Обнаружение загрязнения почвы моторными маслами с использованием генетического алгоритма для выбора длины волны

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.

1. X. Wang, N. J. Zhao, Z. M. Yu, X. Xiao, Z. L. Zuo, M. J. Ma, R. F. Yang, J. G. Liu, J. Spectrosc. Spectr. Analysis, 38, No. 3, 857–863 (2018).

2. Y. Wei, J. Chin. Comp. Utilizat. Res., 38, No. 4, 120–122 (2020).

3. Y. Huang, N. J. Zhao, D. S. Meng, Z. L. Zuo, X. Wang, M. J. Ma, R. F. Yang, G. F. Yin, J. G. Liu, W. Q. Liu, J. Spectrosc. Spectr. Analysis, 39, No. 7, 2107–2113 (2019).

4. R. J. Zhou, X. R. Ren, J. Environ. Develop., 31, No. 2, 137–138 (2019).

5. W. Qi, P. Feng, B. Wei, D. Zheng, T. T. Yu, P. Y. Liu, J. Spectrosc. Spectr. Analysis, 41, No. 1, 194–200 (2021).

6. J. Liu, Z. N. Xing, J. X. Wang, W. Li, J. Anal. Lab., 36, No. 4, 194–200 (2017).

7. Q. Q. Kong, H. l. Gong, X. Q. Ding, M. Liu, J. Anal. Lab., 38, No. 1, 31–35 (2018).

8. G. J. Tian, P. J. Lv, L. N. Gu, J. Spectrosc. Spectr. Analysis, 37, No. 7, 2152–2157 (2017).

9. R. K. Douglas, S. Nawar, M. C. Alamar, F. Coulon, A. M. Mouazen, J. Sci. Total. Environ., 665, 253–261 (2019).

10. J. Q. Han, G. X. Zhou, J. Hu, J. H. Cheng, Z. G. Chen, S. X. Zhao, Y. l. Liu, J. Spectrosc. Spectr. Analysis, 42, No. 11, 3482–3488 (2022).

11. M. F. Gao, H. M. Tao, J. Spectrosc. Spectr. Analysis, 41, No. 10, 3032–3038 (2021).

12. D.M. Kong, H. J. Chen, X. Y. Chen, R. Dong, S. T. Wang, J. Spectrosc. Spectr. Analysis, 41, No. 11, 3474–3479 (2021).

13. J. Hu, Y. D. Liu, A. G. Ouyang, H. l. Liu, J. Laser Optoelectron. Progr., 56, No. 23, 281–287 (2019).

14. Y. Q. Xia, C. Wang, X. Feng, J. Tribology., 42, No. 1, 142–152 (2020).

15. Y. H. Gu, Z. l. Zuo, Z. Z. Zhang, C. Y. Shi, X. H. Gao, J. Lu, J. Chin. Opt., 13, No. 4, 852–865 (2019).

16. Y. P. Ouyang, L. Cheng, H. C. Wu, W. S. Zhang, J. Laser Tech., 43, No. 3, 363–368 (2019).

17. M. K. Moro, E. V. R. De Castro, W. Romao, P. R. Filgueiras, J. Fuel, 340, article ID 127580 (2023).

18. P. F. Cheng, Y. P. Zhu, J. Y. Pan, F. B. Wang, Z. K. Chen, Y. T. Wang, J. Electron. Meas. Instrum., 36, No. 1, 62–69 (2022).

19. Z. K. Chen, R. Guo, P. F. Cheng, J. Laser. Optoelectron. Progr., 57, No. 13, 332–337 (2020).

20. H. X. Lu, J. Zhang, D. J. Li, Z. B. Liu, H. H. Yang, Y. C. Feng, L. H. Yin, J. Spectrosc. Spectr. Analysis, 41, No. 6, 1782–1788 (2021).

21. L. J. Pan, W. F. Chen, R. F. Cui, M. M. Li, J. Chin. Laser, 47, No. 8, 264–270 (2020).

22. J. H. Zhou, Y. W. Pu, R. J. Chen, F. Z. Wu, W. C. He, J. Lasers, 44, No. 11, 60–66 (2023).

23. J. l. Huang, W. Z. Zeng, R. J. Yang, M. Wu, Q. S. Xue, Z. P. Xia, J. Lasers, 43, No. 2, 205–209 (2022).