近期，太阳成集团tyc234cc電智學院何小勇博士在鋼合金元素分析領域先後發表了兩篇高水平論文。第一篇論文提出了基于飛秒激光燒蝕火花誘導擊穿光譜與機器學習算法的鋼合金元素定量分析研究，發表在：《Journal of Analytical Atomic Spectrometry》（影響因子：3.1，中科院1區），題為以“Accurate prediction analysis of steel alloy elements by femtosecond laser-ablation spark-induced breakdown spectroscopy and out-of-bag random forest regression”。第二篇論文将fs-LA-SIBS技術與随機森林（RF）模型結合，實現了快速鑒别鋼合金樣品的種類，該研究發表在《Spectrochimica Acta Part B-Atomic Spectroscopy》（影響因子：3.2，中科院1區）題為以“Rapid and accurate identification of steel alloys by femtosecond laser-ablation spark-induced breakdown spectroscopy and machine learning”。兩篇論文的第一作者和通訊作者為何小勇博士。

論文一研究結合了OOB-RFR模型和fs-LA-LIBS技術，實現了鋼合金樣品的定量元素分析。通過優化fs-LA-LIBS數據集中的OOB誤差，RFR模型在測試樣本中展現出良好的拟合能力和強大的預測能力，尤其在複雜數據環境中，相比SVM和PLS模型表現出更高的準确性和穩定性。對Mn、Cr、Ni元素的訓練樣本預測結果顯示，RMSE不超過0.1471，MRE不超過0.2205，R²不低于0.997564；在測試樣本中，RMSE不超過0.0952，MRE不超過0.2879，R²不低于0.936947。因此，該方法為鋼合金及其他材料的快速、精準的多元素定量分析提供了新的校準方法。

論文二研究結果表明RF模型的平均準确率達到0.9337，明顯高于SVM模型的0.8281和PLS-DA模型的0.8646。RF模型在測試集中的靈敏度、特異性和準确率表現優異，并在5折交叉驗證和預測集上展示了其可靠性和分類能力。RF模型的微平均AUC高達0.9996，顯著超過SVM的0.9761和PLS-DA的0.9847。此外，PCA結果揭示了在分類過程中關鍵元素及其波長。該研究為快速、準确的鋼合金分類提供了一種新穎且有效的方法，對材料科學和工業應用具有重要意義。

論文鍊接：https://pubs.rsc.org/en/content/articlelanding/2024/ja/d4ja00036f/unauth

https://www.sciencedirect.com/science/article/abs/pii/S0584854724001757

（供稿：何小勇；一審：李豔霞；複審：張兆雲；終審：曾鵬舉）