基于 7 种主要元素特征谱线的 LIBS 岩性识别
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
柯梽全, 王阳恩*, 王绍龙, 徐懿
长江大学物理与光电工程学院, 荆州 434023 *联系人, E-mail: yewang@yangtzeu.edu.cn 收稿日期: 2015-04-09; 接受日期: 2015-05-13; 网络出版日期: 2015-07-02 湖北省自然科学基金项目 (编号 : 2012FFB00105)、湖北省教育厅科学研究计划项目 (编号 : B2013288)和长江大学第七批 “大学生创新创 业训练计划 ”(编号 : 2014036)资助项目
2.2 实验样品
实验所采用样品为岩石成分分析标准物质 GBW07103, GBW07105, GBW07108, GBW07112, GBW07123, GBW07126, 合成灰岩成分分析标准物 质 GBW07716, 土壤成分分析标准物质 GBW07405 和 GBW07406. 选取 GBW07716 的目的是研究合成 物质与自然形成的岩石之间有无区别, 而选取 GBW07405, GBW07406 的目的是研究岩石与土壤之 间的区别. 各标样的类型, 产地及 Si, Al, Ca, Fe, Mg, K, Na 等 7 种主要元素的含量如表 1 所示. 从表 1 可知, GBW07105 与 GBW07126 同属玄武岩, GBW07405 与 GBW07406 同属黄红壤, 虽然产地不同, 但主要元素 的含量相差不大; GBW07108 与 GBW07716 同属于灰
Al (%) 7.09 7.32 2.66 7.49 6.99 7.41 11.42 11.24 0.58
Ca (%) 1.11 6.29 25.48 7.04 5.59 6.19 0.07 0.16 34.00
Fe (%) 2.29 15.29 3.04 17.32 15.01 13.61 9.01 6.11 0.21
表1 标准样品中 7 种元素的含量
Si (%) 33.99 20.83 7.28 16.66 23.28 23.10 24.53 26.57 2.43
Table 1 The contents of 7 elements in the standard samples 样品 类型 产地 GBW07103 GBW07105 GBW07108 GBW07112 GBW07123 GBW07126 GBW07405 GBW07406 GBW07716 黑云花岗岩 橄榄玄武岩 泥质灰岩 辉长岩 辉绿岩 无斑玄武岩 黄红壤 黄红壤 合成灰岩 湖南郴州 河北张家口 安徽铜陵 四川攀枝花 – 四川峨眉山 湖南七宝山 广东阳春 –
2.3 数据处理方法 2.3.1 BP 神经网络
Back Propagation 神经网络(BP 神经网络)指连接 权值调整采用了反向传播学习算法的前馈神经网络 , 1986 年由 Rumelhart 和 McClelland 一同提出. 反向传 播学习算法依据负梯度下降方向迭代调整网络的权 值和阈值以实现训练误差目标函数的最小化 [15]. BP 神经网络输入层节点数, 隐含层节点数, 输出层节点 数以及隐含层层数都对神经网络的性能有影响 . 网 络太简单就无法进行有效的数据挖掘 , 网络太过复 杂就会很耗时. BP 神经网络的训练函数, 训练次数, 学习速度 , 性能函数的目标值等参数的设置需要根 据具体情况而定. 图 1 为两层神经网络图示, 有 s 个输入(P1, P2, ∙∙∙, Ps), 第 1 层有 m 个神经元, 第 2 层有 n 个神经元, n 个输出(A1, A2, ∙∙∙, An). w1 和 w2 分别为第 1 层和第 2 层 神经元的输入连接权重矩阵, b1, b2, ∙∙∙, bm 以及 B1, B2, ∙∙∙, Bn 代表偏置权重, F1 和 F2 分别为第 1 层和第 2 层 神经元的转移函数 ( 或传递函数 ). 第 1 层为隐含层 , 第 2 层既是神经元层也是输出层, 一般不同层有不同 数量的神经元 , 每一个神经元的偏置输入是常量 1, 神经元数目即节点数目.
