اهمیت تکنولوژی LIBS در بازیافت فلزات
در جامعه مدرن، فلزات جز مواد اساسی هستند که در قسمت‌های مختلف از زیرساخت‌ها و حمل و نقل گرفته تا الکترونیک و کالاهای مصرفی استفاده می‌شوند. فرآیند استخراج و تولید فلزات به یکی از چالش‌های بزرگ در صنایع فلزی تبدیل شده است. چرا که استخراج فلزات اغلب منجر به تخریب زیستگاه‌ها، مصرف انرژی زیاد و انتشار گازهای گلخانه‌ای می‌شود. یکی از راهکارهای پیشنهادی برای این موضوع استفاده از فرآیند بازیافت است. در واقع بازیافت فلزات یکی از مؤلفه‌های مهم اقتصاد است. فرآیند بازیافت با استفاده مجدد از فلزات، جایگزین پایداری را ارائه کرده و نیاز به مواد خام را کاهش می‌دهد. علاوه بر این، بازیافت فلزات از منابع طبیعی ارزشمندی مانند آهن، آلومینیوم، مس و عناصر کمیاب زمین محافظت می‌کند. هم چنین میزان زباله‌های ارسال شده به محل‌های دفن زباله را کاهش می‌دهد. بنابراین بار سیستم‌های مدیریت پسماند را کم کرده و آلودگی محیط زیست را به حداقل می‌رساند. انرژی مورد نیاز برای استخراج و تصفیه فلزات از سنگ معدن به طور قابل توجهی بالاتر از میزان لازم برای بازیافت آن‌ها است. فرآیند بازیافت می‌تواند تا ۹۵ درصد در مصرف انرژی صرفه جویی کند. بنابراین، با توجه به مشکلاتی همچون کمبود منابع و تخریب محیط زیست در فرآیندهای استخراج، بازیافت فلزات از اهمیت بالایی برخوردار است.
فولاد به عنوان یکی از فلزات مهم در صنعت شناخته می‌شود که برای رفع نیازهای صنعتی مختلف می‌توان آن را به آلیاژهای متفاوت با عملکرد ویژه تبدیل کرد. شناسایی فولادها یک مرحله مهم در فرآیند بازیافت و استفاده مجدد از پسماندهای فولادی است. میزان جداسازی فلزاتی همچون مس، آلومینیوم و منیزیم با روش‌های جداسازی نوری بین ۸۶ تا ۹۵ درصد است. اما روش‌های جداسازی فولاد اکثرا دقت پایینی دارند. روش‌های آنالیز سنتی مانند طیف سنجی جذب اتمی، ICP-MS و SD-OES نیاز به زمان آنالیز نسبتا طولانی دارند که برای شناسایی سریع فولاد در حوزه‌های صنعتی مناسب نیستند. این موضوع می‌تواند در آینده کیفیت محصولات فولادی ساخته شده از ضایعات را تحت تاثیر قرار دهد. بنابراین وجود یک روش جداسازی مناسب، دقیق و سریع در فرآیند بازیافت برای صرفه‌جویی در منابع فولاد و تضمین کیفیت محصولات فولادی ضروری است. برای این منظور تکنولوژی LIBS گزینه بسیار مناسبی است.
آنالیز فولاد به کمک طیف سنجی LIBS
طیف سنجی فروشکست القایی لیزری (LIBS)، یک تکنیک آنالیز عنصری است که از پالس لیزر برای ایجاد پلاسما استفاده می‌کند. در ادامه به کمک خطوط نشر پلاسما ترکیب نمونه‌ها آنالیز می‌شوند. هر عنصر گسیل مشخصی دارد و یک پیک طیفی ایجاد می‌کند که مشخصه آن عنصر است. بنابراین با این روش می‌توان عناصر موجود در نمونه‌ها را با درصد بسیار خوبی شناسایی کرد. سیستم LIBS با توجه به سرعت آنالیز بالا، پتانسیل بسیار خوبی برای تشخیص سریع در حوزه‌های صنعتی دارد. شکل ۱ شماتیکی از روش LIBS را نشان می‌دهد.
