Detección de aleaciones de Zr combinando LIBS con Machine Learning

Gómez, Y.P.1, Pérez R.A.1,2,3, Ararat-Ibargen, C.1, Lucía A.1,3

1
Departamento de Materiales Comisión Nacional de Energía Atómica (CNEA), Avenida General Paz
1499, (B1650KNA) San Martín, Pcia. de Buenos Aires, Argentina.
2
CONICET (Consejo Nacional de Investigaciones Científicas y Técnicas
3
Instituto Sabato, UNSAM/CNEA

La discriminación rápida, e incluso in situ, entre distintas aleaciones de Zr

sería de gran utilidad en diversas actividades del ámbito nuclear, como la
identificación de scrap, la verificación de la identidad de piezas embaladas y/o
embarcadas, etc.
Se pretende usar la técnica de LIBS (Laser induced breakdown
spectroscopy) para ese fin. En esta técnica, un pulso láser de alta intensidad se
enfoca en la superficie de la muestra, donde una porción del orden de los
microgramos es sublimada provocando una cascada de ionizaciones. A través
de un análisis espectral de alta resolución se puede determinar la huella
espectral correspondiente a cada uno de los elementos que constituyen una
muestra analizada. En el caso presente, distintas aleaciones de Zr tendrán
espectros similares, por lo que la simple inspección ocular de los espectros
debe ser hecha en forma minuciosa, con el consiguiente costo en tiempo.

Adicionalmente, los datos que se obtienen para cada una de las muestras
estudiadas presentan una característica que dificulta su análisis; el número de
líneas espectrales (miles) es muy superior al número de espectros que
normalmente se obtienen de una muestra (cientos).

En este trabajo se explora el uso de técnicas de aprendizaje automático para

realizar tareas de clasificación de distintas aleaciones de base Zr. Dadas las
características previamente mencionadas, para cada una de las 6 muestras
analizadas se cuenta con una matriz de N filas y P columnas (N<<P). Cada fila
corresponde a un espectro con P líneas espectrales. En primer lugar se abordó
el problema de la reducción de dimensionalidad con el objetivo de encontrar un
número reducido de líneas espectrales capaces de describir a las 6 muestras
estudiadas. Posteriormente, se entrenó un algoritmo de aprendizaje automático
utilizando el nuevo conjunto reducido de predictores para realizar la
clasificación inmediata de las muestras.

Con el fin de testear las bondades del método propuesto, se repitió el

procedimiento, ahora para diferenciar un conjunto de patrones de aceros
de la serie SS 400.

En todos los casos el resultado fue exitoso.