卷积神经网络辅助激光诱导击穿光谱测定铁矿石中钙镁硅铝

作     者：金悦 刘曙 徐倩茹 闵红 安雅睿 

作者机构：上海理工大学材料与化学学院 上海海关工业品与原材料检测技术中心 

出 版 物：《冶金分析》 (Metallurgical Analysis)

年 卷 期：2024年

学科分类：080602[工学-钢铁冶金] 081704[工学-应用化学] 07[理学] 08[工学] 0817[工学-化学工程与技术] 0806[工学-冶金工程] 070302[理学-分析化学] 0703[理学-化学] 

基　　金：海关总署科研项目(2020HK253) 

主　　题：激光诱导击穿光谱(LIBS) 卷积神经网络(CNN) 铁矿石 钙 镁 硅 铝 

摘      要：激光诱导击穿光谱(LIBS)定量分析铁矿石中钙、镁、硅、铝含量有助于快速评价铁矿石质量。然而，受到激光能量波动、基体效应、光谱干扰等因素的影响，LIBS结合单变量定量分析铁矿石中钙、镁、硅、铝含量存在误差大、精度低的应用挑战。对LIBS原始光谱进行多变量分析可以有效提升LIBS定量性能，本文建立了1种基于LIBS光谱的一维卷积神经网络(CNN)模型应用于铁矿石中钙(以CaO计)、镁(以MgO计)、硅(以SiO2计)、铝(以Al2O3计)含量的定量分析。8个国家35个品牌628个铁矿石代表样品被收集，决定系数(R2)和均方根误差(RMSE)用于评价模型性能。对比了铁矿石LIBS光谱进行特征归一化、光谱归一化和内标归一化对模型性能的影响，结果表明归一化预处理对镁和铝含量影响较小，而光谱归一化更适用于钙含量分析，特征归一化更适用于硅含量分析。模型参数对模型性能影响较大，分别对卷积核个数、卷积核大小及批量大小进行优化。结果显示，卷积核数量为24，大小为50，批量大小为256时，硅含量的预测模型中预测集的R2、RMSE分别为0.9626、0.4698%。卷积核数量为16，大小为60，批量大小为256时，铝含量的预测模型中预测集的R2、RMSE分别为0.9494、0.1324%。当卷积核数量为24，大小为60，批量大小为128时，钙含量的预测模型中预测集的R2、RMSE分别为0.9670、0.0776%。卷积核数量为12，大小为60，批量大小为256时，镁含量的预测模型中预测集的R2、RMSE分别为0.9992、0.0753%。采用构建的最优模型偏最小二乘(PLS)、支持向量机(SVM)、随机森林(RF)和变量重要性-反向传播-人工神经网络(VI-BP-ANN)等方法进行对比，CNN模型在整体上表现出更为优异的预测性能，RMSE最低，R2最高。研究表明CNN辅助LIBS能实现铁矿石中钙、镁、硅、铝含量的测定。