查看更多>>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,本文建立了一种基于LIBS光谱的卷积神经网络(CNN)模型应用于铁矿石中钙(以CaO计)、镁(以MgO计)、硅(以SiO2计)、铝(以A12O3计)含量的定量分析方法.8个国家35个品牌628个铁矿石代表性样品被收集,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0.962 6、0.469 8％.卷积核数量为12,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0.949 4、0.132 4％.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0.967 0、0.077 6％.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R-、RMSE分别为0.999 2、0.075 3％.采用构建的最优模型与偏最小二乘(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.
NETL
NSTL
万方数据