BP 神经网络采用 Matlab 软件实现, 以光谱波长 (或主成分因子)为输入变量 . 数据分析时将光谱数据 集分为两组, 一组进行 BP 神经网络训练, 另一组进 行 BP 神经网络识别. 通过测试多组不同的 BP 神经 网络参数值, 最终确定了含有一个隐含层的 BP 神经 网络结构. 输入层节点数为输入的变量数目, 隐含层 节点数为 20, 输出层节点数目分两种情况: 第 1 种情 况为 5 个节点, 将 9 种样品分成 5 类; 第 2 种情况为 9 个节点, 实现 9 种样品的相互区分.
中国科学: 物理学 力学 天文学
2015 年
第 45 卷
第 8 期: 084204 phys.scichina.com
《中国科学》杂志社
SCIENCE CHINA PRESS
SCIENTIA SINICA Physica, Mechanica & Astronomica
“油气光学”专题· 论文
基于 7 种主要元素特征谱线的 LIBS 岩性识别
柯梽全等.
中国科学: 物理学 力学 天文学
2015 年
第 45 卷
第8期
征模型 ), 这种方法数据处理比较简单 , 但识别正确 率有所下降 . 合肥工业大学的陈兴龙等人 [14] 也研究 了 LIBS 技术在岩性识别中的应用, 将 LIBS 结合自组 织映射神经网络技术 , 对五类岩心样品进行了岩性 自动分类 . 采取的方法主要也是两种 : 一是选取 Si, Al, Ca, Fe 4 种主要元素, 根据这 4 种元素发射谱线强 度构造三个特征变量 , 再结合神经网络进行岩性识 别 , 识别率为 75%; 二是对全谱先进行主成分分析 , 再利用神经网络进行岩性识别, 识别率为 86%. 本文提取样品中多种主要元素的波峰组成特征 谱, 利用特征谱对样品进行识别研究. 在数据分析时, 采用因子分析对全谱进行降维 , 使得降维后的新谱 可以代表全谱进行数据分析 , 目的是实现更低的数 据分析耗时, 得到更高的样品识别率. 在数据处理上 采用 “Z-score 标准化 ”法进行谱线强度的归一化 , 便 于不同量级的指标能进行比较和加权 . 采用因子分 析和 BP 神经网络两种方法, 对样品全谱以及全谱中 的 Si, Al, Ca, Fe, Mg, K, Na 等 7 种主要元素构成的特 征谱进行分析, 实现对 5 类共 9 种标准样品进行岩性 分类与相互区分.
摘要
采用激光诱导击穿光谱技术与因子分析以及 BP 神经网络技术相结合, 对 5 类共 9 种标准样品
进行岩性分类与相互区分. 根据样品的主要元素含量选取 Si, Al, Ca, Fe, Mg, K, Na 共 7 种元素的波峰构 成特征谱. 每种元素均选取一个峰作为研究对象, 根据峰的形状及大小确定每个峰的波长取值范围. 利 用因子分析对全谱和特征谱分别进行主成分分析, 再将得到的全谱主成分和特征谱主成分以及全谱与特 征谱分别输入 BP 神经网络进行样品的岩性分类与相互区分. 在以上 4 种情况下, 样品的岩性分类进行 BP 神经网络分析, 4 种结果中以特征谱的识别率为最高, 是 98.89%; 样品的相互区分进行 BP 神经网络分 析, 也以特征谱的识别率为最高, 是 98.89%. 实验结果表明, 对全谱进行特征提取后得到的特征谱, 可 以代表全谱进行因子分析和 BP 神经网络分析, 且能更准确与高效地完成样品分类与相互区分. 关键词 LIBS, 岩性识别, 因子分析, BP 神经网络, 特征谱分析
多的应用 , 如对塑料样品识别 [10], 地沟油的鉴别 [11], 岩屑识别[12,13]等. 近年来随着石油钻井新工艺的飞速发展 , 由井 底返出的岩屑已经非常细碎, 甚至成粉末状, 使得传 统的岩屑描述工作变得十分困难 . 中国海洋大学的 田野等人[12]利用 LIBS 结合偏最小二乘判别分析, 初 步实现了对 4 种岩屑样品的自动识别. 其采取的实验 模型主要有两种: 第 1 种是全谱模型, 该种方法识别 结果可达 88.3%, 但需要处理的数据比较多, 同时背 景噪声影响较大. 第 2 种是峰值强度与比率模型(特
