CN117686442B - 一种氯离子扩散浓度检测方法、系统、介质及设备 - Google Patents

一种氯离子扩散浓度检测方法、系统、介质及设备 Download PDF

Info

Publication number
CN117686442B
CN117686442B CN202410146126.3A CN202410146126A CN117686442B CN 117686442 B CN117686442 B CN 117686442B CN 202410146126 A CN202410146126 A CN 202410146126A CN 117686442 B CN117686442 B CN 117686442B
Authority
CN
China
Prior art keywords
data
hyperspectral
chlorine element
neural network
data sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410146126.3A
Other languages
English (en)
Other versions
CN117686442A (zh
Inventor
刘伟杰
肖研
黄启云
要东明
冯梓豪
吴红细
于梦怡
钟爱弟
杨思宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Nonferrous Industry Building Quality Inspection Station Co ltd
Original Assignee
Guangdong Nonferrous Industry Building Quality Inspection Station Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Nonferrous Industry Building Quality Inspection Station Co ltd filed Critical Guangdong Nonferrous Industry Building Quality Inspection Station Co ltd
Priority to CN202410146126.3A priority Critical patent/CN117686442B/zh
Publication of CN117686442A publication Critical patent/CN117686442A/zh
Application granted granted Critical
Publication of CN117686442B publication Critical patent/CN117686442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
    • G01N33/383—Concrete or cement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
    • G01N2013/003—Diffusion; diffusivity between liquids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ceramic Engineering (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

本发明公开了一种氯离子扩散浓度检测方法、系统、介质及设备，其方法包括步骤：S1、通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，基准固态物对应不同的氯离子含量；S2、通过高光谱数据序列X0训练U‑Net神经网络，得到基准氯元素反向解码神经网络Z0；S3、获取待测混凝土样品的高光谱相关性数据序列X；S4、对X进行基准氯元素扩散编码，得到数据集X’；S5、通过Z0对数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；S6、计算Xz与X0的相关性系数；S7、根据相关性系数得到待测混凝土样品的氯离子含量。本发明实现快速且精确地检测混凝土氯离子扩散浓度。

Description

一种氯离子扩散浓度检测方法、系统、介质及设备
技术领域
本发明属于氯离子浓度检测技术领域，具体地说，涉及一种氯离子扩散浓度检测方法、系统、介质及设备。
背景技术
钢筋混凝土结构是实际工程设计和建设中应用最广泛的结构形式。然而随着混凝土结构使用时长的增加，各种有害介质如氯离子等会不同程度的入侵至混凝土结构内部，导致混凝土结构耐久性能下降。
为合理评定既有混凝土结构的耐久性，保证既有混凝土结构在目标使用年限内的安全和正常使用，住建部发布了GB/T 51355《既有混凝土结构耐久性评定标准》，规定了氯盐侵蚀环境混凝土结构耐久性评定方法，通过测定混凝土中氯离子含量参数来推断混凝土结构耐久性系数，其中针对氯离子含量的测定方法为GB/T 50344《建筑结构检测技术标准》中规定的电位滴定法。该方法存在以下缺陷：取样制样过程繁琐、每次试验都需要配置多种基准化学溶液以及滴定终点由人眼判别，检测效率低下、精确性欠佳、难以反映现场实际情况等问题。对此，多年来众多学者研究了多种测定氯离子含量的方法，但均存在一定的局限性，如下：
1）采用自动滴定仪代替人工进行滴定终点的判定，该仪器仅能完成溶液化学滴定终点的判定，对于氯离子含量测定的整个试验过程而言，仍需要进行取样制样和配置溶液等繁杂步骤；
