Korekce kalibračních modelů spektroskopie laserem indukovaného plazmatu při změně ablačních energií
Loading...
Date
Authors
Dvořák, Tomáš
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Tato bakalařská práce se zabývá zkoumáním transfer learningu jakožto potenciální metody korekce kalibračních modelů na bázi vícevrstvných perceptronovových neuronových sítí v rámci spektroskopie laserem indukovaného plasmatu v důsledku změny ablačních energií. Byly navrženy a natrénovány MLP kalibrační modely pro čtyři prvky (chrom, nikl, molybden a mangan) a šest různých ablačních energií (40, 50, 60, 70, 80 a 90 mJ). Modely původně natrénované na ablační energii 50 mJ byly poté použity k predikci koncentrací ze spekter měřených na různých ablačních energiích. Následné rozdíly v měření byly řešeny aplikací transfer learningu. Výsledky naznačují, že transfer learning by mohl sloužit jako validní metoda pro korekci nepřesností vznikajících v důsledku rozdílů v ablační energii, dosahující srovnatelných výsledků s modely trénovanými od základů za zlomek času a s výrazně nižší výpočetní náročností. Tato studie však nedokázala jednoznačně prokázat konzistentní zlepšení výkonu neuronových sítí pomocí transfer learningu v kontextu LIBS. Pravděpodobně přispívajícími faktory jsou nedostatečná optimalizace použitých neuronových sítí, omezená komplexita experimentálního datasetu nebo kombinace obou. Tento výzkum navazuje na a rozšiřuje literaturu a nabízí hlubší pochopení možností a omezení transfer learningu v kontextu LIBS.
This bachelor thesis investigates transfer learning as a potential method for correcting calibration models based on multilayer perceptron neural networks in laser-induced breakdown spectroscopy due to changes in ablation energies. MLP calibration models for four elements (chromium, nickel, molybdenum and manganese) and six different ablation energies (40, 50, 60, 70, 80 and 90 mJ) were designed and trained. Models initially trained at an ablation energy of 50 mJ were then used to predict concentrations from spectra measured at the different ablation energies. Subsequent differences in the measurements were resolved by applying transfer learning. The results suggest that transfer learning could serve as a valid method for correcting inaccuracies due to differences in ablation energy, achieving comparable results to models trained from scratch in a fraction of the time and at significantly lower computational cost. However, this study could not clearly demonstrate consistent improvements in neural network performance using transfer learning in the context of LIBS. Likely contributing factors are the lack of optimization of the neural networks used, the limited complexity of the experimental dataset, or a combination of both. This research builds on and extends the literature and offers a deeper understanding of the capabilities and limitations of transfer learning in the context of LIBS.
This bachelor thesis investigates transfer learning as a potential method for correcting calibration models based on multilayer perceptron neural networks in laser-induced breakdown spectroscopy due to changes in ablation energies. MLP calibration models for four elements (chromium, nickel, molybdenum and manganese) and six different ablation energies (40, 50, 60, 70, 80 and 90 mJ) were designed and trained. Models initially trained at an ablation energy of 50 mJ were then used to predict concentrations from spectra measured at the different ablation energies. Subsequent differences in the measurements were resolved by applying transfer learning. The results suggest that transfer learning could serve as a valid method for correcting inaccuracies due to differences in ablation energy, achieving comparable results to models trained from scratch in a fraction of the time and at significantly lower computational cost. However, this study could not clearly demonstrate consistent improvements in neural network performance using transfer learning in the context of LIBS. Likely contributing factors are the lack of optimization of the neural networks used, the limited complexity of the experimental dataset, or a combination of both. This research builds on and extends the literature and offers a deeper understanding of the capabilities and limitations of transfer learning in the context of LIBS.
Description
Citation
DVOŘÁK, T. Korekce kalibračních modelů spektroskopie laserem indukovaného plazmatu při změně ablačních energií [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. RNDr. Tomáš Šikola, CSc. (předseda)
prof. RNDr. Jiří Spousta, Ph.D. (místopředseda)
prof. RNDr. Bohumila Lencová, CSc. (člen)
prof. RNDr. Radim Chmelík, Ph.D. (člen)
prof. RNDr. Petr Dub, CSc. (člen)
doc. Ing. Stanislav Průša, Ph.D. (člen)
prof. Ing. Miroslav Kolíbal, Ph.D. (člen)
doc. Mgr. Vlastimil Křápek, Ph.D. (člen)
prof. Ing. Jan Čechal, Ph.D. (člen)
doc. Ing. Miroslav Bartošík, Ph.D. (člen)
doc. Ing. Radek Kalousek, Ph.D. (člen)
RNDr. Antonín Fejfar, CSc. (člen)
Date of acceptance
2023-06-23
Defence
Po otázkách oponenta bylo dále diskutováno:
Typy aktivačních funkcí.
Student na otázky odpověděl.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení