Self-Learning Artificial Intelligence for Laser Induced Breakdown Spectroscopy: Data Analysis and System Control

• Type: Thesis
• Date: 2021-07-20

Authors

Alberto Sousa Lima Mesquita dos Santos (Author) FEUP

Thesis

Self-Learning Artificial Intelligence for Laser Induced Breakdown Spectroscopy: Data Analysis and System Control

Master's Degree

Dissertation

Scientific classification

FOS: Engineering and technology > Electrical engineering, Electronic engineering, Information engineering

Associated Institutions

INESC - INESC TEC - Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência

Other information

DOI: 10.34626/6ffs-p138

Resumo (PT): Laser-Induced Breakdown Spectroscopy (LIBS) é uma tecnologia que permite de um forma rápida e com pouca preparação, a leitura de amostras para determinação da sua composição. O LIBS extrai informação sobre a amostra, recolhendo as linhas espectrais formadas após uma rotura de ligações moleculares, permitindo identificar e quantificar cada constituinte presente. A análise destas diferentes emissões no plasma contém informação sobre os elementos químicos, isótopos ou moléculas e é utilizado para trabalhar amostras complexas. O LIBS é uma ferramenta emergente, sendo atualmente utilizado em diversas áreas, desde as mais industriais às maioriamente tecnológicas assim como no setor da saúde e farmacêutica. O LIBS permite aceder com precisão elevada à essência das amostras, interpretando a sua composição química de uma forma pouco evasiva. Apesar da praticabilidade do LIBS, analisar o seu sinal não é trivial devido à sua complexidade e dos fenómenos físicos presentes. A resolução finita dos aparelhos não permite assumir a exclusividade das linhas espectrais de cada elemento e a incerteza quântica não permite que o processo de identificação dos elementos seja direto às bases de dados existentes (p.e. NIST). Esta dissertação enquadra-se no plano de investigação do INESC TEC – Centro de Fotónica Aplicada (CAP) e visa contribuir para a quantificação de elementos em amostras geológicas ou outras por técnicas, no CAP desenvolvidas, de processamento de sinal e inteligência artificial com auto-aprendizagem. O principais objetivos desta dissertação contemplam a contribuição no pré-processamento do sinal LIBS, desenvolvimento de inteligência artificial e a realização de análises comparativas dos diversos métodos do estado da arte de inteligência artificial para os atualmente utilizados em laboratórios avançados. Primeiramente será abordada uma resumida revisão bibliográfica do LIBS e das diferentes técnicas de quantificação para processar o seu sinal. Numa segunda fase, uma exploração do equipamento laboratorial disponível, métodos a serem utilizados e dados considerados relevantes.

Abstract (EN): Laser-Induced Breakdown Spectroscopy (LIBS) is a technology that offers the possibility to determine fastly and without much preparation, the composition of a sample. LIBS extracts information from the sample by acquiring spectral lines emitted during the molecular breakdown process, allowing the detection and quantification of each present element. The analysis of the different emission lines contains information about chemical elements, isotopes and molecules, interpreting complex samples. LIBS is an emerging tool that is used in many different areas, from most industrial to the most technical ones, being also used in the healthcare sector. LIBS allows access with high precision to the samples’ essence interpreting their composition in a minimally invasive way. Besides LIBS’ practicability, the signal’s analysis is not trivial due to its complexity and the physical phenomena present. The finite resolution of the devices does not allow the assumption of the lines’ exclusivity and the quantum uncertainty exists, so the elements matching to the existing databases (e.g. NIST) is not direct. This dissertation is inserted in the research plan of INESC TEC - Center for Applied Photonics (CAP) and aims to contribute to the quantification of the elements on geological samples and CAP’s developed techniques for signal processing and application of self-learning artificial intelligence. This dissertation’s prime objectives comprise the contribution to the pre-processing of LIBS signal, development of artificial intelligence, and benchmarking the state-of-art techniques against methods used in cutting-edge laboratories. In a first stage, it will be addressed a resumed bibliography review on LIBS and its different quantification techniques and in a second stage, the exploration of the available laboratory devices, methods to be used and the relevant data.

Language: English

No. of pages: 77