2）采用基于电场迁移理论的系列电子迁移通量测定方法，需进行一系列化学参数的测定，且基本为细观层面的实验，不仅操作复杂，且理论公式的推导与解析十分繁杂，并不能很好的适用于现场的混凝土氯离子含量检测；
3）采用基于光谱分析的测定方法，此方法逐渐成为主流，各元素或者物质的光谱数据可视为其独有的“基因信息”，光谱数据与元素或物质有很好的相关性，但现阶段的难点在于对得到的光谱图进行解析，由于波的干涉特性，无法直接确定光谱图展示的特征波段即为某一元素或者物质（目标物）的特征参数，因此现有的关于光谱分析的研究基本上着重于解析光谱数据，尚未有一种适用性较好的分析方法；
4）采用机器学习预测模型的方法，此方法是一个火热的研究方向，其基本思路是通过常见的机器学习算法如RF、SVM、NN等来进行离子含量的预测或是对测量的中间参数的特征进行拟合、提取或识别，总的来说，仍缺乏适用性；此外，采用深度模型时往往还需要大量的数据才能训练出较好的效果，而混凝土氯离子相关的历史检测数据量并不足以用来训练较深层级的模型。
综上所述，当前缺乏适用于既有结构混凝土氯离子扩散的现场快速、准确的测定方法。
发明内容
发明的第一目的在于克服现有技术中存在的缺点与不足，提供一种氯离子扩散浓度检测方法，实现快速且精确地检测混凝土氯离子扩散浓度。
本发明的第二目的为提供一种氯离子扩散浓度检测系统。
本发明的第三目的为提供一种存储介质。
本发明的第四目的为提供一种计算设备。
本发明的目的通过下述技术方案实现：一种氯离子扩散浓度检测方法，包括步骤：
S1、通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，所述基准固态物对应不同的氯离子含量；
S2、通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
S3、获取待测混凝土样品的高光谱相关性数据序列X；
S4、对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
S5、通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
S6、计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
S7、根据所述相关性系数分析得到待测混凝土样品的氯离子含量。
优选的，步骤S1具体包括步骤：
S11、制备J组不同氯离子含量P的基准固态物S，其中，第j组基准固态物Sj对应的氯离子含量为Pj，j∈[1，J]，J为正整数；
S12、获取基准固态物S的基准氯元素的高光谱数据序列X0，其中，对第j组基准固态物Sj实测得到对应的基准氯元素的高光谱数据X0，j，所述基准氯元素的高光谱数据序列X0为J组基准氯元素的高光谱数据X0，j的集合。
优选的，步骤S2中，所述训练后的基准氯元素反向解码神经网络Z0为J个神经网络Z0，j的集合，第j个神经网络Z0，j通过第j组基准氯元素的高光谱数据X0，j训练得到，具体包括步骤：
S21、对第j组基准氯元素的高光谱数据X0，j进行t次高斯扩散，得到数据Xt，j，所述高斯扩散公式为：
，式（1），
其中，将第j组基准氯元素的高光谱数据X0，j记为x0，将第j组所述数据Xt，j记为xt，xt表示x0经过t次高斯扩散得到的数据；t为随机抽样的正整数且t∈（1、2、3...... T]，第j个训练过程中的T记为Tj，每个训练过程的Tj分别视情况设定正整数；e为服从标准正态分布N（0，1）随机采样的噪声真实值，，αt=1-βt，/>为权重系数项，βt为预设值且βt∈[0.00001，0.01]；
S22、将（xt，t）输入至U-Net神经网络，U-Net神经网络输出噪声预测值εθ（xt，t）；
S23、根据噪声真实值e和噪声预测值εθ（xt，t）生成损失函数，所述损失函数的表达式为：
Loss=|| e-εθ（xt，t）||2，式（2），
S24、通过最小化损失函数，更新神经网络参数，重复步骤S21至步骤S23，当噪声预测值和噪声真实值之间的误差达到预设阈值时，停止训练，得到神经网络Z0，j。
优选的，步骤S4中，所述基准氯元素扩散编码包括：对待测混凝土样品的高光谱相关性数据序列X进行T次高斯扩散，此高斯扩散过程共进行J轮，第j轮T次高斯扩散得到数据Xj’，J组数据Xj’的集合记为数据集X’，其中，第j轮高斯扩散对应的次数T记为Tj，每轮的T分别视情况设定正整数；所述高斯扩散的表达式为：
，式（3），
其中，将待测混凝土样品的高光谱相关性数据序列X记为x，将所述数据Xj’记为xj’，则xj’表示x经过T次高斯扩散后得到的数据，，αT=1-βT，/>为权重系数项，βT为预设值且βT∈[0.00001，0.01]；E为随机采样的噪声值且服从标准正态分布N（0，1），即E~ N（0，1）。
优选的，步骤S5具体包括：
通过J个神经网络Z0，j分别对对应的数据Xj’进行T次解码，分别得到对应的数据Xz，j，J组数据Xz，j的集合记为待测混凝土样品的氯元素高光谱数据序列Xz，其中，第j轮解码过程对应的T记为Tj，每轮解码过程的T分别视情况设定正整数；
第j个神经网络Z0，j对第j组数据Xj’进行解码的过程包括：
S51、将第j组数据Xj’记为xT’，根据式（3）有：
，式（4），
S52、将xT’输入神经网络Z0，j，神经网络Z0，j输出噪声数据Eθ（xT’，T），其中θ表示神经网络参数；
S53、根据xT’和噪声数据Eθ（xT’，T），有：
，式（5）；
S54、将xT-1’输入神经网络Z0，j，按照步骤S52至步骤S53的方法，循环计算依次得到xT-2’、xT-3’… x0’，x0’为经过T次解码得到的数据，即数据Xz，j。
优选的，步骤S6具体包括：