引用格式: 柯梽全, 王阳恩, 王绍龙, 等. 基于 7 种主要元素特征谱线的 LIBS 岩性识别. 中国科学: 物理学 力学 天文学, 2015, 45: 084204
Ke Z Q, Wang Y E, Wang S L, et al. LIBS identification of lithology based on spectral lines of 7 main elements (in Chinese). Sci Sin-Phys Mech Astron, 2015, 45: 084204, doi: 10.1360/SSPMA2015-00137
2
实验及数据处理方法
2.1 实验装置及ຫໍສະໝຸດ Baidu试参数
采用美国应用光谱公司(Applied Spectra Inc. ASI) 生产的 RT100-HP 激光诱导击穿光谱仪分析样品的光 谱. 该仪器的激光源是调 Q 纳秒级 Nd: YAG 1064 nm 激光器, 激光脉冲宽度小于 5 ns, 单脉冲最高能量为 51 mJ, 脉冲重复频率最大 10 Hz. 系统具有激光能量 调控功能 , 能进行激光聚焦 , 聚焦点尺寸 : 35–200 m 可选. 装有样品表面图像显示: CMOS 彩色相机.
PACS: 32.30.Jc, 42.62.Fi, 52.50.Jm doi: 10.1360/SSPMA2015-00137
1
引言
激光诱导击穿光谱技术 (Laser Induced Break-
down Spectroscopy , LIBS)是 20 世纪后期发展起来的 光谱分析领域中的一种全新的物质元素分析技术 , 是一种基于原子发射光谱和激光等离子体发射光谱 的元素分析技术 , 已经广泛渗透到越来越多的研究 和应用领域 , 在环境污染检测 [1,2] , 材料成分在线检 测[3,4], 生物及医学[5–7], 土壤成分检测[8,9]等诸多领域 已经有了广泛的应用. 在材料的种类识别中, 也有很
样品台能自动调节 , 自动 X-Y 进程 : 工作行程 : 50 mm50 mm; 分辨率: 0.25 m. 自动 Z 进程: 工作行 程: 26 mm; 分辨率: 1 m. 装有烧蚀点导引激光: 红 色激光 @670 nm. 采用双光栅切尼 - 特纳光谱仪和 ICCD 检测器对信号进行采集, 内置光闸延迟和闸宽 时间控制器 . 仪器内置操作软件 : Axiom 系统软件 , TrueLIBS 发射光谱数据库, LIBS 光谱分析工具. 实验所用压样机型号是 769YP-30T. 样品用压样机在 30 MPa 的压力下压制 20 min 成 片状后 , 再放在激光诱导击穿光谱仪样品室进行测 量. 实验中对样品进行测试时的参数是 : 激光能量 10 mJ, 激光光斑大小为 200 m, 检测器采样门宽 3 s, 光谱探测延时 2 s, 激光重复频率 4 Hz. 每种样品取相距 1 mm 的两个点测量, 每个点测 量 10 次, 共测量 20 次.
084204-2
柯梽全等.
中国科学: 物理学 力学 天文学
2015 年
第 45 卷
第8期
岩, 它们的特点是 Ca 的含量比较高, 而 Al, K, Na 的 含量相对较低 ; 辉长岩来源于深部地壳或上地幔的 玄武质岩浆经侵入作用形成 , 辉绿岩相当于辉长岩 的基性浅成岩, 因此, GBW07105, GBW07112, GBW07126 三种样品与 GBW07123 的主要元素含量相差 不大.
