近期，东莞理工学院电智学院何小勇博士在钢合金元素分析领域先后发表了两篇高水平论文。第一篇论文提出了基于飞秒激光烧蚀火花诱导击穿光谱与机器学习算法的钢合金元素定量分析研究，发表在：《Journal of Analytical Atomic Spectrometry》（影响因子：3.1，中科院1区），题为以“Accurate prediction analysis of steel alloy elements by femtosecond laser-ablation spark-induced breakdown spectroscopy and out-of-bag random forest regression”。第二篇论文将fs-LA-SIBS技术与随机森林（RF）模型结合，实现了快速鉴别钢合金样品的种类，该研究发表在《Spectrochimica Acta Part B-Atomic Spectroscopy》（影响因子：3.2，中科院1区）题为以“Rapid and accurate identification of steel alloys by femtosecond laser-ablation spark-induced breakdown spectroscopy and machine learning”。两篇论文的第一作者和通讯作者为何小勇博士。

论文一研究结合了OOB-RFR模型和fs-LA-LIBS技术，实现了钢合金样品的定量元素分析。通过优化fs-LA-LIBS数据集中的OOB误差，RFR模型在测试样本中展现出良好的拟合能力和强大的预测能力，尤其在复杂数据环境中，相比SVM和PLS模型表现出更高的准确性和稳定性。对Mn、Cr、Ni元素的训练样本预测结果显示，RMSE不超过0.1471，MRE不超过0.2205，R²不低于0.997564；在测试样本中，RMSE不超过0.0952，MRE不超过0.2879，R²不低于0.936947。因此，该方法为钢合金及其他材料的快速、精准的多元素定量分析提供了新的校准方法。

论文二研究结果表明RF模型的平均准确率达到0.9337，明显高于SVM模型的0.8281和PLS-DA模型的0.8646。RF模型在测试集中的灵敏度、特异性和准确率表现优异，并在5折交叉验证和预测集上展示了其可靠性和分类能力。RF模型的微平均AUC高达0.9996，显著超过SVM的0.9761和PLS-DA的0.9847。此外，PCA结果揭示了在分类过程中关键元素及其波长。该研究为快速、准确的钢合金分类提供了一种新颖且有效的方法，对材料科学和工业应用具有重要意义。

论文链接：https://pubs.rsc.org/en/content/articlelanding/2024/ja/d4ja00036f/unauth

https://www.sciencedirect.com/science/article/abs/pii/S0584854724001757

（供稿：何小勇；一审：李艳霞；复审：张兆云；终审：曾鹏举）