التعلم الآلي للتحليل الكمي باستخدام LIBS لسبائك الألومنيوم: مقارنة بين الغابة العشوائية، التعزيز التدرجي، والأشجار المفرطة العشوائية

لماذا يهم هذا في استخدام المعادن اليومي

من الطائرات والسيارات إلى علب المشروبات وأغطية الهواتف، تنتشر سبائك الألومنيوم في كل مكان. وتعتمد أداؤها على الحصول على مزيج المكونات بصورة صحيحة، لكن فحص هذا المزيج بسرعة وبشكل دقيق ليس بالأمر السهل. تُظهر هذه الدراسة كيف أن الجمع بين اختبار ليزري سريع وأدوات التعلم الآلي الحديثة يمكن أن يوفر قراءات دقيقة لمحتويات سبائك الألومنيوم، مما قد يساعد الصناعة على تحسين إعادة التدوير، وخفض الهدر، وتحسين سلامة المنتجات.

ليزر يقرأ مما يتكوّن المعدن

تركز العمل على تقنية تُسمى مطيافية التفريغ المستحث بالليزر، أو LIBS. ببساطة، تنفجر نبضة ليزر قصيرة ومكثفة على سطح المعدن وتطلق كمية ضئيلة من المادة إلى سحابة متوهجة. ومع تبرد هذه السحابة، تظهر ألوان تعتمد على العناصر الموجودة. يسجل مطياف هذه البصمة الملونة عبر العديد من الأطوال الموجية. تُعد LIBS جذابة لأنها سريعة، وتحتاج إلى إعداد عينة قليل للغاية، ويمكن استخدامها في الموقع. ومع ذلك، فإن تحويل تلك الأنماط الضوئية المعقدة إلى أرقام دقيقة لكل عنصر، مثل النحاس أو الزنك أو المغنيسيوم، أمر صعب. تؤدي تأثيرات مثل الامتصاص الذاتي للضوء، وتداخل الخطوط الطيفية لعناصر مختلفة، وتغيرات في السحابة الساخنة من لقطة لأخرى إلى جعل العلاقة بين اللون والتركيب غير خطية بشدّة.

السماح للخوارزميات بالتعلّم من العديد من الأطياف

لمعالجة هذه المشكلة، لجأ المؤلفون إلى التعلم الآلي، حيث تتعلّم الحواسيب الأنماط من البيانات بدلًا من اتباع صيغ ثابتة. جمعوا 500 طيف LIBS من عينات ألومنيوم معتمدة، بما في ذلك ألومنيوم تجاري نقي وسبائك بها نحاس وزنك بنسب مختلفة. تم تنعيم كل طيف بعناية، واستيفاؤه عبر نطاق لوني واسع، وتطبيعه بحيث يُغذى النمط الكامل، وليس فقط بعض القمم، إلى الخوارزميات. بدلًا من اختيار ميزات يدويًا، استقبلت النماذج نحو ستة آلاف قيمة شدة لكل طيف، مما أتاح لها اكتشاف دلائل دقيقة لعناصر ثانوية مخفية في التوهّج.

مواجهة ثلاث نماذج قائمة على الأشجار

قارن الفريق ثلاث طرق متقاربة في التعلم الآلي تعتمد جميعها على بناء مجموعات كبيرة من أشجار القرار: الغابة العشوائية، والتعزيز التدرجي، والأشجار المفرطة العشوائية. تقسم هذه الطرق البيانات مرارًا وتكرارًا إلى فروع تقود في النهاية إلى تركيبة متوقعة. وبجمع العديد من هذه الأشجار، يمكنها التعامل مع علاقات معقدة وصاخبة. درّب الباحثون النماذج على معظم الأطياف واحتفظوا ببعضها للاختبار. ثم تحققوا من مدى قدرة كل طريقة على التنبؤ بالكميات المعروفة من الألومنيوم والنحاس والزنك والمغنيسيوم والحديد والسيليكون. وصلت الثلاثة إلى دقة عالية، بأخطاء متوسطية أقل بكثير من ربع بالمئة بالوزن. من بينها، أدت طريقة الأشجار المفرطة العشوائية الأداء الأفضل إجمالًا، مانحة أقل الأخطاء وأعلى توافق مع القيم المرجعية، خصوصًا في السبائك الثنائية والثلاثية حيث تتفاعل عدة عناصر.

اختبار العينات الحقيقية والقيود

للاطلاع على ما إذا كانت النماذج تعمم فعليًا بدلًا من الحفظ، اختبر المؤلفون النماذج على عينات مستقلة لم تُستخدم أثناء التدريب. ظلت التنبؤات لهذه السبائك الجديدة قريبة من التركيبات المعتمدة، مما يؤكد أن النماذج قادرة على التعامل مع حالات غير مرئية سابقًا. أظهرت طريقة الأشجار المفرطة العشوائية مرة أخرى السلوك الأكثر استقرارًا، بينما قدّم التعزيز التدرجي نتائج أكثر تباينًا، والتي بدت أحيانًا مقبولة إحصائيًا فقط بسبب ذلك الانتشار الأعلى. كما وجدت الدراسة حدًا عمليًا مهمًا: عندما احتوت بيانات التدريب على عينة واحدة فقط من عائلة سبيكة معينة، أصبحت التنبؤات غير موثوقة. كانت هناك حاجة إلى ما لا يقل عن ثلاث عينات ممثلة لكل عائلة حتى تتعلم النماذج نطاق التركيبات الممكنة.

ما يعنيه البحث بكلمات بسيطة

باختصار، تُظهر هذه الورقة أن اختبارًا ليزريًا سريعًا، عندما يقترن بأدوات تعلم آلي مُختارة جيدًا، يمكنه قراءة وصفة سبائك الألومنيوم بدقة عالية. تحافظ الطريقة الأفضل، المبنية على أشجار مفرطة العشوائية، على أخطاء صغيرة حتى عندما تكون الأطياف ضوضائية والكيماويات معقدة. تؤكد الدراسة أيضًا أن النتائج الجيدة لا تعتمد فقط على خوارزميات ذكية بل تعتمد كذلك على وجود مجموعة تدريب متنوعة. مع مكتبات أغنى من العينات المعروفة، يمكن أن يصبح هذا النهج المدمج وسيلة عملية وقابلة للتوسيع للمصانع وإعادة التدوير لفحص جودة المعادن في الوقت الفعلي.

الاستشهاد: Capella, A.G., López, M.M., de Damborenea González, J.J. et al. Machine learning for quantitative LIBS analysis of aluminum alloys: a comparison of random forest, gradient boosting, and extremely randomized trees. Sci Rep 16, 14758 (2026). https://doi.org/10.1038/s41598-026-46449-2

الكلمات المفتاحية: مطيافية التفريغ المستحث بالليزر, التعلم الآلي, سبائك الألومنيوم, الغابة العشوائية, التحليل الطيفي