通过KL散度计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数，即分别计算各组数据Xz，j与对应基准氯元素的高光谱数据X0，j的KL散度，得到J个散度值Yj，所述KL散度的计算公式为：
，式（6），
其中，Yj表示第j组数据Xz，j与第j组基准氯元素的高光谱数据X0，j的差异，q(X0，j)和q(Xz，j)分别表示基准氯元素的高光谱数据X0，j和数据Xz，j的分布。
优选的，步骤S7具体包括：
从J个散度值Yj中选取最小值，该最小值所在的第j组基准氯元素的高光谱数据X0，j对应的氯离子含量Pj即为待测混凝土样品的氯离子含量。
一种氯离子扩散浓度检测系统，包括：
第一数据获取模块，用于通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，所述基准固态物对应不同的氯离子含量；
模型训练模块，用于通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
第二数据获取模块，用于获取待测混凝土样品的高光谱相关性数据序列X；
基准扩散模块， 用于对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
反向解码模块，用于通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
计算模块，用于计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
判断模块，用于根据所述相关性系数分析得到所测混凝土样品的氯离子含量。
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述所述的一种氯离子扩散浓度检测方法。
一种计算设备，包括处理器及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述所述的一种氯离子扩散浓度检测方法。
本发明相对于现有技术具有如下的优点及效果：
（1）本发明提供了一种混凝土氯离子扩散浓度检测方法，首先建立基准氯离子含量与其光谱数据相关性的标准数据分布（即基准氯元素的高光谱数据序列X0），再通过神经网络学习标准数据分布的特征参数（即采用基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0），然后通过该基准氯元素反向解码神经网络Z0对实测的待测混凝土样品的高光谱相关性数据序列X进行特征分布解析（即先对X进行基准氯元素扩散编码获得X’，再通过Z0对X’进行反向解码），最后将解析得到的结果（即Xz）与标准数据分布（即X0）进行对照，根据两者之间的相关性系数分析得到相应的氯离子含量数值。本发明基于高光谱技术并结合神经网络算法，无需进行繁杂的取样制样操作、复杂的化学溶液滴定试验和元素光谱理论解析，能够快速且准确地检测结构混凝土氯离子的扩散浓度。
（2）本发明中通过现有的手持式高光谱测定仪在工程现场直接对待测混凝土进行高光谱数据的快速测定，再通过本发明的检测系统能够快速检测得到待测混凝土的氯离子含量，无需采样带回实验室用大型的台式光谱仪进行分析测定，实现直接在现场开展检测工作，极大提高检测效率和检测结果的精确性。
附图说明
图1为本发明的一种氯离子扩散浓度检测方法的流程示意图。
图2为本发明的基准氯元素反向解码神经网络Z0训练方法的流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细描述，但本发明的实施方式不限于此。
实施例1
如图1所示为一种氯离子扩散浓度检测方法的流程示意图，包括步骤：
S1、通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，
所述基准固态物对应不同的氯离子含量；
S2、通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
S3、获取待测混凝土样品的高光谱相关性数据序列X；
S4、对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
S5、通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
S6、计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
S7、根据所述相关性系数分析得到待测混凝土样品的氯离子含量。
具体的，本发明提供了一种混凝土氯离子扩散浓度检测方法，适用于建筑工程结构混凝土样品氯离子含量的测定。通过高光谱测定仪测得待测混凝土样品的高光谱相关性数据序列X，待测混凝土样品的高光谱相关性数据序列X包括各个波长及各波长下的光谱相关系数。
首先建立基准氯离子含量与其光谱数据相关性的标准数据分布（即基准氯元素的高光谱数据序列X0），再通过神经网络学习标准数据分布的特征参数（即采用基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0），然后通过该基准氯元素反向解码神经网络Z0对实测的待测混凝土样品的高光谱相关性数据序列X进行特征分布解析（即对应步骤S3先对X进行基准氯元素扩散编码获得X’，再通过Z0对X’进行反向解码），最后将解析得到的结果（即Xz）与标准数据分布（即X0）进行对照，根据两者之间的相关性系数分析得到相应的氯离子含量数值。本发明基于高光谱技术并结合神经网络算法，无需进行繁杂的取样制样操作、复杂的化学溶液滴定试验和元素光谱理论解析，能够快速且准确地检测结构混凝土氯离子的扩散浓度。
步骤S1具体包括步骤：
S11、制备J组不同氯离子含量P的基准固态物S，其中，第j组基准固态物Sj对应的氯离子含量为Pj，j∈[1，J]，J为正整数；
