物理信息条件光谱增强赋能的多尺度融合SDAM-net实现船用燃料油中氮和硫同时检测的光谱特征分配

《RSC Advances》:Multi-scale fusion SDAM-net empowered by physics-informed conditional spectral augmentation enabling spectral feature assignment for the concurrent detection of nitrogen and sulfur in ship fuel oilOpen Access

【字体: 大 中 小 】 时间:2026年08月29日 来源:RSC Advances 6.1

编辑推荐:

  针对船用燃料油中主要污染元素氮(N)和硫(S)的定量检测对于全球大气环境保护至关重要。然而,当前方法依赖岸基技术支持以及复杂燃料基质中严重的谱峰纠缠,阻碍了这些元素的高效原位检测。本文展示了一种多尺度特征融合多任务网络(SDAM-Net),通过对二氧化锡量子点

  
针对船用燃料油中主要污染元素氮(N)和硫(S)的定量检测对于全球大气环境保护至关重要。然而,当前方法依赖岸基技术支持以及复杂燃料基质中严重的谱峰纠缠,阻碍了这些元素的高效原位检测。本文展示了一种多尺度特征融合多任务网络(SDAM-Net),通过对二氧化锡量子点(SnO2 QDs)荧光光谱进行解耦,实现船用燃料油中N和S的高效原位检测。研究提出了一种物理信息条件Wasserstein生成对抗网络(CWGAN),用于重建连续光谱流形,以克服训练样本不足的限制。该条件生成策略缓解了实验数据集中N和S浓度的组合稀疏性,从而解决了由样本稀缺区域引起的预测不稳定性。基于SHapley Additive exPlanations (SHAP)的可解释性模块的引入,将提取的显著特征分配给特定的微观光谱响应。这种特征分配证实了纠缠光谱的成功分离和化学串扰的消除,验证了模型解耦策略。测试数据集上的性能评估证实,基于SDAM-Net的框架通过光谱解耦实现了N和S的高检测精度,均方根误差(RMSE)分别达到0.0454%和0.0376%。该方法为船用燃料油中N和S的高效原位检测建立了稳健的范式,为大气环境保护提供了关键的检测平台。
论文解读:基于SDAM-Net与物理信息CWGAN的船用燃料油氮硫同步检测方法

一、研究背景与意义

船用燃料油中氮(N)和硫(S)的定量检测在全球大气污染防控中具有关键作用。船舶尾气排放的氮氧化物(NOx)和硫氧化物(SOx)是主要污染物,会加剧酸雨和温室效应,并严重威胁人体呼吸健康与海洋生态平衡。国际海事组织(IMO)已对船用燃料油中这两种有害元素的浓度实施了严格限值,因此亟需建立全球范围的严密排放监测体系。然而,现有检测技术面临检测周期长的问题:传统定量元素分析方法依赖岸基实验室支持,需要繁琐的采样和送样流程,导致船舶周转时间延长、运营成本攀升。高效原位检测可消除对岸基的依赖,为远洋船舶提供即时准确的燃料合规反馈,并显著提升监管部门的检测效率。

二氧化锡量子点(SnO2 QDs)荧光探针系统为原位定量检测提供了高效的光谱策略。金属掺杂改性可优化原始纳米结构并增强其对特定元素的选择性响应,例如Ni–SnO2 QDs用于S的独立定量检测,Nb–SnO2 QDs用于N的特异性检测。近年来,人工智能驱动方法为材料发现、性能优化和机理阐释提供了创新途径。然而,光谱中N和S响应信号的相互耦合会产生严重信号干扰,掩盖单一元素浓度的精确量化。这种光谱纠缠阻碍了现有技术实现同步双元素检测,从而削弱了原位检测效率。因此,有效解耦耦合荧光信号已成为实现高效原位N和S检测的迫切需求。

多尺度特征提取能够跨不同频带自适应提取局部和全局光谱信息,已在复杂基质光谱检测和耦合信号处理领域得到广泛应用。引入具有多任务处理头的多尺度特征提取网络,有望解决原位检测中N和S光谱信号的耦合问题。基于上述背景,研究人员构建了多尺度特征融合多任务网络SDAM-Net,结合物理信息条件光谱增强策略,用于分离SnO2 QDs荧光光谱中耦合的N和S响应信号,实现船用燃料油中两种元素的高效原位同步检测。

二、关键技术方法

研究人员采用的主要技术方法包括:(1)通过一步水热法合成SnO2 QDs荧光探针,并利用荧光分光光度计采集10种真实船用燃料油样品在251–400 nm波长范围的荧光发射光谱,每种油样采集60次,剔除极值后每种燃料保留50条光谱,共500条记录用于网络训练;(2)构建物理信息条件Wasserstein生成对抗网络(CWGAN),以N和S浓度组合作为条件向量,通过生成器和判别器的对抗训练生成合成光谱数据,并引入基于浓度-峰强度偏导数的物理正则化项,确保生成光谱符合荧光猝灭规律;(3)设计SDAM-Net主干网络,采用并行多尺度卷积神经网络(MCNN)和并行全局注意力(P-GA)机制,结合多头交叉注意力(MCA)和解耦交叉注意力(DCA)模块,实现双元素特征提取和独立回归;(4)使用SHapley Additive exPlanations (SHAP)可解释性模块,将N和S预测任务的显著特征映射到真实光谱响应曲线,验证解耦过程;(5)采用十折交叉验证和混合测试集策略评估模型性能,并进行消融实验对比不同网络结构。

三、研究结果

3.1 物理信息CWGAN

CWGAN网络通过条件生成策略,在原始浓度边界内生成了10 000条具有不同N和S组合的光谱数据。二维浓度空间图显示,原始数据点仅覆盖有限且稀疏的N和S组合,而CWGAN增强后的数据点在整个预测区间内实现了均匀密集填充,缓解了样本稀疏导致的预测不稳定问题。主成分分析(PCA)表明,生成光谱与真实光谱在PC1和PC2构成的二维坐标系中空间重叠,最大均值差异(MMD)得分为0.0729,证明生成数据集与真实数据集的主成分具有强耦合关系。此外,生成的谱峰强度随S含量梯度增加而降低,随N含量梯度增加而升高,符合真实光谱的物理猝灭规律。

3.2 SDAM-Net

SDAM-Net通过并行MCNN在不同感受野下提取局部和全局特征,P-GA头捕获全波段长程依赖,MCA实现双分支特征的自适应融合,DCA头为N和S回归任务分别分配独立的注意力资源,将耦合响应信号分解为不重叠的特征子空间。在测试集上,模型对S的预测决定系数(R2)为0.92,对N为0.89;均方根误差(RMSE)分别降至0.0376和0.0454;平均绝对百分比误差(MAPE)分别低至5.9%和8.0%。训练集与测试集性能差异较小,表明模型不存在过拟合或非收敛问题。基于最低校准浓度的局部绝对预测误差估算背景噪声,按3.3倍和10倍标准差准则计算,S的理论检出限(LOD)为0.057%,定量限(LOQ)为0.174%;N的LOD为0.135%,LOQ为0.408%,均低于实际样品的最低浓度边界,证实网络具备复杂燃料基质中原位痕量检测所需灵敏度。

3.3 网络性能提升

消融实验对比了五种网络结构。单任务MCNN基线对S和N的RMSE分别为0.1035和0.1192;多任务MCNN框架因共享特征提取层的负迁移效应导致N预测精度显著下降;引入DCA模块后,S和N的RMSE分别改善至0.0694和0.0926;进一步添加串行共享全局注意力(S-GA)虽有小幅提升,但受卷积压缩导致的信息损失限制,改进有限。最终完整的SDAM-Net配置(多任务+MCNN+P-GA+MCA+DCA)取得最优性能:S的R2达到0.92,N为0.89,RMSE分别降至0.0376和0.0454。P-GA路径从卷积前的光谱数据中提取目标特异性长程依赖,避免了MCNN造成的信息丢失,MCA则实现了并行路径与卷积流之间的动态特征交互,从而实现最佳信息融合。

3.4 光谱特征分配

SHAP模块将N和S预测任务中的显著特征映射至真实荧光响应光谱。在S检测任务中,网络仅关注主荧光发射峰,这是因为S作为典型软碱与SnO2 QDs表面的硬酸Sn4+产生强化学亲和,导致表面晶格严重化学破坏并生成非辐射SnSx死层,同时强给电子能力注入大量电子引发俄歇复合;长波长区域因仅随主峰等比例缩放而不含新信息熵,被网络赋予可忽略权重。在N预测任务中,网络对主发射峰和350–400 nm长波长宽峰均分配显著权重:N原子作为硬碱与Sn4+位点配位消除表面悬键并钝化非辐射电子陷阱,而大分子含氮杂环的空间位阻抑制了聚集猝灭效应;含氮物种的路易斯碱性强弱导致局部晶格畸变,激活深能级氧空位(Vo)陷阱并产生宽峰发射;界面介电常数突变引发的局域微电场通过量子限制斯塔克效应降低激子库仑结合能,导致斯塔克红移和非均匀展宽。特征分配验证了网络对S的对称缩放特征与N的局域斯塔克展宽和缺陷激活特征实现了精确区分,证实注意力机制与两种元素各自的光物理猝灭机制严格对齐。

3.5 泛化能力与鲁棒性

物理信息CWGAN通过重建连续光谱流形缓解了真实样本体积有限导致的结构性过拟合风险,生成方法将预测模型锚定至光物理原理,防止对经验噪声的记忆。网络内部正则化措施包括多层感知机中的20%随机丢弃率和AdamW优化器的L2惩罚,进一步限制过度的参数适应。十折交叉验证确认了SDAM-Net在既定数据集边界内的结构稳定性和预测精度。然而,当前评估受限于单一批次船用燃料油和固定荧光分光光度计,矩阵背景和仪器噪声多样性受限。研究人员指出,结合主成分分析、峰拟合和自编码器等显式特征工程策略,将SHAP模块识别的关键光谱区域中的峰值强度、峰位移、半峰全宽或光谱导数等化学描述子与原始光谱强度组合为多维数据集进行训练,可增强网络在不同环境条件或替代硬件系统下的泛化适应性。

四、总结与结论

SDAM-Net架构利用注意力机制实现多尺度特征融合,并集成多任务机制完成了SnO2 QDs荧光光谱中N和S响应信号的解耦。“多任务+MCNN+P-GA+MCA+DCA”结构解决了两个预测任务间的负迁移问题,实现了船用燃料油中N和S元素的高效原位同步检测。在N浓度0.51%–0.78% m/m和S浓度0.294%–0.826% m/m的范围内,测试集评估证实了该网络在检测精度上的优越性,N和S的定量预测RMSE分别低至0.0454%和0.0376%。物理信息CWGAN模型通过条件生成策略缓解了组合浓度的稀疏性,消除了样本稀缺区域引起的预测不稳定性,实现了连续光谱流形的精确重建。SHAP解释模块将显著特征分配给真实的微观光谱响应,直观确认了纠缠光谱的成功解耦,并验证了模型解耦策略与底层物理规律的一致性。SDAM-Net框架克服了现有原位技术在同步双元素检测方面的瓶颈,在复杂耦合信号处理中展现出广泛适用性,为船用燃料油中N和S的原位高效定量检测建立了稳健的新范式,为全球大气环境保护与治理提供了关键的检测工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号