Применение методов машинного обучения для обнаружения вредных примесей в атмосфере по спектральным данным
Ф.А. КОЖЕВНИКОВ1, М.Р. КОННИКОВА1, А.С. СИНЬКО1, А.А. АНГЕЛУЦ1,2
1Московский государственный университет им. М.В. Ломоносова, Физический факультет, Москва, Россия
phil04@yandex.ru
2Институт динамики систем и теории управления им. В.М. Матросова СО РАН, Иркутск, Россия
angeluts@physics.msu.ru
Ключевые слова: терагерцовая спектроскопия, нейросети, сверточные нейронные сети, 1D-сверточная сеть, трансформация архитектуры нейросетей, газовый анализ
Страницы: 289-296
Аннотация
Расширение инструментальных и аналитических методов идентификации вредных примесей в атмосфере важно для решения экологических проблем. Настоящая работа посвящена развитию комплексного подхода к обнаружению в атмосферном воздухе вредных примесей по результатам измерений спектров поглощения воздуха, содержащего вредные примеси на исследуемой трассе, методами импульсной терагерцовой (ТГц) спектроскопии. Для анализа спектральных данных создана и применена нейронная сеть, обучение которой осуществляется на генерируемых массивах модельных спектров поглощения газовой смеси с различным качественным и количественным составом. Показано, что нейросеть способна идентифицировать пять газовых компонентов (NH3, H2CO, NO2, H2S, SO2) концентрациями до 0,01 ppm с точностью до 90-95%. Серия экспериментов с реальными газами подтвердила высокую чувствительность ТГц-спектроскопии к низким концентрациям газа в смеси. Полученные результаты демонстрируют достаточную чувствительность комплексного метода для идентификации как одиночных газов, так и газовых смесей и могут быть использованы при мониторинге окружающей среды.
DOI: 10.15372/AOO20260402 |