S12、获取基准固态物S的基准氯元素的高光谱数据序列X0，其中，对第j组基准固态物Sj实测得到对应的基准氯元素的高光谱数据X0，j，所述基准氯元素的高光谱数据序列X0为J组基准氯元素的高光谱数据X0，j的集合。
具体的，通过现有的高光谱测定仪获取基准固态物的氯元素的高光谱数据，作为基准数据分布。基准固态物为在高光谱测定仪的探测下能明显显现出氯元素分布的物质，如固态氯化钠。所述基准氯元素的高光谱数据X0，j包括各个波长及各波长下的光谱相关系数。
步骤S2中，所述训练后的基准氯元素反向解码神经网络Z0为J个神经网络Z0，j的集合，第j个神经网络Z0，j通过第j组基准氯元素的高光谱数据X0，j训练得到，具体包括步骤：
S21、对第j组基准氯元素的高光谱数据X0，j进行t次高斯扩散，得到数据Xt，j，所述高斯扩散公式为：
，式（1），
其中，将第j组基准氯元素的高光谱数据X0，j记为x0，将第j组所述数据Xt，j记为xt，xt表示x0经过t次高斯扩散得到的数据；t为随机抽样的正整数且t∈（1、2、3...... T]，第j个训练过程中的T记为Tj，每个训练过程的Tj分别视情况设定正整数；e为服从标准正态分布N（0，1）随机采样的噪声真实值，，αt=1-βt，/>为权重系数项，βt为预设值且βt∈[0.00001，0.01]；
S22、将（xt，t）输入至U-Net神经网络，U-Net神经网络输出噪声预测值εθ（xt，t）；
S23、根据噪声真实值e和噪声预测值εθ（xt，t）生成损失函数，所述损失函数的表达式为：
Loss=|| e-εθ（xt，t）||2，式（2），
S24、通过最小化损失函数，更新神经网络参数，重复步骤S21至步骤S23，当噪声预测值和噪声真实值之间的误差达到预设阈值时，停止训练，得到神经网络Z0，j。
具体的，如图2所示为基准氯元素反向解码神经网络Z0的训练方法的流程示意图。本实施例中的基准氯元素反向解码神经网络的结构，采用现有开源的基于attention的U-Net神经网络结构，将U-Net神经网络在公开数据集ImageNet预训练后得到的各项网络参数，作为本实施例中训练神经网络时各项网络参数的初始值，各项网络参数经训练得到更新。
各个神经网络Z0，j分别通过对应的基准氯元素的高光谱数据X0，j训练得到，即每个神经网络Z0，j对应1个训练过程，共进行J个训练过程，分别如下：
第1个训练过程（即训练第1个神经网络Z0,1）：X0，1进行t次高斯扩散，此时t属于（1、2、3…T1]，训练后得到Z0,1；
第2个训练过程（即训练第2个神经网络Z0,2）X0，2进行t次高斯扩散，此时t属于（1、2、3… T2]，训练后得到Z0,2；
以此类推，第j个训练过程（即训练第j个神经网络Z0,j），X0，j进行t次扩散，此时t属于（1、2、3…Tj]，训练后得到Z0,j，基准氯元素反向解码神经网络Z0包括Z0,1，Z0,2…Z0,j。
其中，T1、T2…Tj为正整数，J为正整数，T1、T2…Tj的取值视情况分别设定，为减少计算量，本实施例中T1、T2…Tj均设为3000。
下面以第j个神经网络Z0，j的训练过程进行说明。
对第j组基准氯元素的高光谱数据X0，j进行t次高斯扩散，得到数据Xt，j，为方便描述，将第j组基准氯元素的高光谱数据X0，j记为x0，第j组所述数据Xt，j记为xt。
首先，根据高斯扩散公式，获取高斯扩散所需的数据，包括：训练数据x0，高斯扩散的次数t，噪声真实值e和，各个数据的获取如下：
将步骤S1获取的原始数据X0，记为训练数据x0；
从（1、2、3......T]中随机抽样出一个序列次数作为高斯扩散的次数t，为提高检测的准确性，T设定为大的正整数，本实施例中，T设定为3000；
从标准正态分布N（0，1）随机抽样一个噪声数据作为噪声真实值e，对于高斯分布N（μ，б2），当μ=0、б2=1时，则N（0，1）称为标准高斯分布，因此e同样服从标准正态分布，即e~N（0，1）；
随机生成t个属于[0.00001，0.01]的β项，即（β1、β2...βt），且β1<β2<...<βt，根据αt=1-βt，得到t个α项即（α1、α2...αt），根据得到/>；
根据上述数据，代入高斯扩散公式，计算x0经过t次高斯扩散得到的数据；
再将（xt，t）作为U-Net神经网络的输入，通过U-Net神经网络输出噪声预测值；
然后通过计算损失函数，更新模型参数，本实施例中通过常规的梯度下降算法最小化损失函数，当噪声预测值和噪声真实值之间的误差达到预设阈值时，认为函数已收敛，停止训练，预设阈值设定为小的正数，如：0.0000001。
本实施例中，高斯扩散公式的推导过程如下：
记：x0为初始时刻的数据，经过第一时刻t1，添加初始噪声数据e0~N（0，1），再添加第一时刻的权重系数项和对应系数/>，得到数据x1，表示为：，式（7），
同理，x2经过第二时刻t2，添加噪声数据e1~N（0，1），再添加第二时刻的权重系数项和对应系数/>，得到数据x2，表示为：/>，式（8）；
以此类推，在第t时刻得到的数据xt，是通过前一时刻（即第t-1时刻）的数据xt-1添加噪声数据et-1~N（0，1）得到，表示为：，式（9），根据式（7）至式（9），后一时刻的数据均是由前一时刻的数据添加随机采样的噪声数据得到，在已知x0的条件下，前一时刻的数据通过公式能够计算得到，依次将前一时刻的数据的表达式代入后一时刻的数据的表达式，结合每一时刻的噪声数据均为随机采样得到且服从N（0，1），得到最后的时刻t的数据/>，进一步的，当t足够大，最终得到的xt是服从于各向同性的标准高斯分布。在本实施例中，按照高斯扩散公式计算神经网络的输入项xt，仅需知道初始的训练数据x0、高斯扩散次数t、1个随机采样的噪声e~N（0，1）以及随机生成的t个β项即可，大大减少了计算参数及运算量。
