Empirical simulation of laser-induced breakdown spectroscopy spectra

Abstract

Die Kombination von laserinduzierter Plasmaspektroskopie (LIBS) und maschinellem Lernen erfährt steigendes Interesse durch eine Vielzahl an potenziellen Anwendungen wie beispielsweise die Identifikation von Polymeren, die Klassifizierung von Bodenproben oder die Diagnose von Krebs. Jedoch ist die Robustheit gegen unbekannte Proben eine generelle Herausforderung von Klassifikationsmodellen. Eine Möglichkeit dieses Problem zu überwinden und gleichzeitig Kosten zu senken ist sowohl die Erhöhung der Probenanzahl als auch der Vielfältigkeit der Probenzusammensetzungen mittels künstlich simulierter Spektren.Der konventionelle Ansatz, basierend auf der Modellierung der zugrunde liegenden physikochemischen Prozesse, zeigt Defizite in Bezug auf Veränderungen im Spektrum, welche durch inhomogene Probenzusammensetzung oder komplexe Laser-Probe-Interaktionen ausgelöst werden. In dieser Arbeit wird dafür ein neuer Ansatz basierend auf empirischen Simulationen entwickelt. Hierbei wurden Polynommodelle von drei unterschiedlichen Materialien (niedrig-legierter Stahl, Aluminiumlegierung, Borosilikatglas) in Abhängigkeit von Laserenergie und Gate-Verzögerung entwickelt und disktutiert.Jeder der drei Bestandteile der Spektren (Rauschen, Basislinie und Emissionslinien) wurde getrennt modelliert. Das Rauschen wies heteroskedastischen Charakter auf. Dennoch wurde für das finale Modell homoskedastisches Rauschen unabhängig von Laserenergie und Gate- Verzögerung angenommen, um den Modellierungsaufwand zu reduzieren. Dies war angesichts der unbedeutenden Auswirkungen des Rauschens auf die endgültige Simulation vertretbar. Für die Modelle der Basislinie und der Elementlinien wurden die bilinearen Polynommodelle durch einen maximalen Grad von fünf bzw. zwei begrenzt. Der komplette Entwicklungsprozess wurde in Python programmiert.Die finalen Modelle waren grob in der Lage die Messbedingungen der verwendeten Materialien zu simulieren. Für eine realistischer Simulation wäre eine weiterführende gründliche Anpassung der Modellierungsschritte notwendig. Dennoch können die bereits bestehenden Modelle für explorative Aufgaben verwendet werden. Dafür, wurde auch ein spezielles Programm in Delphi/Object Pascal programmiert.

The combination of laser-induced breakdown spectroscopy (LIBS) and machine learning is raising a lot of interest due to a wide range of potential applications including identification of polymers, classification of soils and diagnosis of cancer. However, a general challenge of classification problems is robustness against unknown samples. One possibility to overcome this issue while cutting down production costs is to increase the number of samples and the variety of sample compositions by an in-silico production of spectra. As the conventional approach relying on theoretical modelling of the underlying physicochemical phenomena fails to capture the variations of the spectra arising from factors such as sample inhomogeneity and other complex sample-laser interactions, this thesis investigates an alternative approach based on empirical modelling. Throughout the work, polynomial models of three different materials (low-alloyed steel, aluminium alloy, and borosilicate glass) reflecting the changes in laser energy and gate delay were developed and discussed. Each of the three spectral constituents (the noise, the baseline, and the emission lines) was modelled separately. The noise exhibited a heteroscedastic character. Nevertheless, considering the insignificant effect of noise on the final model, the modelling effort was reduced by assuming homoscedastic noise irrespective of gate delay and laser energy. For the baseline and emission lines, bilinear polynomial models, accounting for the variation in laser energy and gate delay, were constrained to a maximum degree of five and two, respectively. The entire development process was carried out using Python. While the final models could roughly simulate the measurement conditions of the used materials, a more realistic simulation would require an in-depth tuning of the processing steps. Yet, the existing models are valuable for explorative tasks. Therefore, a custom-made program coded in Delphi-Object Pascal was provided.