关键词:
激光诱导击穿光谱技术
光学计算
光谱筛选
协方差分析
人工神经网络
摘要:
锰矿石的检测在锰资源的开采和利用过程中都具有至关重要的作用。通过检测可以准确判断其化学成分和矿物组成,有助于衡量矿石的质量和价值,为合理规划和开采提供科学依据。然而,锰矿石的检测仍存在一些问题,如样品均匀性差、非基体元素干扰和仪器误差等,影响检测精度。而对于矿物成分中的干扰也是各检测方法亟待解决的难题。激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy,LIBS)作为一种新型的光谱分析方法,通过高能激光脉冲直接照射样品并诱导其产生等离子体。利用样品所获得的原子发射光谱,结合激光与物质相互作用的特性,可以有效地分析物质的成分及其含量。因此,本研究旨在将LIBS技术应用于锰矿石的定量分析,并通过筛选和补偿的方法提高检测精度。具体研究内容如下:
(1)为了检测锰矿石样品,首先分析了锰矿石样品的特性,搭建了检测平台,并优化设备参数以减少误差。在此基础上,分析了激光器的能量波动问题并提出解决方案,以提高检测准确性。同时,具体介绍了样品数据的预处理方法和定量结果的评价指标。
(2)为了筛选LIBS目标谱线中的干扰谱线,首先通过光学计算公式获得谱线的参考强度,并与实际强度比较得到强度比值。通过分析强度比值的变化,剔除目标元素占比小的谱线,再结合数据的浓度梯度和偏离程度进行分析,有效剔除干扰谱线。计算筛选后的数据与人工神经网络(ANN)相结合,能够取得较好的预测效果。同时,还将计算筛选结果与传统筛选方法及基于Lasso的特征选择方法进行了对比。研究结果表明,该方法显著提高了决定系数(R2),与NIST库对比的常规方法从0.6378增至0.9992,均方根误差(RMSE)从2.9098降至0.1135,初步实现了筛选目标谱线并剔除谱线中较大干扰的问题。
(3)为解决筛选后谱线中残留的少量干扰,首先,深入探讨了影响锰矿石检测结果的因素,认为结果的准确性可能受到光谱中元素间相互干扰的影响。虽然计算筛选能够剔除非目标元素占比较大的谱线和不符合浓度递增趋势的谱线,但仍无法完全解决少量干扰问题。针对谱线中的元素间干扰,采用协方差分析(ANCOVA)方法,分析了锰矿石中各元素的干扰占比,并通过占比推算补偿系数。然后利用ANN对补偿后的数据进行分析。补偿后的初步筛选结果较好,其R2、RMSE和平均绝对误差(MAE)分别为0.9236、1.0471和0.9657。补偿后的特征筛选和计算筛选的结果也有所提升,分别为0.9418和0.9993。该方法实现了LIBS技术对锰矿石样品的高精度检测。
本文通过分析样品特性搭建了合适的锰矿石样品检测平台,解决了LIBS技术中谱线干扰问题,并根据ANCOVA方法对筛选后的数据进行补偿。通过机器学习算法显著提高了锰矿石样品的检测精度,为锰矿石检测提供了一种新的精确检测方法。