步骤S4中，所述基准氯元素扩散编码包括：对待测混凝土样品的高光谱相关性数据序列X进行T次高斯扩散，此高斯扩散过程共进行J轮，第j轮T次高斯扩散得到数据Xj’，J组数据Xj’的集合记为数据集X’，其中，第j轮高斯扩散对应的次数T记为Tj，每轮的T分别视情况设定正整数；
所述高斯扩散的表达式为：
，式（3），
其中，将待测混凝土样品的高光谱相关性数据序列X记为x，将所述数据Xj’记为xj’，则xj’表示x经过T次高斯扩散后得到的数据，，αT=1-βT，/>为权重系数项，βT为预设值且βT∈[0.00001，0.01]；E为随机采样的噪声值且服从标准正态分布N（0，1），即E~ N（0，1）。
具体的，对同一组待测混凝土样品的高光谱相关性数据序列X进行T次高斯扩散，此高斯扩散过程共进行J轮，即：第1轮高斯扩散时，X经过T1次高斯扩散得到X1’；第2轮高斯扩散时，X经过T2次高斯扩散得到X2’；以此类推，第j轮高斯扩散时，X经过Tj次高斯扩散得到Xj’，数据集X’包括X1’、 X2’…Xj’。
为了将X通过J×T次高斯扩散得到X’，按照式（3）的高斯扩散公式，仅需要采样J个噪声数据E~N（0，1）、生成J×T个β项，即每轮生成T个β项（β1、β2...βT），共J轮，且β1<β2<...<βT。对于每轮过程的噪声数据E和β项，可以根据不同的需求取不同的值。本实施例中，为了减少计算量，J轮过程的数值采样只进行1次，即“1个E值、T个β项，T统一取值为3000”，则对应得到的J组数据Xj’完全相等。
步骤S5具体包括：
通过J个神经网络Z0，j分别对对应的数据Xj’进行T次解码，分别得到对应的数据Xz，j，J组数据Xz，j的集合记为待测混凝土样品的氯元素高光谱数据序列Xz，其中，第j轮解码过程对应的T记为Tj，每轮解码过程的T分别视情况设定正整数；
第j个神经网络Z0，j对第j组数据Xj’进行解码的过程包括：
S51、将第j组数据Xj’记为xT’，根据式（3）有：
，式（4），
S52、将xT’输入神经网络Z0，j，神经网络Z0，j输出噪声数据Eθ（xT’，T），其中θ表示神经网络参数；
S53、根据xT’和噪声数据Eθ（xT’，T），有：
，式（5），
式（5）的αT、βT根据步骤S4得到；
S54、将xT-1’输入神经网络Z0，j，按照步骤S52至步骤S53的方法，循环计算依次得到xT-2’、xT-3’… x0’，x0’为经过T次解码得到的数据，即数据Xz，j。
具体的，通过J个神经网络Z0，j分别对对应的数据Xj’进行T次解码，分别得到对应的数据Xz，j，彼此一一对应的关系，如下：第1组神经网络Z0，1对第1组数据X1’进行T次解码，得到第1组数据Xz，1，第2组神经网络Z0，2对第2组数据X2’进行T次解码，得到第2组数据Xz，2，以此类推，第j个神经网络Z0，j对第j组数据X3’进行T次解码，得到第j组数据Xz，j，待测混凝土样品的氯元素高光谱数据序列Xz包括Xz，1、Xz，2…Xz，j。
在本实施例中，式（5）即XT-1’的表达式的推导过程如下：
在已知x和xT’的条件下，求解xT-1’：
根据贝叶斯公式得到，
，式（10），
结合式（5）和式（10），得到：
，式（11），
其中，，
，式（12），
其中，，
，式（13），
其中，，
其中，E为随机采样的噪声值且服从标准正态分布N（0，1），E根据步骤S4得到；
将式（11）~（13）代入高斯分布的概率密度函数式，则式（10）得到：
式（14），
其中，M、A的表达式和高斯分布的概率密度函数分别为：
，
，
，
其中，C(xT’，x)表示公式推导中得到的关于xT’和x的相关项，由于xT’和x已知，故将C(xT’，x)为已知项，在公式变换中当做常数项处理，n为概率密度函数的自变量符号。
由于q（xT-1’| xT’）服从高斯分布，将q（xT-1’| xT’）的表达式写成高斯分布的概率密度函数形式：
，式（15），
其中，μ、σ和σ2分别为未知数的均值、未知数的标准差和未知数的方差；在本实施例中，未知数n对应的是需要求解的xT-1’；
联立式（14）和式（15）计算，得到均值μ和方差σ2的表达式分别如下：
，式（16），
，式（17），
具体的，式（4）表示的是x通过添加T次高斯噪声得到最终数据（即xT’）的过程，而步骤S5的解码过程，表示将xT’通过T次消去噪声得到最终的结果（即x0’），故高斯扩散过程添加的噪声数据为已知的随机采样的数据（E），解码过程消去的噪声数据是由神经网络生成的数据（即Eθ（xT’，T）），根据式（4）可以得到：，式（18），
将式（18）代入式（16），得到均值的表达式：
，式（19），
至此，推导了式（5）中各项系数的由来。
步骤S6具体包括：
通过KL散度计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数，即分别计算各组数据Xz，j与对应基准氯元素的高光谱数据X0，j的KL散度，得到J个散度值Yj，所述KL散度的计算公式为：
，式（6），
其中，Yj表示第j组数据Xz，j与第j组基准氯元素的高光谱数据X0，j的差异，q(X0，j)和q(Xz，j)分别表示基准氯元素的高光谱数据X0，j和数据Xz，j的分布。
具体的，散度值Yj值越小，说明数据Xz,j与X0,j越接近。
步骤S7具体包括：
从J个散度值Yj中选取最小值，该最小值所在的第j组基准氯元素的高光谱数据X0，j对应的氯离子含量Pj即为待测混凝土样品的氯离子含量。
实施例2
一种氯离子扩散浓度检测系统，包括：
第一数据获取模块，用于通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，所述基准固态物对应不同的氯离子含量；
模型训练模块，用于通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
第二数据获取模块，用于获取待测混凝土样品的高光谱相关性数据序列X；
