Ханьчжун
Ningchao Jiang
Hanzhong, Shaanxi
Ханьчжун
Min Jing
Hanzhong, Shaanxi
Ханьчжун
Bingqi Si
Hanzhong, Shaanxi
Ханьчжун
Zhaonan He
Hanzhong, Shaanxi
Ханьчжун
Hengtong Han
Hanzhong, Shaanxi
Ханьчжун
Manlong Chen
Hanzhong, Shaanxi
Для классификации и определения типа и содержания нефтяных углеводородных примесей в поверхностном слое почвы обычно используется флуоресцентная спектрометрия. Для исследования выбраны три распространенных моторных масла, доступных на рынке: трансмиссионное масло Loxson L-CKC220, моторное масло APSIN 10W-40 и масло Jaguar 200 SF MA 15W-40. Спектры флуоресценции масел получены с использованием метода индуцированной флуоресценции, длины волн выбраны с помощью генетического алгоритма (GA), модели обнаружения построены путем объединения регрессионных алгоритмов RF, AdaBoost и GBDT для классификации, идентификации и анализа прогнозирования концентрации масла. Средняя точность классификации и идентификации масел CKC220, APSIN 10W-40 и Jaguar 200 SF MA 15W-40 составляет 83.9, 97.8 и 92.2% соответственно. Сравнительный анализ результатов прогнозирования трех моделей регрессии концентрации показывает высокую точность прогнозирования всех алгоритмов. GA в сочетании с GBDT имеет наилучшие показатели прогнозирования для масел CKC220, APSIN 10W-40 и Jaguar 200 SF MA 15W-40 и улучшает точность прогнозирования на 62.7, 42.3 и 48.3% по сравнению с выбором длины волны без использования GA. Предложенный метод выбора длины волны на основе GA в сочетании с алгоритмами машинного обучения имеет высокую надежность и точность для классификации загрязнений моторного масла в почвах.
To classify and detect the type and content of petroleum hydrocarbon contaminants in the soil surface layer, fluorescence spectrometry is commonly used. The experimental oils were selected from three common engine oils available in the market: Loxson L-CKC220 gear oil, APSIN 10W-40 engine oil and Jaguar 200 SF MA 15W-40 motorcycle oil. The fluorescence spectra of the oils were obtained using the fluorescenceinduced technique, the spectral wavelengths were selected using a genetic algorithm (GA), and the detection models were constructed by combining RF (Random Forest), AdaBoost, and Gradient Enhanced Decision Tree (GBDT) regression algorithms for classification, identification, and concentration prediction analysis. The experimental results show that the average accuracy of classification and identification of gear oil, engine oil and motorcycle oil reach 83.9, 97.8, and 92.2%, respectively. Comparative analysis of the prediction results of the three concentration regression models shows that while all algorithms have high model prediction accuracy, GA combined with GBDT regression model has the best prediction performance for gear oils, engine oils and motorcycle oils, and improves the prediction accuracies by 62.7, 42.3, and 48.3% compared to the prediction accuracies of the wavelength selection without the use of GA, respectively. In summary, GA-based spectral wavelength selection combined with machine learning algorithms has high prediction accuracy and precision for the classification and prediction of motor oil contaminants in selected specific soils, and can be used as an effective detection method.
The authors declare that there are no conflicts of interest present.