基于能量色散X射线荧光光谱与人工智能的考古钱币元素组成分析及分类研究

《Talanta》：Analysis of elemental composition using energy-dispersive X-ray fluorescence spectrometry and artificial intelligence for categorizing archaeological coins

本文创新性地结合能量色散X射线荧光光谱（EDXRF）与机器学习算法（如随机森林、支持向量机等），实现了巴西1888-2025年钱币的高精度元素组成分析与历史时期分类。研究通过非破坏性检测技术（EDXRF）结合监督学习模型（RF准确率达0.89），为考古钱币学提供了快速、可靠的分类工具，显著提升了文化遗产研究的分析效率与准确性。

　　

亮点（Highlights）

• •

  结合能量色散X射线荧光光谱（EDXRF）与人工智能技术，实现考古钱币的高效分类

• •

  随机森林（RF）模型在货币系统分类中表现最优（准确率0.89，科恩卡帕系数0.85）

• •

  非破坏性分析方法为大规模钱币学研究提供新范式

引言（INTRODUCTION）

古代钱币的元素组成是考古研究的关键维度。钱币表面铭文虽能提供断代依据，但长期腐蚀与磨损常使其信息丢失。以巴西钱币为例，其材质从殖民时期的金银铜（1822年前）逐步演变为现代不锈钢，成分变迁折射了货币史与技术发展轨迹。

仪器与样本（Instrumentation and samples）

研究采用能量色散X射线荧光光谱仪（S2 Ranger, Bruker）搭配钯靶X射线管与多道分析器。以铜盘校准仪器，在40 kV管电压、2 mA电流及100秒辐照时间条件下分析钱币样本，确保检测条件标准化。

描述性统计分析（Descriptive statistical analysis）

检测中出现的零值实为低于检测限（非真实零值），通过单变量插补替换为微小正值，避免多元分析中的计算偏差。数据经自标准化处理后，多数元素呈非正态分布（偏度-1.05~2.26，K-S检验p<0.001），揭示其非线性特征。

结论（Conclusion）

EDXRF与监督学习模型的结合成功实现了巴西钱币按历史时期与货币系统的分类。该方法快速、无损且适用于大规模考古样本分析。随机森林（RF）与k近邻（k-NN）在简化历史分期分类中达到完美准确率（1.00），凸显了集成算法在复杂元素组成分析中的优势。