Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

למידת מכונה לניתוח כמותי של ספקטרוסקופיית שבירת קרן בלייזר (LIBS) בסגסוגות אלומיניום: השוואה בין Random Forest, Gradient Boosting ו-Extremely Randomized Trees

· חזרה לאינדקס

למה זה חשוב לשימוש יומיומי במתכות

ממטוסים ומכוניות ועד פחיות משקאות ומעטפות טלפונים, סגסוגות אלומיניום מסיבות סביבנו. הביצועים שלהן תלויים ברמת הדיוק בתערובת המרכיבים, אך בדיקת התערובת במהירות ובדייקנות אינה פשוטה. המחקר הזה מראה כיצד שילוב של בדיקת לייזר מהירה עם כלים מודרניים של למידת מכונה יכול לספק קריאה מדויקת של מה שיש בתוך סגסוגות האלומיניום, מה שעשוי לעזור לתעשייה למחזר טוב יותר, לצמצם פסולת ולשפר בטיחות מוצרים.

Figure 1. קרן לייזר מפלחת מתכת המזינה מודל בצורת עץ שמפיק פסי צבע עבור כל יסוד בסגסוגה.
Figure 1. קרן לייזר מפלחת מתכת המזינה מודל בצורת עץ שמפיק פסי צבע עבור כל יסוד בסגסוגה.

לייזר שקורא ממה המתכת עשויה

העבודה מתמקדת בטכניקה הנקראת ספקטרוסקופיית שבירת קרן מושרת בלייזר, או LIBS. בפשטות, פולס לייזר קצר ועצמתי פוגע בפני המתכת ומפוצץ כמות זעירה של חומר לעננה זוהרת. כשהעננה מתקררת היא זוהרת בצבעים שתלויים ביסודות הנוכחים. ספקטרומטר מקליט את טביעת האצבע הצבעונית הזו על פני אורכי גל רבים. LIBS מושכת משום שהיא מהירה, דורשת כמעט שום הכנה מדגמית וניתנת לשימוש במקום. עם זאת, המרת דפוסי האור המורכבים האלה למספרים מדויקים עבור כל יסוד — כמו נחושת, אבץ או מגנזיום — קשה. השפעות כמו ספיגת אור עצמית, חפיפה של קווים משונים יסודות ושינויים בעננה החמה מירה לירי מייצרות קשרים בין צבע להרכב שהם מאוד לא-ליניאריים.

לאפשר לאלגוריתמים ללמוד מהרבה ספקטרות

כדי להתמודד עם הבעיה פנו החוקרים ללמידת מכונה, שבה מחשבים לומדים דפוסים מהנתונים במקום לפעול לפי נוסחאות קבועות. הם אספו 500 ספקטרות LIBS מדגימות אלומיניום מאושרות, כולל אלומיניום מסחרי טהור וסגסוגות עם נחושת ואבץ בנתחים שונים. כל ספקטרום עובר עיבוד: החלקה זהירה, אינטרפולציה על טווח צבעים רחב ונורמליזציה כדי שכל התבנית המלאה — ולא רק כמה פיקים — תוזן לאלגוריתמים. במקום לבחור תכונות ביד, המודלים קיבלו כמות של כ־6,000 ערכי עוצמה לכל ספקטרום, מה שאיפשר להם לגלות רמזים עדינים של יסודות זעירים החבויים בזוהר.

שלושה מודלים מבוססי עץ מתמודדים

הצוות השווה שלוש שיטות למידת מכונה קרובות שבונה כולן קבוצות גדולות של עצי החלטה: Random Forest, Gradient Boosting ו-Extremely Randomized Trees. שיטות אלה מחלקות את הנתונים שוב ושוב לענפים שמובילים בסופו של דבר לתחזית של הרכב. על ידי שילוב רבים מאלו יחד הן יכולות להתמודד עם יחסים מורכבים ורועשים. החוקרים אימנו את המודלים על מרבית הספקטרות והשאירו חלק לבדיקה. לאחר מכן בדקו עד כמה כל שיטה יכולה לחזות את הכמויות הידועות של אלומיניום, נחושת, אבץ, מגנזיום, ברזל וסיליקון. שלושתם הגיעו לדיוק גבוה, עם שגיאות ממוצעות נמוכות בהרבה מרבע אחוז במשקל. ביניהם, המודל Extremely Randomized Trees הציג את הביצועים הטובים ביותר הכוללים, עם השגיאות הנמוכות ביותר וההסכמה הגבוהה ביותר מול ערכי הייחוס, במיוחד בסגסוגות בינאריות וטרנריות שבהן מספר יסודות מתקשרים זה עם זה.

Figure 2. שכבות של דוגמאות סגסוגה השולחות ספקטרות לשלושה אנסמבלים של עצים המתכנסים לבר composición מבושרות בצפיפות.
Figure 2. שכבות של דוגמאות סגסוגה השולחות ספקטרות לשלושה אנסמבלים של עצים המתכנסים לבר composición מבושרות בצפיפות.

בדיקת דגימות אמיתיות ומגבלות

כדי לבדוק האם המודלים באמת הכלילו ולא רק שיננו, המחברים בדקו אותם על דגימות עצמאיות שלא שימשו באימון. התחזיות עבור הסגסוגות החדשות הללו נותרו קרובות להרכבים המאושרים, מה שאישר שהמודלים יכולים להתמודד עם מקרים שלא נראו קודם. גישת Extremely Randomized Trees שוב הראתה את ההתנהגות היציבה ביותר, בעוד Gradient Boosting הפיק תוצאות בעלות פיזור גדול יותר, שלעיתים נראו מקובלות סטטיסטית רק בגלל פיזור זה. המחקר מצא גם מגבלה פרקטית חשובה: כאשר נתוני האימון כללו רק דוגמית אחת ממשפחת סגסוגה נתונה, התחזיות הפכו ללא אמינות. נדרש לפחות שלוש דוגמאות מייצגות לכל משפחה כדי שהמודלים ילמדו את טווח ההרכבים האפשריים.

מה המחקר אומר במונחים פשוטים

בעיקרון, המאמר מראה שבדיקה מהירה מבוססת לייזר, כשהיא צמודה לכלי למידת מכונה מתאימים, יכולה לקרוא את המתכון של סגסוגות אלומיניום בדיוק גבוה. השיטה הטובה ביותר, המבוססת על עצים רנדומליים מאוד, שומרת על שגיאות קטנות גם כשהספקטרות רועשות והכימיה מורכבת. העבודה גם מדגישה שהתוצאות הטובות תלויות לא רק באלגוריתמים חכמים אלא גם בקיום מערך אימון מגוון. עם ספריות עשירות יותר של דגימות ידועות, הגישה המשולבת הזו יכולה להפוך לשיטה מעשית וקנה-מידה עבור מפעלים וממיחזרים כדי לבדוק בזמן אמת את איכות המתכת.

ציטוט: 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

מילות מפתח: ספקטרוסקופיית שבירת קרן מושרת בלייזר, למידת מכונה, סגסוגות אלומיניום, Random Forest, ניתוח ספקטרלי