پیش‌بینی غلظت عناصر با استفاده از تکنیک طیف‌نمایی القائیدۀ لیزری با بهره‌گیری از روش‌های آماری شبکۀ عصبی مصنوعی، میانگین متحرک خودبرگشت تجمعی و رگرسیون بردار پشتیبان و ترکیب آنها

در این مقاله، با استفاده از تکنیک طیف سنجی فروشکست القائیدۀ لیزری، غلظت‌های عناصر موجود در آلیاژهای استاندارد آلومینیوم به طور کمی اندازه گیری شده است. لیزر تپی nd:yag در طول موج 1064nm روی نمونه‌های استاندارد آلومینیوم تابیده شده است و با استفاده از پلاسمای ایجاد شده، تحلیل‌ها انجام شده است. از بین روش‌های مختلف تحلیل جهت براورد غلظت عناصر موجود در نمونه‌های آلومینیم، روش‌های شبکۀ عصبی مصنوعی، الگوریتم تخمین‌گر بردار پشتیبان، میانگین متحرک خودبرگشت تجمعی، مدل رگرسیون بردار پشتیبان مبتنی بر کرنل و مدل ترکیبیksvr- arima، برای پیش‌بینی غلظت عناصر آهن، مس، روی، منیزیم، منگنز و سیلیس مورد استفاده قرار گرفته‌اند و نتایج به دست آمده از این روش ها با هم مقایسه شده‌اند. نتایج به‌ دست آمده نشان می‌دهد که روش ترکیبیksvr- arima، بهترین مقادیر پیش‌بینی را با کمترین خطا برای اغلب عناصر اشاره شده گزارش می‌کند‏.

Prediction of elemental concentration using of laser induced breakdown spectroscopy aided by artificial neural network, statistical methods of autoregressive integrated moving average model and support vector regression and their combination

In this paper, by using of laser induced breakdown spectroscopy (LIBS) method, the elemental concentrations existed in standard aluminum alloys are measured quantitatively. Pulse laser of Nd:YAG at 1064 nm is irradiated on Al standard samples and analysis is performed by created plasma. Among different methods for estimation of concentration of existed elements in aluminum samples, artificial neural network (ANN), Support vector regression, autoregressive integrated moving average model (ARIMA), kernelized support vector regression (KSVR) and combined method of KSVR ARIMA are utilized for prediction of element concentrations of Fe, Cu, Zn, Mg, Mn, and Si and obtained results from these methods are compared together. The extracted results show that the combined method of KSVR ARIMA reports the best prediction values by the least error for the most of the elements.