利用LASSO–LightGBM建模结合基于SHAP的可解释性技术对微合金钢进行定量LIBS分析

《Journal of Analytical Atomic Spectrometry》：Quantitative LIBS analysis of microalloyed steel using LASSO–LightGBM modeling with SHAP-based interpretability

微合金钢中Mn、Cu、Ni、Mo、Ti元素浓度采用LIBS结合机器学习分析，LASSO-LightGBM模型实现最高预测精度（R2=0.996，RMSE=0.0053 wt%），SHAP分析揭示关键波长与非目标元素干扰。

　　

微合金钢因其高强度和耐腐蚀性而在航空航天和汽车行业得到广泛应用。然而，准确量化这类复杂材料中的合金元素仍然是一个重大挑战。在这项研究中，采用了激光诱导击穿光谱（LIBS）结合机器学习的方法来确定微合金钢中Mn、Cu、Ni、Mo和Ti的浓度。高维光谱数据通过最小绝对值收缩选择算法（LASSO）进行降维处理，随后通过单变量校准、偏最小二乘回归（PLSR）、支持向量回归（SVR）和Light梯度提升机（LightGBM）进行回归建模。在这些模型中，LASSO–LightGBM方法取得了最高的预测准确性，R_cv²值始终达到0.996，Cu的预测均方根误差（RMSE_P）最低，仅为0.0053 wt%，比PLSR降低了54%。此外，SHAP分析直接识别出少数几个主要波长作为主要预测因子，其中包括协变量特征。特定区域的异常SHAP响应表明存在光谱重叠现象，这突显了非目标元素对模型输出的影响。这些结果清楚地表明，将基于LASSO的特征选择、非线性的LightGBM建模以及基于SHAP的可解释性相结合，可以构建一个稳健的定量分析框架，具有在工业质量控制和材料开发中的广泛应用前景。