Mg (%) 0.25 4.66 3.11 3.15 3.05 2.98 0.37 0.20 2.29
K (%) 4.16 1.93 0.65 0.12 1.24 1.16 1.24 1.41 0.09
Na (%) 2.32 2.51 0.06 1.57 2.35 1.42 0.09 0.14 0.06
长江大学物理与光电工程学院, 荆州 434023 *联系人, E-mail: yewang@yangtzeu.edu.cn 收稿日期: 2015-04-09; 接受日期: 2015-05-13; 网络出版日期: 2015-07-02 湖北省自然科学基金项目 (编号 : 2012FFB00105)、湖北省教育厅科学研究计划项目 (编号 : B2013288)和长江大学第七批 “大学生创新创 业训练计划 ”(编号 : 2014036)资助项目
2.2 实验样品
实验所采用样品为岩石成分分析标准物质 GBW07103, GBW07105, GBW07108, GBW07112, GBW07123, GBW07126, 合成灰岩成分分析标准物 质 GBW07716, 土壤成分分析标准物质 GBW07405 和 GBW07406. 选取 GBW07716 的目的是研究合成 物质与自然形成的岩石之间有无区别, 而选取 GBW07405, GBW07406 的目的是研究岩石与土壤之 间的区别. 各标样的类型, 产地及 Si, Al, Ca, Fe, Mg, K, Na 等 7 种主要元素的含量如表 1 所示. 从表 1 可知, GBW07105 与 GBW07126 同属玄武岩, GBW07405 与 GBW07406 同属黄红壤, 虽然产地不同, 但主要元素 的含量相差不大; GBW07108 与 GBW07716 同属于灰
Al (%) 7.09 7.32 2.66 7.49 6.99 7.41 11.42 11.24 0.58
Ca (%) 1.11 6.29 25.48 7.04 5.59 6.19 0.07 0.16 34.00
Fe (%) 2.29 15.29 3.04 17.32 15.01 13.61 9.01 6.11 0.21
表1 标准样品中 7 种元素的含量
Si (%) 33.99 20.83 7.28 16.66 23.28 23.10 24.53 26.57 2.43
Table 1 The contents of 7 elements in the standard samples 样品 类型 产地 GBW07103 GBW07105 GBW07108 GBW07112 GBW07123 GBW07126 GBW07405 GBW07406 GBW07716 黑云花岗岩 橄榄玄武岩 泥质灰岩 辉长岩 辉绿岩 无斑玄武岩 黄红壤 黄红壤 合成灰岩 湖南郴州 河北张家口 安徽铜陵 四川攀枝花 – 四川峨眉山 湖南七宝山 广东阳春 –
2.3 数据处理方法 2.3.1 BP 神经网络
Back Propagation 神经网络(BP 神经网络)指连接 权值调整采用了反向传播学习算法的前馈神经网络 , 1986 年由 Rumelhart 和 McClelland 一同提出. 反向传 播学习算法依据负梯度下降方向迭代调整网络的权 值和阈值以实现训练误差目标函数的最小化 [15]. BP 神经网络输入层节点数, 隐含层节点数, 输出层节点 数以及隐含层层数都对神经网络的性能有影响 . 网 络太简单就无法进行有效的数据挖掘 , 网络太过复 杂就会很耗时. BP 神经网络的训练函数, 训练次数, 学习速度 , 性能函数的目标值等参数的设置需要根 据具体情况而定. 图 1 为两层神经网络图示, 有 s 个输入(P1, P2, ∙∙∙, Ps), 第 1 层有 m 个神经元, 第 2 层有 n 个神经元, n 个输出(A1, A2, ∙∙∙, An). w1 和 w2 分别为第 1 层和第 2 层 神经元的输入连接权重矩阵, b1, b2, ∙∙∙, bm 以及 B1, B2, ∙∙∙, Bn 代表偏置权重, F1 和 F2 分别为第 1 层和第 2 层 神经元的转移函数 ( 或传递函数 ). 第 1 层为隐含层 , 第 2 层既是神经元层也是输出层, 一般不同层有不同 数量的神经元 , 每一个神经元的偏置输入是常量 1, 神经元数目即节点数目.
