《NDT & E International》：Optimization of photoacoustic material characterization using machine learning
编辑推荐：
摘要
本文介绍了一种通过使用机器学习来减少实验点数量从而提高光声测量的方法。该数据集专为开放式实验设置量身定制，包括铝在不同厚度下热弹性光声信号分量的模拟幅度和相位及其对应的截止频率。模拟在300个调制频率下进行，范围从10 Hz到10 MHz。对幅度和相位数据集应用了主成分
摘要
本文介绍了一种通过使用机器学习来减少实验点数量从而提高光声测量的方法。该数据集专为开放式实验设置量身定制，包括铝在不同厚度下热弹性光声信号分量的模拟幅度和相位及其对应的截止频率。模拟在300个调制频率下进行，范围从10 Hz到10 MHz。对幅度和相位数据集应用了主成分分析，以提取方差的主要方向，这些方向随后被用来确定5个具有代表性的调制频率。为了测试该方法的有效性，使用了神经网络和XGBoost回归模型，它们能够以5%的相对误差准确预测未知的样品厚度和截止频率。这种方法使得测量点数量从300个减少到仅5个，显著缩短了数据收集时间并改进了测量过程。
引言
光声学是一种可靠且精确的材料表征方法，通过其分析获得的热参数不仅定义了材料的热导率，还定义了其储存和散发热量的能力，以及在照明过程中承受各种弹性机械应力的能力。这些特性对于微机电系统（MEMS）和纳机电系统（NEMS）中各种传感器和执行器的功能至关重要。尽管这种技术是非破坏性的、精确的和可靠的，但其广泛工业应用的最大障碍是数据收集所需的时间。特别是在频域内工作时，需要用尽可能多的数据点来描述特定的物理过程，这些数据点需要在给定的测量间隔内均匀分布。经验表明，对于20 Hz到20 kHz的光声测量间隔，均匀分布的测量点（在对数-对数尺度上等距的点）的最佳数量约为80个。为了收集获取样品热参数所需的足够信息，在每个80个频率下收集了大约3到5分钟的实验数据，总测量时间为240分钟。这个时间帧对于工业应用来说是不可接受的。因此，有必要优化使用光声学进行材料表征的数据收集和处理过程。目标是在保持最小精度和可靠性的同时，实现所需的数十分钟的工业应用时间框架。
近年来，研究表明，光声学凭借其众所周知的理论模型和实验设置，为机器学习的应用提供了合适的框架[3]。在研究背景下，这主要指在材料表征（回归分析）[4, 5]、识别测量链影响（回归和分类）[6]以及改进实验设置（反向反馈程序）[7]中使用监督学习和浅层神经网络。在本文中，我们将介绍一种专注于材料表征的光声实验优化方法，该方法利用了监督和非监督机器学习算法。我们的目标是通过使用铝的模拟光声热弹性信号分量幅度和相位的数据库来显著减少测量点的数量，铝是一种典型的表面吸收体。
为此，我们将应用主成分分析（PCA）[8, 9]，这是一种无监督学习算法，它将帮助我们减少必要的实验点数量，同时仍然保留关键的数据集信息。为了验证选定的点，我们将使用浅层神经网络和XGBoost。最后，我们将在原始数据库之外的数据上测试训练好的模型。结果表明，使用选定点的两种回归方法都满足了精度和可靠性所需的标准。
章节摘录
光声理论
光声光谱是一种用于表征固体材料的方法，可以通过分析材料在周期性受调制光源（主要来自光谱的光学范围）照射时由于其热状态变化而产生的声音来进行表征[10, 11, 12]。
本文中使用的模拟基于复合活塞的理论模型[13]，其中金属样品的总测量光声信号
数据集和预处理
数据库包含67,000个不同厚度的铝样品[19]的模拟热弹性信号，使用公式（2）在10 Hz到10 MHz的调制频率范围内，在300个等距点上测量，其中复合活塞模型的有效性得到了确认[20, 21]。选择热弹性分量和表面吸收模型是基于我们的预期，即光声信号的幅度和相位可以仅用一个模型完全描述
结果
本节首先介绍了使用PCA进行降维获得的结果，然后是关键输入特征的选择。为了了解所选特征在预测厚度和截止频率方面的表现，我们将在小节1和2中分别展示NN和XGB模型的结果。
表3显示了选定的特征。从协方差矩阵进行的PCA中，只提取了相位特征，这些特征都对应于相对较低的调制频率
讨论
基于PCA的降维，接着是目标特征选择，使两种回归模型都能实现对输出变量的满意、准确的预测。应当注意的是，在这种情况下，我们只分析了铝样品的热弹性分量（光声信号的最简单分量），这是使用表面吸收体的基本理论模型计算得出的，输入变量之间的关系大致是线性的，因此使用了PCA
CRediT作者贡献声明
Dragan D. Markushev：写作——审阅与编辑，撰写原始草稿，验证，监督，方法论，研究，形式分析，概念化。Miroslava Jordovi? Pavlovi?：写作——审阅与编辑，撰写原始草稿，验证，监督，方法论，研究，形式分析，概念化。Slavica M. Kovacevic：撰写原始草稿，可视化，软件，方法论，研究，数据管理。Dragana K. Markushev：写作——审阅与
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢：
作者感谢贝尔格莱德物理研究所通过塞尔维亚共和国科学、技术发展与创新部的资助。
Slavica M. Kovacevic|Miroslava I. Jordovic Pavlovic|Dragan D. Markushev|Dragana K. Markushev
贝尔格莱德大学物理研究所，Pregrevica 118，11080 贝尔格莱德-泽蒙，塞尔维亚
