激光诱导击穿光谱结合多元非线性方法定量分析土壤中锰

锰元素是植物所需的微量元素之一。采用激光诱导击穿光谱(laser-induced breakdown spectroscopy,LIBS)技术对土壤中锰元素进行定量分析。以46个土壤样品为研究对象,获取土壤激光诱导击穿光谱数据,选取锰元素403.1 nm的特征谱线为分析线。根据谱线强度与元素浓度建立定标曲线,相关系数仅为0.78,定标结果说明,由于土壤样品成分的复杂性,锰元素浓度受土壤基体效应影响严重,应根据锰元素在土壤中的存在形式,选取相关元素,建立多元非线性回归定量分析方法,消除基体效应,从而提高LIBS测量的准确性。在多元非线性回归方法中分别考虑碳和铁元素对锰元素浓度的影响。与定标曲线相比,在考虑碳和铁元素对锰元素影响时,LIBS预测浓度与参考浓度的相关系数为0.97,相对误差为3.2%～10.3%,测量的准确度得到提高。实验结果表明,将多元非线性回归方法和激光诱导击穿光谱技术结合可以对土壤中微量锰元素进行定量分析。     

基于LIBS技术的钢铁合金中Cr和Ni元素SVM定量分析方法研究

针对钢铁合金样品中存在基体效应复杂的问题,通过优化支持向量机模型的输入特征,建立多元素变量的定量分析模型,预测钢铁合金样品中Cr和Ni元素的含量。研究结果表明,分别以特征谱线的峰值强度和积分强度作为支持向量机模型的输入时,积分强度因为包含了谱线的谱宽和形状信息,模型训练效果较好;相比于单一元素谱线的特征信息,采用多元素的多条谱线信息输入支持向量机模型时,模型训练效果较好,这是由于多种谱线信息的输入可以有效校正基体效应的影响。在此基础上,通过归一化变量将内标法与多变量定标方法有效结合,不仅可以减小实验测量误差还能有效校正基体效应的影响,而且有效提高了模型的重复率和准确率。归一化变量作为支持向量机模型的输入变量,对待测样品S₁和S₂中Cr元素含量预测的相对误差为6.58%和1.12%,对Ni元素浓度预测的相对误差为13.4%和4.71%。通过归一化变量将内标法与多变量定标方法有效结合,可以充分发挥SVM算法的非线性学习优势,为LIBS技术应用于复杂样品定量定标分析提供理论基础。     

激光诱导击穿光谱技术结合神经网络定量分析钢中的Mn和Si

激光诱导击穿光谱(LIBS)作为一种快速的化学组成分析技术,在冶金过程的原位、在线及远程分析方面展现了突出的应用前景和研究价值。利用神经网络建立定标模型,结合LIBS技术对不同品种钢中的Mn和Si组分进行定量分析,研究了不同输入方式对神经网络性能的影响,并与光谱分析中常用的内标法进行对比。结果表明,对于化学体系复杂的多基体钢的定量分析,神经网络定标法能够更充分利用光谱中的信息,有利于校正基体效应和谱线之间的干扰;但是,神经网络的输入方式对网络性能具有重要影响,只有在合理选择输入方式下才能有效提高测量重复性和准确性。     

基于K-CV参数优化支持向量机的LIBS燃煤热值定量分析

热值是煤质特性的重要参数之一,很大程度上影响着燃煤锅炉的运行。为了克服传统检测方法所存在的问题,将激光诱导击穿光谱(LIBS)应用于燃煤热值的定量分析。煤的结构复杂,所含的元素种类众多,包括了主量元素、次量元素和痕量元素,致使煤的LIBS光谱信息复杂。如何有效提取LIBS光谱信息,实现准确的定量化测量是LIBS在煤特性检测中发挥作用的前提和基础。近年来,随着人工智能技术的发展,相关的分析技术也开始应用于煤的工业指标分析和热值预测中。为实现煤样品中LIBS光谱信息的有效提取,同时为克服常规的分析方法易出现的过渡拟合、收敛性不好等问题,提出采用结合K-fold Cross Validation(K-CV)参数优化的支持向量机(SVM)回归方法,实现LIBS定量分析煤中的热值。SVM方法是结构风险最小化的近似实现,可用于模式分类和非线性回归。为了得到有效的LIBS分析模型,实验选用44种电厂常用的热值含量不同的煤样作为实验对象,选择其中33个作为训练集,剩余11个为测试集。利用搭建的LIBS实验系统获取所选煤样品的等离子体发射光谱数据,首先分析了SVM热值回归模型的参数-惩罚因子C、核函数参数g与模型精度的关联,确定C和g最佳取值范围,然后分别建立了基于LIBS全谱和某些元素(非金属元素和金属元素)特征光谱的SVM回归模型。利用训练集光谱数据,结合K-CV法得到热值SVM回归模型的最优参数C和g的值,建立基于SVM最优参数的煤热值定量分析模型。然后将测试集的光谱数据作为输入量用于测试所建立模型的可靠性,得到分别采用全谱、非金属元素特征光谱、非金属与金属元素特征谱相结合的热值定量分析模型,其决定系数R2均达到0.99以上,均方误差分别为0.12,0.17和0.06 (MJ·kg-1)2,预测平均相对偏差分别为1.2%,1.23%和0.69%。结果表明：基于K-CV参数优化SVM回归方法可用于LIBS技术实现燃煤热值的定量分析,且可得到较高的分析精确度和准确度;同时通过对比选用不同的光谱特征的定量分析模型可知,采用非金属与金属元素的特征光谱所建立的基于K-CV参数优化SVM的热值定量模型,能够有效提高LIBS应用于快速检测煤热值的精度和准确度,实现煤热值的准确预测。     

