源于基本参数法的XRF光谱快速建模理论及智能反演算法研究
批准号：
62075028
项目类别：
面上项目
资助金额：
60.0 万元
负责人：
李福生
依托单位：
学科分类：
光谱信息学
结题年份：
2024
批准年份：
2020
项目状态：
已结题
项目参与者：
李福生
项目摘要
结项摘要
相似基金
相关文献
中文摘要
光谱分析及信息科学被广泛应用于工业检测、污染防治等领域。本课题提出一种基于谢尔曼(Sherman)谱线强度计算理论的创新思路，重点解决现今无法快速模拟计算完整且准确XRF光谱的问题，拟攻克Sherman公式的仪器因子Gi无准确计算方法和蒙特卡洛模拟（MCNP）仿真对L层特征谱线无法区分等缺陷，在基本参数法的基础上构建快速（<1s）仿真XRF光谱的创新模型算法，并通过标准样品和光谱仪的试验验证该算法的准确性，在此基础上生成光谱大数据并设计基因算法(GA)优化的贝叶斯深度学习结合基本参数法的多次迭代实现无标样精准定量反演计算，解决目前光谱信息分析中依赖大量标样进行半经验定标带来的鲁棒性差等问题。拟将稀疏表示分类方法用于待测样品的光谱特征信息提取和卷积神经网络算法对仪器硬件参数进行智能匹配。本研究为研制有自学习、自诊断、自决策的智能科学仪器建立理论基础和方法，对于推动检测技术设备智能化意义重大。
英文摘要
Spectral analysis and information science are widely used in industrial detection, pollution prevention and other fields. This topic proposes an innovative idea based on Sherman's spectral line intensity calculation theory, focusing on solving the problem that today it is not possible to quickly simulate and calculate a complete and accurate XRF spectrum. The instrument factor Gi to overcome the Sherman formula has no accurate calculation method and Monte Carlo N-Particle Transport code cannot distinguish the L-layer characteristic spectral lines and other defects. Based on the Fundamental Parameters, an innovative model algorithm for rapid (<1s) simulation of XRF spectrum is constructed, and the algorithm is verified by tests of standard samples and spectrometers. Accuracy, based on this, generate spectral big data and design genetic algorithm (GA) optimized Bayesian deep learning combined with multiple iterations of the basic parameter method to achieve accurate quantitative inversion calculation without standard samples, solving the current spectral information analysis Reliance on a large number of standards for semi-empirical calibration brings problems such as poor robustness. It is planned to use the sparse representation classification method to extract the spectral feature information of the sample to be tested and the convolution neural network algorithm to intelligently match the instrument hardware parameters. This research establishes the theoretical basis and method for the development of intelligent scientific instruments with self-learning, self-diagnosis and self-decision, which is of great significance to promote the intelligentization of detection technology equipment.
X射线荧光光谱（XRF）技术因快速、无损等优势，广泛应用于环境监测、工业检测等领域。然而，传统蒙特卡洛模拟（MCNP）存在计算速度慢、L层谱线模拟不准确的问题，且依赖大量标样的半经验定标方法鲁棒性差，智能化参数调节能力不足。为此，本项目围绕基本参数法（FP）理论创新与智能反演算法展开研究，旨在突破XRF光谱快速建模、元素精准分析及仪器智能化的技术瓶颈。首先，在XRF光谱快速建模与数据库构建方面，基于Sherman方程改进FP算法，提出L层谱线分阶跃计算方法，优化仪器因子（Gi）和探头响应函数（DRF），实现秒级生成多元素XRF光谱，并构建包含K/L层特征的光谱数据库。改进FP算法生成光谱速度较MCNP提升千倍（<1秒），L层谱线模拟误差降低至2.142 RMSE（优化前11.508），贵金属Pt/Au模拟与实验谱图吻合度达95%以上。然后，在智能反演算法开发方面，针对元素定性定量分析难题，提出基于强化学习的变量选择方法（QSP）、深度光谱预测网络（DSPFormer）、宽度学习系统（BLS-Net）等模型，结合迁移学习与注意力机制，解决谱线重叠干扰与基质效应问题。QSP算法对Cr、Cd、Ba、Pb的预测RMSE分别为8.540、2.217、40.667和23.210；DSPFormer对土壤重金属的R²值达0.9559~0.9664，优于传统模型（PLSR、SVR）。接着，在跨领域应用验证方面，在土壤重金属检测、铝合金分类、中药材鉴别等领域验证算法有效性，开发“源于FP算法的XRF光谱仿真软件”及轻量级分类模型（LSAFormer）。其中，铝合金分类模型LSAFormer准确率达97.44%，中药材鉴别准确率提升至95.2%；开发的光谱仿真软件支持多元素任意组合模拟，获授权发明专利9项。最后，在学术贡献方面，发表SCI论文15篇（含Talanta、Analytica Chimica Acta一区Top期刊），国际会议论文3篇，培养博士生3名、硕士生13名。本项目突破了XRF光谱建模与智能反演的核心技术，为复杂样品无标样分析提供了新范式。成果应用于土壤重金属监测、工业材料检测及中药材质量控制，推动光谱分析向高效、精准、智能化方向发展，契合国家环境治理与智能制造战略需求，具有显著的社会经济效益。
国内基金
海外基金