اگر به دنبال خرید طیف سنج LIBS هستید، همین حالا برای مشاوره رایگان با ما تماس بگیرید.
تکنولوژی LIBS می‌تواند برای گستره بالایی از عناصر مورد استفاده قرار گیرد. با درک طیف عنصری LIBS، می‌توانید اطلاعات ارزشمندی در رابطه با نمونه‌ها به دست آورید. در شکل ۲ نمونه خروجی این تکنولوژی برای فولاد نمایش داده شده است. همانطور که مشاهده می‌کنید، پیک‌های مشخصه مربوط به عناصر تشکیل دهنده، به خوبی نشان داده شده‌اند.
دسته بندی مواد فولادی به کمک روش LIBS و روش شبکه عصبی عمیق
یکی از روش‌های مناسب برای طبقه‌بندی انواع مواد فولادی، استفاده از طیف سنجی LIBS به همراه روش ماشین لِرنینگ (machine learning) است. سیستم LIBS می‌تواند با سرعت بالایی طیف‌های مشخصه نمونه‌های مختلف را به عنوان متغیر ورودی برای طبقه‌بندی فولاد تولید کند. اما ترکیب شیمیایی مشابه در نمونه‌ها و مشکل غیرخطی بودن شدت‌های طیفی و غلظت عناصر، عملکرد مدل طبقه‌بندی را محدود می‌کند. برای این منظور از روش LIBS به همراه روش شبکه عصبی عمیق (deep belief network) استفاده می‌شود. این روش برای حذف مشکلات ناشی از اثرات غیرخطی برای طبقه‌بندی در کاربردهای صنعتی مناسب است. در این قسمت از روش LIBS به همراه روش شبکه عصبی عمیق برای طبقه‌بندی برندهای مختلفی از فولاد استفاده شده است. شکل ۳ طیف LIBS مربوط به ۱۳ نمونه فولاد متنوع از برندهای مختلف را نشان می‌دهد. طیف کامل LIBS در محدوده ۲۹۱ نانومتر تا ۱۰۲۰ نانومتر قرار دارد. خطوط طیفی در محدوده طول موج بالای ۸۰۰ نانومتر شدت ضعیفی دارند. این طیف‌ها در یک سری کنار هم رسم شده و به عنوان ورودی به روش شبکه عصبی عمیق داده می‌شود.
در ادامه می‌توانید طیف LIBS به همراه خطوط مشخص شده را برای نمونه‌های فولاد مشاهده کنید (شکل ۴). با استفاده از روش شبکه عصبی عمیق، مقادیر Score برای محورهای PC از ۱۳ برند مختلف گزارش شده‌اند. برای پارامترهای مختلف، مانند شدت سیگنال‌های طیفی و خطوط طیفی مشخصه، دقت مدل شبکه عصبی عمیق بهینه بیش از ۹۸ درصد است. بنابراین نتایج حاصل نشان می‌دهد که روش LIBS به همراه روش شبکه عصبی عمیق پتانسیل بسیار خوبی برای طبقه‌بندی انواع نمونه‌های فولادی دارد.
جمع‌بندی
در این مطلب با اهمیت تکنولوژی LIBS و روش شبکه عصبی عمیق برای شناسایی و دسته‌بندی نمونه‌های مختلف فولاد از برندهای متفاوت آشنا شدید. بر اساس بررسی‌های انجام شده مشخص شد که این روش در هر مجموعه داده دقتی بیش از ۹۹ درصد دارد. این نتایج نشان می‌دهد که روش شبکه عصبی عمیق توانایی استخراج ویژگی‌های بسیار خوبی از مجموعه داده‌های LIBS دارد. بنابراین می‌تواند برای طبقه‌بندی انواع نمونه‌های فولادی بسیار کارآمد باشد. چنانچه در صنعت فولاد فعالیت می‌کنید، بی شک تکنولوژی LIBS یکی از ملزومات اساسی برای شما خواهد بود. برای دریافت مشاوره تخصصی رایگان در این حوزه، می‌توانید با کارشناسان شرکت تکسان در تماس باشید.
منبع
۱-https://zaya.io/jzfz1