缅甸翡翠中铁元素的激光诱导击穿光谱定量检测

采用激光诱导击穿光谱(LIBS)技术定量分析缅甸翡翠中Fe元素的浓度。选择Fe元素的275.57 nm光谱线作为定量分析谱线,选取Si元素的288.17 nm光谱线作为内标谱线,选取12个缅甸翡翠样品作为研究对象,以其中9个样品绘制了传统定标法和内定标法的Fe元素定标曲线,并将定标曲线用于3个检验样品的Fe含量的实际预测。实验结果表明,采用传统定标方法时,定标样品光谱强度的相对标准偏差(RSD)在1.4%～8.3%之间,所建立的Fe元素浓度含量定标曲线的拟合相关系数R2为0.979,使用该方法建立的定标曲线对3个检验样品中Fe元素含量进行测定,最大相对误差为10.6%;而采用内定标法时,定标样品光谱强度的比值(I_Fe/I_Si)的相对标准偏差(RSD)在0.9%～5.7%之间,Fe的拟合相关系数R2达到0.989,样品中Fe元素的测定相对误差均可降低到7%以下。结果证明,利用内定标法定量分析翡翠中Fe的含量比传统定标法相对误差更小,采用LIBS技术结合内定标法更适于缅甸翡翠样品中Fe元素定量分析。     

双脉冲激光诱导光谱结合多变量GA-BP-ANN检测合金钢中C元素

在合金钢众多成分中碳(C)属于微量非金属元素,其含量决定了合金钢的主要力学性能,准确、实时掌握C元素的含量,对合金钢的生产及分类起到关键作用。双脉冲激光诱导击穿光谱(DP-LIBS)是一种可用于在线快速分析合金钢中元素的有效手段,不仅具有实时、样品预处理简单等优点,还能够增强物质的烧蚀度和信号强度,从而提高LIBS技术的检测灵敏度。为了减小基体效应影响,进一步提高LIBS技术对合金钢中微量C元素定量分析的精确性,采用多元素多谱线的修正方法,通过DP-LIBS结合反向传播人工神经网络(BP-ANN),建立多变量GA-BP-ANN定标法。首先在氩气环境对合金钢样品进行DP-LIBS采集,目标C元素选择了谱线强度变化能够体现其含量变化的C 193.09 nm处的原子谱线,同时选取共存元素Fe,Cr,Mn和Si对应的特征谱线,以提供更多的光谱信息,提高C元素定量分析的准确度,共选择15条特征分析谱线,其中Fe元素含量丰富且相对稳定,作为内标元素引入以减小谱线波动;之后通过遗传算法(GA)寻优,对C/Fe,Cr/Fe,Mn/Fe和Si/Fe的谱线强度比进行优化选择;最后将GA选择的多谱线强度比作为BP-ANN网络的输入,输出为目标C元素浓度值,建立多变量GA-BP-ANN定标方法。为比较该方法预测结果的精确性,同时建立传统定标曲线法与以C/Fe为输入的单变量BP-ANN定标方法。利用标准合金钢样品,通过留一法交叉预测C元素含量值,与内标法和单变量BP-ANN定标方法相比,预测样品的平均相对误差分别由14.78%和14.75%减小到8.29%,预测值与真实值之间的决定系数R2分别由0.967 4和0.974 4提升至0.989 3。结果说明了多变量GA-BP-ANN定标法预测的C元素含量更接近于真实含量,证明了该方法用于LIBS检测合金钢中C元素含量的可行性。     

