一种物理上可解释的深度混合人工智能框架,该框架将模糊逻辑与双分支神经网络相结合,用于镁合金的分类
《Engineering Applications of Artificial Intelligence》:A physically interpretable deep hybrid artificial intelligence framework integrating fuzzy logic with dual-branch neural networks for magnesium alloy classification
【字体:
大
中
小
】
时间:2026年09月22日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
摘要
快速而严格的镁合金分类对于工业制造和回收至关重要,但由于复杂冶金环境中存在微妙的光谱变化和严重的基体效应,这一任务仍然具有挑战性。本研究提出了一种新的分析范式,将飞秒激光烧蚀火花诱导击穿光谱技术与一个物理上可解释的深度混合学习框架相结合,以实现五种镁合金等级的高保真识别
摘要
快速而严格的镁合金分类对于工业制造和回收至关重要,但由于复杂冶金环境中存在微妙的光谱变化和严重的基体效应,这一任务仍然具有挑战性。本研究提出了一种新的分析范式,将飞秒激光烧蚀火花诱导击穿光谱技术与一个物理上可解释的深度混合学习框架相结合,以实现五种镁合金等级的高保真识别。为了减轻仪器不确定性和非线性光谱波动,所提出的人工智能框架引入了基于高斯的模糊逻辑层,将信号映射到一个稳健的语义空间中。稳定的表示随后通过一个并行的双分支架构进行处理,该架构包括一个增强注意力的双向长短期记忆网络,用于解码长距离序列依赖性,以及一个一维卷积神经网络,用于分离高频局部原子发射。在严格的、无泄漏的样本级别划分方案下进行评估,提出的框架在四个独立的测试集中实现了99.97%的异常高平均准确性,明显优于所有基线模型,包括支持向量机(99.62%)、残差网络(98.75%)、随机森林(96.42%)和Transformer(89.04%)。McNemar检验确认所提出框架相对于每个基线的优越性在统计上是显著的,所有p值均低于0.001。全面的烧蚀研究证实,模糊逻辑、时空深度学习、混合统计特征和归一化预处理的协同融合对于优越的光谱分离至关重要。该模型具有每样本0.0489毫秒的亚毫秒级推理速度,并拥有7,366,438个可训练参数,适用于边缘计算部署;而集成梯度归因证实其决策依赖于真实的物理发射线。最终,这种协同方法建立了一个高度准确、可解释且可扩展的人工智能解决方案,用于实时合金分类。
引言
镁合金以其出色的强度重量比和优异的电磁屏蔽能力而著称,使其成为汽车、航空航天和消费电子领域不可或缺的材料(Mordike和Ebert,2001)。随着全球对结构轻量化的能源效率要求的推动,各种镁合金的工业应用得到了加强(Kulekci,2008)。鉴于合金元素的变化极大地决定了机械和化学性能,快速而严格的分类是确保制造质量和优化废金属回收价值链的先决条件(Reck和Graedel,2012)。传统的分析技术在该领域占主导地位,但存在明显的局限性。电感耦合等离子体光学发射光谱法(ICP-OES)(Khan等人,2022)提供了严格的定量分析,但需要使用酸进行破坏性样品消化,这阻碍了实时工业监测(Oliveira,2003)。相比之下,X射线荧光(XRF)(Revenko和Pashkova,2023)是一个常见的无损工具,但对于镁等轻元素缺乏敏感性,并且通常缺乏基于痕量元素区分特定合金等级所需的精度(Ellis,2008)。因此,激光诱导击穿光谱法(LIBS)因其远程 sensing能力和最小的样品准备要求而受到广泛关注,成为实时和现场分析的强劲替代方案(El Haddad等人,2014;Markiewicz-Keszycka等人,2017;Zhang等人,2021)。