基准扩散模块，用于对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
反向解码模块，用于通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
计算模块，用于计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
判断模块，用于根据所述相关性系数分析得到所测混凝土样品的氯离子含量。
具体的，本发明中通过现有的手持式高光谱测定仪在工程现场直接对待测混凝土进行高光谱数据的快速测定，再通过本发明的检测系统能够快速检测得到待测混凝土的氯离子含量，无需采样带回实验室用大型的台式光谱仪进行分析测定，实现直接在现场开展检测工作，极大提高检测效率和检测结果的精确性。
实施例3
一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的一种氯离子扩散浓度检测方法，如下：
S1、通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，所述基准固态物对应不同的氯离子含量；
S2、通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
S3、获取待测混凝土样品的高光谱相关性数据序列X；
S4、对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
S5、通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
S6、计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
S7、根据所述相关性系数分析得到待测混凝土样品的氯离子含量。
上述过程中，具体的处理过程如实施例1所述，此处不再赘述。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器、随机存取存储器、U盘、移动硬盘等介质。
实施例4
一种计算设备，包括处理器及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的一种氯离子扩散浓度检测方法，如下：
S1、通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，所述基准固态物对应不同的氯离子含量；
S2、通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
S3、获取待测混凝土样品的高光谱相关性数据序列X；
S4、对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
S5、通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
S6、计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
S7、根据所述相关性系数分析得到待测混凝土样品的氯离子含量。
上述过程中，具体的处理过程如实施例1所述，此处不再赘述。
在本实施例中，计算设备可以是台式电脑、笔记本电脑、PDA手持终端、平板电脑等终端设备。
上述实施例为本发明较佳的实施方式，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种氯离子扩散浓度检测方法，其特征在于，包括步骤：
S1、通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，所述基准固态物对应不同的氯离子含量；
S2、通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
S3、获取待测混凝土样品的高光谱相关性数据序列X；
S4、对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
S5、通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
S6、计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
S7、根据所述相关性系数分析得到待测混凝土样品的氯离子含量；
步骤S1具体包括步骤：
S11、制备J组不同氯离子含量P的基准固态物S，其中，第j组基准固态物Sj对应的氯离子含量为Pj，j∈[1，J]，J为正整数；
S12、获取基准固态物S的基准氯元素的高光谱数据序列X0，其中，对第j组基准固态物Sj实测得到对应的基准氯元素的高光谱数据X0，j，所述基准氯元素的高光谱数据序列X0为J组基准氯元素的高光谱数据X0，j的集合；
步骤S2中，所述训练后的基准氯元素反向解码神经网络Z0为J个神经网络Z0，j的集合，第j个神经网络Z0，j通过第j组基准氯元素的高光谱数据X0，j训练得到，具体包括步骤：
S21、对第j组基准氯元素的高光谱数据X0，j进行t次高斯扩散，得到数据Xt，j，所述高斯扩散公式为：
，式（1），
其中，将第j组基准氯元素的高光谱数据X0，j记为x0，将第j组所述数据Xt，j记为xt，xt表示x0经过t次高斯扩散得到的数据；t为随机抽样的正整数且t∈（1、2、3...... T]，第j个训练过程中的T记为Tj，每个训练过程的Tj分别视情况设定正整数；e为服从标准正态分布N（0，1）随机采样的噪声真实值，，αt=1-βt，/>为权重系数项，βt为预设值且βt∈[0.00001，0.01]；
S22、将（xt，t）输入至U-Net神经网络，U-Net神经网络输出噪声预测值εθ（xt，t）；