共轴双脉冲激光诱导击穿光谱结合双谱线内标法定量分析植物油中的铬

采用共轴双脉冲激光诱导击穿光谱(DP-LIBS)技术对3种植物油中的重金属铬(Cr)含量进行定量分析.对实验配制的24个样品,来用桐木木片对其中的Cr进行富集,烘干后进行LIBS试验.选取Cr I 425.39 ran为定量分析谱线,CN分子谱线(421.49 nm)、Ca原子谱线(422.64 nm)以及它们谱线强度之和为内标线,分别建立了Cr的基本定标法、单谱线内标法和双谱线内标法的定标曲线,并用验证样品对它们进行检验.研究结果表明,3种植物油的基本定标曲线的拟合度R~2在0.97以上,低浓度验证样品预测的相对误差较大;采用单谱线内定标法时,定标曲线拟合度R~2在0.98以上,验证样品预测的相对误差较基本定标法有所降低;来用双谱线内标时,大豆油、花生油和玉米油的内定标曲线拟合度R~2分别为0.995,0.992和0.996,2个验证样品预测的相对误差分别为12.81%,1.73%,9.19%,6.05%和6.23%,6.69%.由此可见,采用双谱线内标法能有效减小定量分析误差,提高LIBS对植物油中Cr元素的预测能力.     

激光击穿光谱检测赣南脐橙中铬元素的实验研究

为评估激光诱导击穿光谱技术(LIBS)对水果样品中重金属元素的检测潜力,选用在不同浓度梯度重铬酸钾水溶液中浸泡了30个小时的赣南脐橙样品进行LIBS实验,采集铬元素的特征谱线与峰值强度信息。在激光照射部位称取3 g左右的脐橙样品进行湿法消解,用原子分光光度计检测样品中的铬浓度。实验数据用Origin软件进行拟合后得到了谱线峰值强度和Cr浓度之间的关系曲线,即定标曲线,二者有线性关系,线性相关度0.981 66。由检测限公式计算得到铬浓度的检测限为11.68 μg·g-1。采用该定标曲线即可对赣南脐橙中的铬元素进行定量检测。实验结果表明LIBS技术是一种检测、定量分析水果样品中重金属元素含量的有效手段。     

基于多元校正的水体Pb元素LIBS定量分析

在水体重金属激光诱导击穿光谱(LIBS)检测中,湖库水体组分的复杂性以及不同水域水质的差异加剧了基体效应对定量分析精密度和准确度的影响。为减小系统参数波动以及基体效应的影响,针对湖库水体不同采样点的水样,通过背景、内标元素校正待测元素的特征谱线,研究峰值强度、积分强度、信背比和内标校正强度组成的不同输入向量对支持向量机回归模型的影响,结果表明信背比和内标校正强度组成的二元输入向量回归效果最好,训练集均方根误差和相关系数分别为0.367和0.981,测试集的相对标准偏差和相对误差平均值分别为4.5%和12.1%。经过校正的多元输入向量,可以有效减小参数波动和基体差异的影响,为自然水体重金属LIBS定量分析提供数据输入方面的参考。     

基于多元定标法的脐橙Pb元素激光诱导击穿光谱定量分析

建立了利用激光诱导击穿光谱(LIBS)技术分析脐橙中Pb含量的多元线性回归定量分析模型.选用脐橙中Ca II 393.37 nm与Ca II 396.84 nm特征谱线强度之和、Pb I 405.78 nm特征谱线强度、在405.03—405.96 nm范围内Pb元素的谱线积分强度作为自变量,得到了回归关联式,通过方差分析和回归统计验证了关联式的可行性.结果表明,多元线性回归模型预测值与原子吸收光谱法检测值之间的相对误差最大值为12.99%,平均值为4.87%,并且利用这两种方法得到的结果拟合效果很好,拟合度达到0.995.这说明多变量的定标法能比较充分地利用光谱中的信息,降低基体效应的影响,从而提高LIBS定量分析的精确度,并对LIBS技术进一步应用于水果中重金属元素的定量检测提供了实验指导.     

基于共振与非共振双线的自吸收免疫LIBS技术研究

激光诱导击穿光谱(LIBS)定量分析中的自吸收效应不仅会降低谱线强度和增加线宽,而且使定标结果饱和,从而影响最终的分析精度。为了消除该效应的影响,提出了一种基于共振双线与非共振双线选择的自吸收免疫激光诱导击穿光谱(SAF-LIBS)技术,通过比较所测谱线强度比值和理论强度比值来确定等离子体的光学薄时刻,并使用共振线与非共振线来拓展元素含量的可测量范围。该技术可以分为定标和定量两个分析过程,其定标过程为:计算待测元素的共振双线及非共振双线的理论强度比,通过对比不同待测元素含量样品的共振双线及非共振双线在不同延时下的强度比和理论比,确定等离子体的光学薄时刻;使用一系列标准样品建立LIBS非共振线的单变量定标曲线;利用准光学薄谱线建立共振线和非共振线的SAF-LIBS单变量分段定标曲线。其定量分析过程为:先用非共振线和LIBS定标曲线确定未知样品所属的含量分段,再用准光学薄谱线以及与所属分段的共振或非共振SAF-LIBS定标曲线完成定量分析。对Cu元素的单变量定标结果表明,对于共振线,最佳延时随着样品含Cu量的增加而增加,且只有当含Cu量低于0.05%时,才可能获得准光学薄的共振线,而随着Cu含量的增加,自吸收变得非常严重,以至于无法获得光学薄的共振线;对于非共振线,当含Cu量在0.01%~30%范围内,均可获得准光学薄的非共振谱线,而当Cu含量大于50.7%时,将无法在等离子体寿命期内捕获到光学薄谱线。对Cu元素的定量分析结果表明,基于共振双线与非共振双线的自吸收免疫LIBS技术可以有效地避免自吸收效应的影响,各分段定标曲线的线性度均大于0.99,对两个未知样品中Cu元素含量的绝对测量误差分别为0.01%和0.1%,探测限达到了1.35×10-4%,最大可测量范围拓展至50.7%。     

