料中准确的材料歧视提供了强大的解决方案.
- 这种方法显示出在复合材料回收行业推进自动分类技术的巨大潜力.
- 该研究强调了光谱学和机器学习在环境应用中的协同作用.