然而,在复杂的工业环境中,LIBS的有效性经常受到光谱波动的影响,这些波动源于严重的基体效应、自吸收和等离子体不稳定性,导致光谱数据出现显著的非线性和不确定性(Hahn和Omenetto,2012;Tognoni等人,2002)。化学计量学和传统的机器学习算法,包括支持向量机(SVM)(Dingari等人,2012;Yang等人,2022)、随机森林(RF)(Liang等人,2020;Zhang等人,2016)、线性判别分析(LDA)(Harefa和Zhou,2022;Shih等人,2024)和主成分分析(PCA)(Po?ízka等人,2018;Unnikrishnan等人,2013),已广泛用于LIBS光谱分析的定性分类和定量回归任务。这些方法旨在从复杂的光谱矩阵中提取判别信息,比单变量分析有所改进。例如,Bellou等人通过优化实验参数并使用PCA结合LDA成功地对橄榄油进行了分类,实现了100%的地理认证准确性。同样(Bellou等人,2020),为了处理彩色塑料的光谱相似性,Nie等人使用邻域成分分析(NCA)来权衡特征光谱线;他们的NCA-SVM模型实现了91%的平均准确性,优于传统的PCA-SVM方法的86%(Nie等人,2022)。在冶金领域,He等人应用RF使用LIBS数据对钢合金进行分类,实现了93.37%的平均准确性,显著优于SVM(82.81%)和偏最小二乘判别分析(PLS-DA)(86.46%)(He等人,2024)。这些优化后的机器学习技术在解码复杂实验参数方面的更广泛用途在各个科学领域越来越受到认可。例如,Ahmed等人使用超参数优化的极限梯度提升(XGBoost)算法评估并改进了海水淡化系统的性能,实现了2.91%的RMSE,从而突显了优化后的机器学习(ML)在实验性能分析中的强大能力(Ahmed等人,2025)。尽管取得了这些成功,传统的机器学习方法通常依赖于手动特征工程和专家知识,并且在捕捉高维光谱数据中的复杂非线性依赖性时可能会遇到挑战。深度学习模型,如卷积神经网络(CNN)(Chen等人,2020;Xu等人,2022)、长短期记忆(LSTM)(Ding等人,2023;Yang等人,2024)网络,通过实现端到端特征提取和有效处理序列数据结构,显著推动了LIBS光谱分析的发展。这些模型允许自动学习局部形态特征,如峰值和山谷(Zhang等人,2023)。Zhang等人通过应用残差网络(ResNet)来识别柴胡根的地理来源,实现了88.33%的准确率,超过了传统的反向传播(BP)网络和SVM(Zhang等人,2024)。然而,为了超越个别架构在动态光谱环境中的泛化瓶颈,当前研究越来越多地转向融合多种神经范式优势的协同混合框架。为了进一步处理复杂的光谱特性和数据波动,已经开发了先进的混合架构(Owolabi和Gondal,2018;Zeng等人,2023)。Gong等人提出了一种光谱-图像双模态融合网络(TFNet)用于中医分类,通过整合1D光谱数据和2D图像实现了99.40%的准确性。为了解决固有的光谱波动问题(Gong等人,2024a),Gong等人引入了一种跨模态模糊神经网络(CFNet),该网络通过将光谱强度映射到语义空间中,保持了91%以上的准确率。此外,认识到序列模式的重要性(Gong等人,2024b),Khalilian等人开发了一种混合CNN-LSTM模型用于珠宝岩石的鉴别,通过利用CNN进行特征提取和LSTM捕捉时间依赖性,在测试集上实现了96.4%的准确率(Khalilian等人,2024)。除了光谱应用之外,基于LSTM的混合框架在捕获高度非线性依赖性方面的鲁棒性已在更广泛的操作建模中得到证实。