80ns脉宽激光光谱特性及铜合金定量分析方法研究
发布时间:2023-05-18 20:43
激光诱导击穿光谱(LIBS)技术具有快速、微损、多元的优势,已成为物质检测分析的重要手段,但仍存在灵敏度偏低、精密度较差等缺陷。为改善上述不足,本文利用自制80ns固体激光器(波长1064nm,单脉冲能量20200mJ),探究了长脉宽(百纳秒级)激光诱导击穿铜合金(BYG19431锡青铜)等离子体光谱特性以及在低气压(9.6×104,9.2×104,8.8×104和8.4×104Pa)下的光谱特性;并对LIBS光谱的数据分析算法进行了探讨研究。1.研究了80ns脉冲诱导击穿铜合金光谱特性。研究发现,在相同的激光能量(20mJ)下,脉宽80ns激光比传统的8ns激光LIBS光谱具有更高的灵敏度和谱线强度:与8ns相比,80ns激光作用下铜合金中较低含量元素及较难激发元素谱线(Zn I 328.23nm、Ni I 331.56nm和Sn I 333.05nm)净信号强度分别增强40.23、41.84、43.22倍。为了进一步探究实验机理,采用与传统的8ns对比的方法,研究了80ns...
【文章页数】:79 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第1章 绪论
1.1 激光诱导击穿光谱技术背景与发展介绍
1.2 LIBS技术不足及研究意义
1.2.1 LIBS技术现存问题
1.2.2 本文研究意义
1.3 定量分析方法
1.3.1 方法介绍
1.3.2 本文LIBS定量算法研究内容
1.4 本文内容与结构
第2章 原理及实验装置
2.1 LIBS分析原理
2.1.1 等离子体光谱的产生
2.1.2 等离子体电子温度
2.1.3 等离子体的电子密度
2.2 LIBS定量分析原理
2.3 LIBS实验装置
第3章 80ns脉宽LIBS光谱特性研究
3.1 时间演化特性
3.1.1 引言
3.1.2 实验部分
3.1.3 不同能量下80ns等离子体光谱时间演化特性
3.1.4 不同激光脉宽元素激发性能研究
3.1.5 80ns与8ns等离子体光谱时间演化特性对比研究
3.1.6 小结
3.2 低气压特性
引言
3.2.1 实验部分
3.2.2 常压下合金基体元素Cu的光谱特性
3.2.3 低气压下合金基体元素Cu光谱特性
3.2.4 低气压下低含量Fe元素光谱特征
3.2.5 电子温度与谱线展宽随气压的变化
3.2.6 小结
第4章 LIBS光谱分析算法研究
4.1 光谱数据预处理
引言
4.1.1 小波降噪
4.1.2 随机平均化
4.1.3 谱线正则化
4.2 人工神经网络校准曲线算法
引言
4.2.1 ANN原理介绍
4.2.2 主元分析原理
4.2.3 实验部分
4.2.4 主成分提取
4.2.5 定标模型建立结果与分析
4.2.6 小结
4.3 LIBS卷积神经网络特征提取算法研究
引言
4.3.1 卷积神经网络(CNN)原理
4.3.2 网络结构
4.3.3 实验结果与分析
结论
参考文献
在读期间发表的学术论文与取得的研究成果
致谢
本文编号:3818961
【文章页数】:79 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第1章 绪论
1.1 激光诱导击穿光谱技术背景与发展介绍
1.2 LIBS技术不足及研究意义
1.2.1 LIBS技术现存问题
1.2.2 本文研究意义
1.3 定量分析方法
1.3.1 方法介绍
1.3.2 本文LIBS定量算法研究内容
1.4 本文内容与结构
第2章 原理及实验装置
2.1 LIBS分析原理
2.1.1 等离子体光谱的产生
2.1.2 等离子体电子温度
2.1.3 等离子体的电子密度
2.2 LIBS定量分析原理
2.3 LIBS实验装置
第3章 80ns脉宽LIBS光谱特性研究
3.1 时间演化特性
3.1.1 引言
3.1.2 实验部分
3.1.3 不同能量下80ns等离子体光谱时间演化特性
3.1.4 不同激光脉宽元素激发性能研究
3.1.5 80ns与8ns等离子体光谱时间演化特性对比研究
3.1.6 小结
3.2 低气压特性
引言
3.2.1 实验部分
3.2.2 常压下合金基体元素Cu的光谱特性
3.2.3 低气压下合金基体元素Cu光谱特性
3.2.4 低气压下低含量Fe元素光谱特征
3.2.5 电子温度与谱线展宽随气压的变化
3.2.6 小结
第4章 LIBS光谱分析算法研究
4.1 光谱数据预处理
引言
4.1.1 小波降噪
4.1.2 随机平均化
4.1.3 谱线正则化
4.2 人工神经网络校准曲线算法
引言
4.2.1 ANN原理介绍
4.2.2 主元分析原理
4.2.3 实验部分
4.2.4 主成分提取
4.2.5 定标模型建立结果与分析
4.2.6 小结
4.3 LIBS卷积神经网络特征提取算法研究
引言
4.3.1 卷积神经网络(CNN)原理
4.3.2 网络结构
4.3.3 实验结果与分析
结论
参考文献
在读期间发表的学术论文与取得的研究成果
致谢
本文编号:3818961
本文链接:https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3818961.html