S23、根据噪声真实值e和噪声预测值εθ（xt，t）生成损失函数，所述损失函数的表达式为：
Loss=|| e-εθ（xt，t）||2，式（2），
S24、通过最小化损失函数，更新神经网络参数，重复步骤S21至步骤S23，当噪声预测值和噪声真实值之间的误差达到预设阈值时，停止训练，得到神经网络Z0，j；
步骤S4中，所述基准氯元素扩散编码包括：对待测混凝土样品的高光谱相关性数据序列X进行T次高斯扩散，此高斯扩散过程共进行J轮，第j轮T次高斯扩散得到数据Xj’，J组数据Xj’的集合记为数据集X’，其中，第j轮高斯扩散对应的次数T记为Tj，每轮的T分别视情况设定正整数；
所述高斯扩散的表达式为：
，式（3），
其中，将待测混凝土样品的高光谱相关性数据序列X记为x，将所述数据Xj’记为xj’，则xj’表示x经过T次高斯扩散后得到的数据，，αT=1-βT，/>为权重系数项，βT为预设值且βT∈[0.00001，0.01]；E为随机采样的噪声值且服从标准正态分布N（0，1），即E~ N（0，1）；
步骤S5具体包括：
通过J个神经网络Z0，j分别对对应的数据Xj’进行T次解码，分别得到对应的数据Xz，j，J组数据Xz，j的集合记为待测混凝土样品的氯元素高光谱数据序列Xz，其中，第j轮解码过程对应的T记为Tj，每轮解码过程的T分别视情况设定正整数；
第j个神经网络Z0，j对第j组数据Xj’进行解码的过程包括：
S51、将第j组数据Xj’记为xT’，根据式（3）有：
，式（4），
S52、将xT’输入神经网络Z0，j，神经网络Z0，j输出噪声数据Eθ（xT’，T），其中θ表示神经网络参数；
S53、根据xT’和噪声数据Eθ（xT’，T），有：
，式（5）；
S54、将xT-1’输入神经网络Z0，j，按照步骤S52至步骤S53的方法，循环计算依次得到xT-2’、xT-3’… x0’，x0’为经过T次解码得到的数据，即数据Xz，j；
步骤S6具体包括：
通过KL散度计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数，即分别计算各组数据Xz，j与对应基准氯元素的高光谱数据X0，j的KL散度，得到J个散度值Yj，所述KL散度的计算公式为：
，式（6），
其中，Yj表示第j组数据Xz，j与第j组基准氯元素的高光谱数据X0，j的差异，q(X0，j)和q(Xz，j)分别表示基准氯元素的高光谱数据X0，j和数据Xz，j的分布；
步骤S7具体包括：
从J个散度值Yj中选取最小值，该最小值所在的第j组基准氯元素的高光谱数据X0，j对应的氯离子含量Pj即为待测混凝土样品的氯离子含量。
2.一种氯离子扩散浓度检测系统，应用于权利要求1所述的方法，其特征在于，包括：
第一数据获取模块，用于通过预先制备的基准固态物获取基准氯元素的高光谱数据序列X0，所述基准固态物对应不同的氯离子含量；
模型训练模块，用于通过所述基准氯元素的高光谱数据序列X0训练U-Net神经网络，得到训练后的基准氯元素反向解码神经网络Z0；
第二数据获取模块，用于获取待测混凝土样品的高光谱相关性数据序列X；
基准扩散模块，用于对所述待测混凝土样品的高光谱相关性数据序列X进行基准氯元素扩散编码，得到数据集X’；
反向解码模块，用于通过所述基准氯元素反向解码神经网络Z0对所述数据集X’进行基准氯元素反向解码，得到待测混凝土样品的氯元素高光谱数据序列Xz；
计算模块，用于计算所述待测混凝土样品的氯元素高光谱数据序列Xz与基准氯元素的高光谱数据序列X0的相关性系数；
判断模块，用于根据所述相关性系数分析得到所测混凝土样品的氯离子含量。
3.一种存储介质，其特征在于，存储有程序，所述程序被处理器执行时，实现权利要求1所述的一种氯离子扩散浓度检测方法。
4.一种计算设备，其特征在于，包括处理器及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现权利要求1所述的一种氯离子扩散浓度检测方法。
CN202410146126.3A 2024-02-02 2024-02-02 一种氯离子扩散浓度检测方法、系统、介质及设备 Active CN117686442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410146126.3A CN117686442B (zh) 2024-02-02 2024-02-02 一种氯离子扩散浓度检测方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410146126.3A CN117686442B (zh) 2024-02-02 2024-02-02 一种氯离子扩散浓度检测方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN117686442A CN117686442A (zh) 2024-03-12
CN117686442B true CN117686442B (zh) 2024-05-07

Family

ID=90126877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410146126.3A Active CN117686442B (zh) 2024-02-02 2024-02-02 一种氯离子扩散浓度检测方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN117686442B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118568584A (zh) * 2024-07-30 2024-08-30 广东省有色工业建筑质量检测站有限公司 一种建筑幕墙安全状态检测方法、系统、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104261742A (zh) * 2014-09-22 2015-01-07 浙江水利水电学院 混凝土配合比的非线性优化方法