BP 神经网络采用 Matlab 软件实现, 以光谱波长 (或主成分因子)为输入变量 . 数据分析时将光谱数据 集分为两组, 一组进行 BP 神经网络训练, 另一组进 行 BP 神经网络识别. 通过测试多组不同的 BP 神经 网络参数值, 最终确定了含有一个隐含层的 BP 神经 网络结构. 输入层节点数为输入的变量数目, 隐含层 节点数为 20, 输出层节点数目分两种情况: 第 1 种情 况为 5 个节点, 将 9 种样品分成 5 类; 第 2 种情况为 9 个节点, 实现 9 种样品的相互区分.
中国科学: 物理学 力学 天文学
2015 年
第 45 卷
第 8 期: 084204 phys.scichina.com
《中国科学》杂志社
SCIENCE CHINA PRESS
SCIENTIA SINICA Physica, Mechanica & Astronomica
“油气光学”专题· 论文
基于 7 种主要元素特征谱线的 LIBS 岩性识别
柯梽全等.
中国科学: 物理学 力学 天文学
2015 年
第 45 卷
第8期
征模型 ), 这种方法数据处理比较简单 , 但识别正确 率有所下降 . 合肥工业大学的陈兴龙等人 [14] 也研究 了 LIBS 技术在岩性识别中的应用, 将 LIBS 结合自组 织映射神经网络技术 , 对五类岩心样品进行了岩性 自动分类 . 采取的方法主要也是两种 : 一是选取 Si, Al, Ca, Fe 4 种主要元素, 根据这 4 种元素发射谱线强 度构造三个特征变量 , 再结合神经网络进行岩性识 别 , 识别率为 75%; 二是对全谱先进行主成分分析 , 再利用神经网络进行岩性识别, 识别率为 86%. 本文提取样品中多种主要元素的波峰组成特征 谱, 利用特征谱对样品进行识别研究. 在数据分析时, 采用因子分析对全谱进行降维 , 使得降维后的新谱 可以代表全谱进行数据分析 , 目的是实现更低的数 据分析耗时, 得到更高的样品识别率. 在数据处理上 采用 “Z-score 标准化 ”法进行谱线强度的归一化 , 便 于不同量级的指标能进行比较和加权 . 采用因子分 析和 BP 神经网络两种方法, 对样品全谱以及全谱中 的 Si, Al, Ca, Fe, Mg, K, Na 等 7 种主要元素构成的特 征谱进行分析, 实现对 5 类共 9 种标准样品进行岩性 分类与相互区分.
摘要
采用激光诱导击穿光谱技术与因子分析以及 BP 神经网络技术相结合, 对 5 类共 9 种标准样品
进行岩性分类与相互区分. 根据样品的主要元素含量选取 Si, Al, Ca, Fe, Mg, K, Na 共 7 种元素的波峰构 成特征谱. 每种元素均选取一个峰作为研究对象, 根据峰的形状及大小确定每个峰的波长取值范围. 利 用因子分析对全谱和特征谱分别进行主成分分析, 再将得到的全谱主成分和特征谱主成分以及全谱与特 征谱分别输入 BP 神经网络进行样品的岩性分类与相互区分. 在以上 4 种情况下, 样品的岩性分类进行 BP 神经网络分析, 4 种结果中以特征谱的识别率为最高, 是 98.89%; 样品的相互区分进行 BP 神经网络分 析, 也以特征谱的识别率为最高, 是 98.89%. 实验结果表明, 对全谱进行特征提取后得到的特征谱, 可 以代表全谱进行因子分析和 BP 神经网络分析, 且能更准确与高效地完成样品分类与相互区分. 关键词 LIBS, 岩性识别, 因子分析, BP 神经网络, 特征谱分析
多的应用 , 如对塑料样品识别 [10], 地沟油的鉴别 [11], 岩屑识别[12,13]等. 近年来随着石油钻井新工艺的飞速发展 , 由井 底返出的岩屑已经非常细碎, 甚至成粉末状, 使得传 统的岩屑描述工作变得十分困难 . 中国海洋大学的 田野等人[12]利用 LIBS 结合偏最小二乘判别分析, 初 步实现了对 4 种岩屑样品的自动识别. 其采取的实验 模型主要有两种: 第 1 种是全谱模型, 该种方法识别 结果可达 88.3%, 但需要处理的数据比较多, 同时背 景噪声影响较大. 第 2 种是峰值强度与比率模型(特
