Alüminyum alaşımlarının kantitatif LIBS analizinde makine öğrenmesi: rastgele orman, gradyan artırma ve aşırı rastgeleleştirilmiş ağaçların karşılaştırması

Günlük metal kullanımı için neden önemli

Uçaklardan otomobillere, içecek kutularından telefon kasalarına kadar alüminyum alaşımları her yerde. Performansları, bileşimdeki maddelerin doğru oranlarda olmasına bağlıdır, ancak bu karışımı hızlı ve doğru şekilde kontrol etmek kolay değildir. Bu çalışma, hızlı bir lazer testi ile modern makine öğrenmesini birleştirmenin alüminyum alaşımlarının içeriğini hassas biçimde ortaya koyabileceğini gösteriyor; bu da endüstrinin daha iyi geri dönüşüm yapmasına, atığı azaltmasına ve ürün güvenliğini artırmasına yardımcı olabilir.

Metalin neyden yapıldığını okuyan bir lazer

Çalışma, lazer indüklemeli ayrışma spektroskopisi (LIBS) adı verilen bir tekniğe odaklanıyor. Basitçe söylemek gerekirse, kısa ve yoğun bir lazer darbesi metal yüzeye çarparak çok küçük bir miktar malzemeyi parlayan bir buluta dönüştürür. Bu bulut soğudukça, hangi elementlerin bulunduğuna bağlı olarak belirli renklerde parlar. Bir spektrometre bu renkli parmak izini çok sayıda dalga boyu boyunca kaydeder. LIBS hızlı çalışması, neredeyse hiç örnek hazırlığı gerektirmemesi ve sahada uygulanabilmesi nedeniyle çekici bir yöntemdir. Ancak bu karmaşık ışık desenlerini bakır, çinko veya magnezyum gibi her element için doğru sayılara dönüştürmek zordur. Işığın kendi kendini soğurması, farklı elementlerin üst üste binen hatları ve vuruştan vuruşa değişen sıcak bulut gibi etkiler, renk ile bileşim arasındaki ilişkiyi güçlü biçimde doğrusal olmayan hale getirir.

Algoritmaların birçok spektradan öğrenmesine izin vermek

Bu sorunu çözmek için yazarlar, bilgisayarların sabit formüller izlemek yerine veriden desenler öğrendiği makine öğrenmesine başvurdu. Ticari saflıkta alüminyum ve çeşitli miktarlarda bakır ve çinko içeren alaşımlar dâhil olmak üzere sertifikalı alüminyum örneklerinden 500 LIBS spektrumu topladılar. Her spektrum dikkatle düzleştirildi, geniş bir renk aralığı üzerinde enterpolasyon yapıldı ve tüm desenin — sadece birkaç pik değil — algoritmalara verilebilmesi için normalize edildi. Özellikleri elle seçmek yerine modellere her spektrum başına yaklaşık altı bin yoğunluk değeri verildi; böylece parıltı içinde gizli küçük elementlerin ince ipuçlarını keşfetmeleri sağlandı.

Üç ağaç tabanlı model karşı karşıya

Ekip, hepsi çok sayıda karar ağacı inşa eden üç ilişkili makine öğrenmesi yöntemini karşılaştırdı: Rastgele Orman (Random Forest), Gradyan Artırma (Gradient Boosting) ve Aşırı Rastgeleleştirilmiş Ağaçlar (Extremely Randomized Trees). Bu yöntemler veriyi tekrar tekrar dallara ayırarak sonunda bir bileşim tahminine yönlendirir. Birçok ağacı birleştirerek karmaşık ve gürültülü ilişkilerle başa çıkabilirler. Araştırmacılar modelleri spektrumların çoğu üzerinde eğittiler ve bir kısmını test için ayırdılar. Daha sonra her yöntemin alüminyum, bakır, çinko, magnezyum, demir ve silisyumun bilinen miktarlarını ne kadar iyi tahmin edebildiğini kontrol ettiler. Üçü de yüksek doğruluk elde etti; ortalama hatalar ağırlıkça çeyrek yüzde noktalarının çok altında kaldı. Bunlar arasında Aşırı Rastgeleleştirilmiş Ağaçlar modeli genel olarak en iyi performansı gösterdi; özellikle birkaç elementin etkileştiği ikili ve üçlü alaşımlarda en düşük hataları ve referans değerlerle en yüksek uyumu verdi.

Gerçek örnekleri test etmek ve sınırlar

Modellerin ezberlemek yerine gerçekten genelleme yapıp yapmadığını görmek için yazarlar, eğitim sırasında kullanılmamış bağımsız örnekler üzerinde test ettiler. Bu yeni alaşımlar için yapılan tahminler sertifikalı bileşimlere yakın kaldı ve modellerin görülmemiş durumlarla başa çıkabildiğini doğruladı. Aşırı Rastgeleleştirilmiş Ağaçlar yaklaşımı yine en istikrarlı davranışı gösterirken, Gradyan Artırma daha değişken sonuçlar üretti; bu da bazen daha yüksek yayılım nedeniyle istatistiksel olarak kabul edilebilir görünüyordu. Çalışma ayrıca pratik bir sınır buldu: eğitim verisi belirli bir alaşım ailesinden yalnızca bir örnek içeriyorsa tahminler güvenilir olmuyordu. Modellerin olası bileşim aralığını öğrenebilmesi için aile başına en az üç temsilî örneğe ihtiyaç vardı.

Çalışmanın basitçe anlamı

Özünde, bu makale gösteriyor ki hızlı bir lazer tabanlı test, iyi seçilmiş makine öğrenmesi araçlarıyla eşleştirildiğinde alüminyum alaşımlarının tarifini yüksek doğrulukla okuyabiliyor. En iyi yöntem, yüksek oranda rastgeleleştirilmiş ağaçlara dayanan yaklaşımdır; spektrumlar gürültülü ve kimya karmaşık olsa bile hataları küçük tutuyor. Çalışma ayrıca iyi sonuçların yalnızca akıllı algoritmalara değil, aynı zamanda çeşitli bir eğitim setine de bağlı olduğunu vurguluyor. Bilinen örneklerden oluşan daha zengin kütüphanelerle, bu birleşik yaklaşım fabrika ve geri dönüşüm tesislerinin metal kalitesini gerçek zamanlı olarak denetlemeleri için pratik, ölçeklenebilir bir yol haline gelebilir.

Atıf: 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

Anahtar kelimeler: lazer indüklemeli ayrışma spektroskopisi, makine öğrenmesi, alüminyum alaşımları, rastgele orman, spektral analiz