| Маркер записи | n 22 3 4500 |
| Контрольный номер | zhps24_to91_no4_ss614_ad1 |
| Дата корректировки | 11:18:13 28 февраля 2025 г. |
| Кодируемые данные | 250210s2024||||RU|||||||||||#||||# rus0| |
| Системный контрольный номер | RUMARS-zhps24_to91_no4_ss614_ad1 |
| AR-MARS | |
| Служба первич. каталог. |
Научная библиотека им. М. М. Бахтина Мордовского госуниверситета им. Н. П. Огарева МАРС |
| Код языка каталог. | rus |
| Код языка издания |
eng eng |
| Индекс УДК | 535.33 |
| Индекс ББК | 22.344 |
| Таблицы для массовых библиотек | |
|
Jiang, N. 070 |
|
|
Study on the Detection Method of Soil-Motor Oil Contamination Combined with Genetic Algorithm Spectral Wavelength Selection N. Jiang, M. Jing, B. Si [et al.] |
|
|
Обнаружение загрязнения почвы моторными маслами с использованием генетического алгоритма для выбора длины волны rus |
|
| Текст | |
| непосредственный | |
| Библиография | Библиогр.: с. 614 (23 назв. ) |
| Аннотация | Для классификации и определения типа и содержания нефтяных углеводородных примесей в поверхностном слое почвы обычно используется флуоресцентная спектрометрия. Для исследования выбраны три распространенных моторных масла, доступных на рынке: трансмиссионное масло Loxson L-CKC220, моторное масло APSIN 10W-40 и масло Jaguar 200 SF MA 15W-40. Спектры флуоресценции масел получены с использованием метода индуцированной флуоресценции, длины волн выбраны с помощью генетического алгоритма (GA), модели обнаружения построены путем объединения регрессионных алгоритмов RF, AdaBoost и GBDT для классификации, идентификации и анализа прогнозирования концентрации масла. Средняя точность классификации и идентификации масел CKC220, APSIN 10W-40 и Jaguar 200 SF MA 15W-40 составляет 83. 9, 97. 8 и 92. 2% соответственно. Сравнительный анализ результатов прогнозирования трех моделей регрессии концентрации показывает высокую точность прогнозирования всех алгоритмов. GA в сочетании с GBDT имеет наилучшие показатели прогнозирования для масел CKC220, APSIN 10W-40 и Jaguar 200 SF MA 15W-40 и улучшает точность прогнозирования на 62. 7, 42. 3 и 48. 3% по сравнению с выбором длины волны без использования GA. Предложенный метод выбора длины волны на основе GA в сочетании с алгоритмами машинного обучения имеет высокую надежность и точность для классификации загрязнений моторного масла в почвах. |
|
Физика AR-MARS Спектроскопия AR-MARS |
|
| Ключевые слова |
выбор длины волны загрязнение почв методы обнаружения загрязнения почв моторные масла нефтяные углеводородные примеси обнаружение загрязнения почвы моторными маслами флуоресцентная спектрометрия |
|
Jing, M. 070 Si, B. 070 He, Z. 070 Han, H. 070 Chen, M. 070 |
|
| ISSN | 0514-7506 |
| Название источника | Журнал прикладной спектроскопии |
| Место и дата издания | 2024 |
| Прочая информация | Т. 91, № 4. - С. 614 |
|
RU 43013090 20250210 RCR |
|
|
RU 43013090 20250210 |
|
|
RU AR-MARS 20250210 RCR |
|
|
RU AR-MARS 20250210 |
|
| Тип документа | b |
|
code year to no ss ad |
|
|
zhps 2024 91 4 614 1 |
|
| 718 | |
| Аннотации англоязычных статей |
