بررسی عنصری نمونه آلومینیوم به روش طیفصسنجی تخلیه لیزری با استفاده ازشبکه عصبی مصنوعی
First Statement of Responsibility
/پروین کریمی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: مجتمع آموزش عالی بناب
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۸۲ص.
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
فیزیک اتمی مولکولی (لیزر-اپتیک)
Date of degree
۱۳۸۹/۱۱/۲۵
Body granting the degree
تبریز
SUMMARY OR ABSTRACT
Text of Note
طیف سنجی تخلیهصی لیزری روشی براساس آنالیز طیف اتمی یا مولکولی نور گسیل شده از پلاسمایی است که در اثر برخورد پالس لیزر توان بالایی روی سطح نمونهص تشکیل میصشود .سادگی چیدمان آزمایش، تجزیه و تحلیل عنصری آنی عناصر در مواد و همچنین مشخصه غیرصتماسی، از مزایای این روش است .از این روش در شناسایی عناصر موجود در نمونه، دستهصبندی و پیشصبینی غلظت عناصر موجود در نمونه استفاده میصشود .پروژهصایی که در اینجا تعریف شده است از روش طیفصسنجی تخلیهصی لیزری برای تعیین غلظتصهای آلیاژ آلومینیوم استفاده میصشود .نتایج با دو روش نمودارهای کالیبراسیون و شبکهصهای عصبی مصنوعی آنالیز می-شوند .نمودارهای کالیبراسیون، رابطهصی شدت حاصل از نور گسیل شده و غلظت را نشان میصدهند که در پیشصبینی غلظت عنصر نمونهصی مجهول مورد استفاده قرار میصگیرد .رویکرد دیگر، پیشصبینی با شبکهصهای عصبی مصنوعی است .شبکهصهای عصبی مصنوعی مدلصهای بسیار قوی محاسباتی و ریاضیاتی اطلاعات هستند که از سیستم عصبی مغز انسان الگو برداری شدهصاند .آنها قادرند به طور گسترده در حل بسیاری از مسائل پیچیده در علوم مختلف مورد استفاده قرار گیرند .این سیستمصها از واحدهای پردازنده ساده،"نرون یا نود"، که رفتارهای پیچیدهصایی از خود نشان میصدهند، تشکیل شدهصاند که به وسیله وزن) در قیاس با سیناپس در مغز انسان (به هم متصل میصشوند .این اتصالات به وسیلهصی الگوریتمصهای آموزش طراحی شده برای رسیدن به یک نتیجه مطلوب،تنظیم میصشوند .هدف از این کار پیشصبینی غلظت عناصر مختلف نمونهصهای آلومینیوم با دو روش کالیبراسیون و شبکهصهای عصبی مصنوعی و در نهایت مقایسه این روش میصباشد .غلظت شش عنصر آهن، منگنز، روی، مس، منیزیم و سیلیسیم با دو روش بالا پیشصبینی شد .در نهایت مشاهده شد که روش شبکه دارای توانایی بهتری برای پیشصبینی غلظت عناصری است که غلظت پایینی دارند اما در پیشصبینی عناصری که غلظت بالایی دارند روش کالیبراسیون دارای توانایی بهتری است .در نهایت پیشنهاد میصشود از تعداد آزمایشهای بیشتر یا شبکهصی بهتری برای پیشصبینی دقیق-تر استفاده گردد.
Text of Note
LIBS is a method based on the analysis of atomic or molecular spectrum of the emitted light from plasma that is formed as a result of collision with a sample surface. Some of the advantages of this method are: simplicity in setup and online and indirect analysis of samples. It is used for determining, classifying, and predicting concentration of elements in sample. In the present project, LIBS is used for determining the elemental concentration of aluminum alloys. Results are analyzed by two methods: Calibration curves and Artificial Neural networks. Calibration curve is a method for identifying the relationship between the intensity of an element and its concentration that is applied for predicting the element in unknown sample. Other approach is ANN's prediction. ANNs are powerful computing models that are exemplified from biological system of human brain. They can have a vast usage in resolving complicated issues in various fields. These systems are made of "node or neuron" that show complex behavior (reactions) and are connected by weight (synaptic in human brain) together. These connections are adjusted with a learning algorithm for the purpose of achieving the desired result. The mains objective is predicting different elements concentration by calibration curve and ANN and finally comparing these methods. Six concentration elements: Fe, Cu, Mn, Mg, Si, Zn, were predicted by the above two methods. At the end, it was found out that ANN has got a better ability compared to the curve in lower concentrations and calibration curves have got better abilities in predicting the elements with the highest concentration. Finally, it is proposed that to use more experiments or better networks for exact predicting