引用格式: 柯梽全, 王阳恩, 王绍龙, 等. 基于 7 种主要元素特征谱线的 LIBS 岩性识别. 中国科学: 物理学 力学 天文学, 2015, 45: 084204
Ke Z Q, Wang Y E, Wang S L, et al. LIBS identification of lithology based on spectral lines of 7 main elements (in Chinese). Sci Sin-Phys Mech Astron, 2015, 45: 084204, doi: 10.1360/SSPMA2015-00137
2
实验及数据处理方法
2.1 实验装置及ຫໍສະໝຸດ Baidu试参数
采用美国应用光谱公司(Applied Spectra Inc. ASI) 生产的 RT100-HP 激光诱导击穿光谱仪分析样品的光 谱. 该仪器的激光源是调 Q 纳秒级 Nd: YAG 1064 nm 激光器, 激光脉冲宽度小于 5 ns, 单脉冲最高能量为 51 mJ, 脉冲重复频率最大 10 Hz. 系统具有激光能量 调控功能 , 能进行激光聚焦 , 聚焦点尺寸 : 35–200 m 可选. 装有样品表面图像显示: CMOS 彩色相机.
PACS: 32.30.Jc, 42.62.Fi, 52.50.Jm doi: 10.1360/SSPMA2015-00137
1
引言
激光诱导击穿光谱技术 (Laser Induced Break-
down Spectroscopy , LIBS)是 20 世纪后期发展起来的 光谱分析领域中的一种全新的物质元素分析技术 , 是一种基于原子发射光谱和激光等离子体发射光谱 的元素分析技术 , 已经广泛渗透到越来越多的研究 和应用领域 , 在环境污染检测 [1,2] , 材料成分在线检 测[3,4], 生物及医学[5–7], 土壤成分检测[8,9]等诸多领域 已经有了广泛的应用. 在材料的种类识别中, 也有很
样品台能自动调节 , 自动 X-Y 进程 : 工作行程 : 50 mm50 mm; 分辨率: 0.25 m. 自动 Z 进程: 工作行 程: 26 mm; 分辨率: 1 m. 装有烧蚀点导引激光: 红 色激光 @670 nm. 采用双光栅切尼 - 特纳光谱仪和 ICCD 检测器对信号进行采集, 内置光闸延迟和闸宽 时间控制器 . 仪器内置操作软件 : Axiom 系统软件 , TrueLIBS 发射光谱数据库, LIBS 光谱分析工具. 实验所用压样机型号是 769YP-30T. 样品用压样机在 30 MPa 的压力下压制 20 min 成 片状后 , 再放在激光诱导击穿光谱仪样品室进行测 量. 实验中对样品进行测试时的参数是 : 激光能量 10 mJ, 激光光斑大小为 200 m, 检测器采样门宽 3 s, 光谱探测延时 2 s, 激光重复频率 4 Hz. 每种样品取相距 1 mm 的两个点测量, 每个点测 量 10 次, 共测量 20 次.
084204-2
柯梽全等.
中国科学: 物理学 力学 天文学
2015 年
第 45 卷
第8期
岩, 它们的特点是 Ca 的含量比较高, 而 Al, K, Na 的 含量相对较低 ; 辉长岩来源于深部地壳或上地幔的 玄武质岩浆经侵入作用形成 , 辉绿岩相当于辉长岩 的基性浅成岩, 因此, GBW07105, GBW07112, GBW07126 三种样品与 GBW07123 的主要元素含量相差 不大.
Mg (%) 0.25 4.66 3.11 3.15 3.05 2.98 0.37 0.20 2.29
K (%) 4.16 1.93 0.65 0.12 1.24 1.16 1.24 1.41 0.09
Na (%) 2.32 2.51 0.06 1.57 2.35 1.42 0.09 0.14 0.06