激光诱导击穿光谱结合神经网络测定土壤中的Cr和Ba

提出了一种基于人工神经网络的激光诱导击穿光谱技术实现元素成分高准确度定量分析的方法.采用基于动量和自适应学习速率梯度下降算法的反向传播神经网络,结合激光诱导击穿光谱技术的方法测定土壤中Cr和Ba元素的含量,得到了Cr和Ba的含量以及多次重复预测的相对标准偏差,并与采用传统的内标法得到的检测结果相比较.研究结果表明:基于动量和自适应学习速率梯度下降算法的反向传播神经网络分析方法,与激光诱导击穿光谱技术相结合能更好地实现对土壤样品中Cr和Ba元素的定量检测.相对内标法,神经网络分析方法与激光诱导击穿光谱技术相结合可以很明显地提高检测准确度和精密度,对采用激光诱导击穿光谱技术定量检测土壤重金属污染具有很好的应用价值.     

用激光感生击穿光谱技术测量燃煤含碳量

研究了应用激光感生击穿光谱技术对燃煤进行元素快速定量分析的可行性。介绍了用于激光感生击穿光谱技术定量分析的定标曲线方法，并以5种煤样作为实验对象，选取激光击穿煤粉时碳元素505.2nm原子发射谱线为分析谱线，定量分析了延迟时间分别为0.8μs，1.2μs，1.6μs，2.0μs和2.4μs时煤粉中的含碳量，将测量结果与元素分析仪测量结果比较，延迟时间为1.6μs时测量误差最小。根据等离子体发射机制分析了延迟时间对定量分析的影响。实验结果表明：激光感生击穿光谱技术的分析精度较高，可望用于煤质特性快速检测。     

Effect of self-absorption correction on LIBS measurements by calibration curve and artificial neural network

In this paper, laser-induced breakdown spectroscopy (LIBS) technique is used for concentration prediction of six elements of Mn, Si, Cu, Fe, Zn, and Mg in seven Al samples by two approaches of artificial neural network (ANN) and standard calibration curve. ANN is utilized as a new technique for determination and classification of various materials and elements in LIBS method. In this study, a few spectra of six aluminum standards with known concentrations are used for training of ANN. It should be noted that the mentioned network is not on trial and error basis, but it is a self-organized network. Calibration curve method, which is implemented in represented paper, determines certain relation between concentration and intensity. Then, the calibration curve and ANN methods obtained by six samples are used for prediction of the elements of the seventh standard sample in order to check the accuracy of these methods and make a comparison. In both approaches, a self-absorption correction is applied for high concentrations species and an improvement in prediction of two methods is seen. Results illustrate that at high concentrations except for Si, ANN shows a better prediction with a lower relative error compared to calibration curve approach after self-absorption correction. Primitive study without any self-absorption correction shows that ANN and calibration curve predictions with the best result are related to Fe with R ² = 0.99 % having the minimum errors.     

基于多元定标法的煤粉碳元素LIBS定量分析

本文选用碳含量差别较大的14个煤样,进行激光诱导击穿光谱实验。引入多元校正的分析方法,实现煤中碳元素的LIBS定量分析。根据煤质的结构特点,得到影响碳元素激发的主要影响因素分别为与碳骨架相连的H、O、N,以及主要的矿物质元素Si、Al、Ca、Fe。选择这些元素常见的特征谱线强度值,作为多元回归分析的输入量,然后根据回归方程变量的筛选原则,确定了用于回归关联式建立的变量,进而得到回归关联式,并通过方差分析和回归统计验证了方程的可行性。结果表明,采用多元校正的分析方法,得到多元回归分析模型预测值与实验室元素分析仪得到的参考值之间的相对误差在5%之内,说明采用多变量校正的分析方法对碳元素进行定量分析,能得到较高的分析精度。