飞秒激光烧蚀火花诱导击穿光谱联合随机森林回归实现铝合金多元素精准定量分析

本文推荐一种结合飞秒激光烧蚀火花诱导击穿光谱（fs-LA-SIBS）与随机森林（RF）回归的创新方法，通过系统优化光谱波段选择、数据归一化及超参数（决策树深度=5，ntree=100-500，mtry=300-1100），实现了铝合金中Si、Mn、Ni、Cr的高精度定量检测。该方法突破了传统技术（如AAS/ICP-MS）的局限性，为航空航天等领域的材料质量控制提供了快速、无损的解决方案。

　　

Highlight

本研究亮点在于将超快激光技术与智能算法深度融合：飞秒激光（fs-LA-SIBS）以35-fs脉冲（800 nm，1 kHz）激发等离子体，结合随机森林（RF）模型特有的特征子集（m_try）和决策树数量（n_tree）优化策略，成功解析了铝合金中Si（288.16 nm）与Al（396.15 nm）等元素的谱线重叠难题。

Experimental setup

实验系统搭载钛宝石飞秒激光器（Coherent Astrella），通过二向色镜和光纤光谱仪（Avantes）捕获315-500 nm特征谱段。相较于钢铁分析，铝合金检测将激光功率降至0.8 W以抑制热变形，并采用运动平台实现多点采样。

Selection of regression models

在回归模型筛选中，主成分分析（PCA）和偏最小二乘（PLS）因线性建模局限被排除，支持向量机（SVM）虽适用于小样本非线性问题，但随机森林（RF）凭借对高维噪声数据（如铝氧化层干扰）的鲁棒性脱颖而出——特别是通过"投票机制"提升锰元素（m_try=1100）的预测稳定性。

Comparison with alternative machine learning models and results analysis

采用min-max归一化（公式：x′=(x-min)/(max-min)）处理光谱数据后，RF模型在测试集上展现显著优势：硅元素预测R²达0.98，显著优于SVM（R²=0.91）和PLS（R²=0.85）。

Conclusion

研究证实fs-LA-SIBS-RF联用方案可精准量化铝合金成分，其元素特异性超参数配置（如铬元素n_tree=400）为轻合金材料分析树立了新标准，有望应用于航空发动机叶片等关键部件的在线检测。