Mohammed等人成功地将LSTM网络与响应面方法(RSM)结合,优化了离心泵的性能,证明了这种混合数据驱动策略实现了0.99936的异常决定系数(R2)(Mohammed等人,2025)。这些研究突显了混合框架在管理复杂光谱数据和动态系统变量方面的潜力。虽然先进的计算算法提高了分析精度,但获取高保真光谱数据仍然是任何有意义算法改进的基本前提。因此,本研究采用飞秒激光烧蚀火花诱导击穿光谱技术(fs-LA-SIBS)作为光谱获取平台。与传统的纳秒LIBS不同,fs-LA-SIBS技术利用飞秒激光的超短脉冲持续时间和高峰值强度,显著抑制了热分馏并最小化了样品损伤,从而确保了微米级的空间分辨率。此外,通过集成火花放电模块来二次激发激光诱导的等离子体,该技术有效地放大了发射强度和检测灵敏度,同时不牺牲飞秒激光的烧蚀精度特性(He等人,2018;Pinjun等人,2023)。为了解决捕捉非线性光谱依赖性的关键差距并减轻固有的基体诱导不确定性,本研究提出了一种新的深度混合学习框架FLCNet,与高保真的fs-LA-SIBS相结合。FLCNet超越了传统的黑盒架构组合,引入了一个明确设计的基于高斯的模糊逻辑层作为不确定性建模策略。该层使用可学习的参考原型将易变的光谱强度波动映射到一个稳健的语义空间中,从而在源头上量化和吸收仪器不确定性。稳定的表示随后通过一个并行的双分支架构进行处理:一个增强注意力的Bi-LSTM用于解码长距离序列矩阵依赖性,以及一个1D-CNN用于分离高频局部原子发射形态。通过严格的样本级别划分方案在独立物理样品上的验证,该框架的有效性得到了确认,从根本上消除了数据泄漏。此外,该模型展示了适用于边缘计算的亚毫秒级推理速度和卓越的工程部署适应性。通过集成梯度归因来确保物理可信度,本研究为镁合金的实时识别建立了一个全面、高度准确且可扩展的分析范式。
实验系统和光谱数据采集
镁合金的光谱数据采集使用了一个自定义的fs-LA-SIBS系统进行,如图1所示。分析之前,样品表面经过机械抛光并用无水乙醇超声清洗,以消除表面氧化和环境污染物。作为烧蚀源的是一台Ti:蓝宝石飞秒激光器(Astrella,Coherent Inc.),它产生35飞秒脉冲,中心波长为800纳米,重复率为1 kHz。
方法论
稳健的合金分类需要一个专门的深度学习架构,能够将微妙的组成差异与基体效应的掩盖干扰区分开来。为此,提出了FLCNet框架:一个旨在协同融合来自三种不同特征工程方法的特征的混合框架,如图5所示。该架构整合了模糊逻辑的不确定性处理能力和整体分类性能。
FLCNet框架的训练动态,如图11所示,显示出一个稳健的收敛模式,其特征是特征学习和优化的不同阶段。在初始训练时期,训练损失呈现急剧下降,这是由于高维光谱特征的快速吸收。而在第10个周期左右,验证损失出现了一个短暂峰值,表明模型正在积极穿越复杂的高维损失景观。
结论
总之,本研究通过将fs-LA-SIBS与新型FLCNet深度混合框架相结合,成功建立了一个高度稳健且可解释的分析框架,用于镁合金的精确分类。通过基于高斯的模糊逻辑层从根本上解决光谱波动问题,并通过并行的Bi-LSTM和CNN结构捕捉复杂的空间-时间特征,FLCNet实现了接近完美的99.97%分类准确性,有效地消除了……
作者贡献声明
Kaiqiang Que:撰写——原始草稿、软件、方法论、正式分析、数据管理。
Xi Wu:撰写——审稿与编辑、验证、监督、正式分析。
Xiaoyong He:撰写——审稿与编辑、可视化、资源管理、项目管理、资金获取、概念化。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能会影响本文报告的工作。
致谢
本研究部分得到了中国国家自然科学基金(项目编号62405052)的支持。
生物通微信公众号
生物通新浪微博
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