CN107870147A (zh) * 2017-12-15 2018-04-03 北京科技大学 一种混凝土内钢筋初始锈蚀时间预测方法
CN110568165A (zh) * 2019-07-30 2019-12-13 深圳大学 混凝土细观氯离子扩散系数预测方法
CN111855615A (zh) * 2020-07-30 2020-10-30 大连理工大学 一种用于监测混凝土中氯离子浓度的法珀腔式光纤传感器
CN117471071A (zh) * 2023-10-30 2024-01-30 重庆交通大学 港口基础设施结构耐久性安全预警系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104261742A (zh) * 2014-09-22 2015-01-07 浙江水利水电学院 混凝土配合比的非线性优化方法
CN107870147A (zh) * 2017-12-15 2018-04-03 北京科技大学 一种混凝土内钢筋初始锈蚀时间预测方法
CN110568165A (zh) * 2019-07-30 2019-12-13 深圳大学 混凝土细观氯离子扩散系数预测方法
CN111855615A (zh) * 2020-07-30 2020-10-30 大连理工大学 一种用于监测混凝土中氯离子浓度的法珀腔式光纤传感器
CN117471071A (zh) * 2023-10-30 2024-01-30 重庆交通大学 港口基础设施结构耐久性安全预警系统及方法

Also Published As

Publication number Publication date
CN117686442A (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN117686442B (zh) 一种氯离子扩散浓度检测方法、系统、介质及设备
JP6729455B2 (ja) 分析データ解析装置及び分析データ解析方法
Gundry et al. Recent advances and future perspectives for automated parameterisation, Bayesian inference and machine learning in voltammetry
CN103712939B (zh) 一种基于紫外可见光谱的污染物浓度拟合方法
CN109060760B (zh) 分析模型建立方法、气体分析装置及方法
CN108830253B (zh) 筛选模型建立方法、光谱筛选装置及方法
CN114330114B (zh) 基于量子支持向量机的铍青铜合金腐蚀速率预测方法
CN116612814B (zh) 基于回归模型的基因样本污染批量检测方法、装置、设备及介质
CN118380066A (zh) 基于梯度提升集成学习算法与三维荧光的水质氨氮快速检测方法及设备
CN116340757B (zh) 一种特征自适应地震预警震级预测方法及其系统
US20140052385A1 (en) Method computer program and system to analyze mass spectra
Vutov et al. Multiple two‐sample testing under arbitrary covariance dependency with an application in imaging mass spectrometry
CN109145403B (zh) 一种基于样本共识的近红外光谱建模方法
CN112378895A (zh) 一种原油含水率测量方法及系统、存储介质、设备
Liu et al. Partial least‐squares discriminant analysis optimized by particle swarm optimization: application to 1H nuclear magnetic resonance analysis of lung cancer metabonomics
CN114141316A (zh) 一种基于谱图分析的有机物生物毒性预测方法及系统
CN105954206A (zh) 紫玉米叶片花色苷含量的测量方法及系统
CN111914475A (zh) 一种加速刻画高斯水文地质参数场的贝叶斯逆模拟方法
CN116223480B (zh) 煤化工污泥重金属含量检测方法及系统
CN116451812B (zh) 基于多粒度级联森林和超参优化的润湿性预测方法及装置
US10504614B2 (en) Systems and methods for determining an unknown characteristic of a sample
CN118655169B (zh) 基于高斯函数仿射变换的流体识别方法及装置
CN117554314B (zh) 一种基于tss独立光谱重建消除cod浓度偏差的方法
Fenton Jr et al. Leveraging graphical models to enhance in situ analyte identification via multiple voltammetric techniques
CN116226767B (zh) 一种电力系统实验数据自动诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant