廢鋼作為鋼鐵行業重要的可持續發展資源，被回收后常用作長流程轉爐煉鋼的添加料或短流程電爐煉鋼的主要原料 , 可以實現鋼的循環使用。與礦石煉鋼相比，將廢鋼用作煉鋼原料不僅能耗更低，節省鋼鐵企業成本，還能減輕環境污染。因此，鋼鐵行業需要重點關注如何在生產中更高效地利用廢鋼、更合理地配置廢鋼資源，以加快鋼廠煉鋼流程，這對我國未來冶金行業的轉型和可持續發展具有積極的推動作用，對發展全廢鋼電爐煉鋼也具有重要的戰略意義。另外，我國在聯合國大會上提出了“碳達峰”與“碳中和”戰略布局，這對鋼鐵行業轉型提出了更高的要求，意味著產能優化與改革升級刻不容緩。廢鋼的準確分類對節約資源和環境保護具有重要作用，而廢鋼中所含元素及其含量的高低是廢鋼分類的重要依據。

在鋼鐵行業中，一般利用化學實驗法或傳統光譜檢測法對元素含量進行測定，化學實驗法的專業性較強，需要投入大量學習成本，不易在鋼鐵企業廣泛開展；傳統光譜檢測法是應用較多的技術，這些方法對試驗環境要求較高，樣品制備和預處理的過程也較為復雜，需要較長時間才能得到檢測結果，難以滿足工業現場快速實時分析的要求，導致廢鋼冶煉過程減緩，因此需要一種快速可靠的檢測方法來改變這種局面。激光誘導擊穿光譜（LIBS）技術具有快速檢測、破壞性小、無需對待測樣品進行過多處理、使用學習成本較低等優勢，實現了傳統分析技術難以達到的分析速率和水準，已被廣泛應用于冶金工程、環境資源檢測、生物醫學分析、地質分析、農業、考古和航空航天等多種行業和領域。近年來，開發適用于工業現場應用的在線、便攜儀器裝置是LIBS技術的重要發展方向之一。

由于光譜數據維度高，元素間效應、基體效應和自吸收效應易導致光譜產生非線性誤差，這些誤差關系復雜且難以明確，因此單變量分析方法有時難以滿足精度要求。隨著機器學習技術的發展，如人工神經網絡（ANN）、偏最小二乘回歸（PLSR）和集成算法等多變量分析方法開始在LIBS技術中廣泛應用。LIBS技術得益于機器學習的發展，應用在多種材料分析領域中，并開辟了廣闊的應用前景。由于廢鋼通常來源于各種工業生產過程，為研究廢鋼的成分及質量，需要標準化的參考體系。本工作采用便攜式LIBS系統對12個合金鋼標準樣品進行光譜采集，在對光譜進行基線校正、歸一化等預處理后，對碳、硅、錳、釩、鈦、鉻、鎳、銅和鋁等 9 種元素的特征光譜和最優歸一化線進行了最優匹配，最終建立了9種元素的Stacking集成算法定量分析模型，并通過評價指標對模型進行評估，可用于預測廢鋼中9種元素的含量。

01試驗方法

為降低試驗波動影響，每個合金鋼標準樣品表面均勻選取30個不同檢測位置，每個位置激發50次脈沖，取第10~50次為有效數據，并對每個位置獲取的光譜數據進行k倍標準差的誤差剔除預處理，具體流程為：設置k值為2.5以校驗剔除誤差較大的數據，對剔除后的數據進行平均，自動對連續背景進行基線校正，優化各元素分析線與歸一化線的譜線對，進行歸一化處理，利用Stacking集成算法模型進行訓練和驗證。試驗以樣品7作為測試集，其余合金鋼標準樣品作為校正集用于訓練和驗證。

02結果與討論

2.1 光譜預處理

2.1.1 基線校正

在等離子光譜生成過程中，由于等離子體的特性，其會受到黑體輻射、軔致輻射、復合輻射等內部因素，或激光器能量不可避免的波動、樣品表面不均勻以及透鏡與樣品的距離等外部因素的影響。這些因素導致光譜產生連續背景，基線發生波動，獲取到的數據不利于試驗的穩定進行。因此，為了使試驗結果更加準確，需要對獲得的光譜進行基線校正處理以保持基線穩定，使其更接近理論狀態，減小測量誤差。

基線校正具體過程為：首先獲取光譜極小值，對當前極小值前后的其他極小值按照特定公式進行計算，并設定閾值進行篩選，隨后對經正向和反向兩次篩選后得到的極小值進行擬合，進而得到基線，最后用全光譜數據減去基線數據，即得到最終校正后的光譜。基線校正前后樣品7的光譜圖見圖1。

由圖1可知，在不影響光譜信號強度的前提下，光譜基線得到了較好的校正。

2.1.2 光譜篩選與歸一化

全光譜數據維度超過7000維，如果將整個維度的光譜數據作為模型輸入，大量不相干的譜線將會被引入模型，導致維度過高，增加模型的誤差和運行時間。根據元素含量與其所在波長信號強度的相關性，將待測元素的各個特征譜線的信號強度篩選出來作為輸入特征。另外，由于廢鋼中多種元素相互作用和影響，含量與信號強度之間不一定呈線性關系，因此還要選擇基體元素（即鐵元素）的多條譜線來增加非線性條件。參考美國國家標準與技術研究院（NIST）譜線數據庫，結合獲得的光譜數據，選擇明顯的峰值譜線作為最終確定的特征譜線，結果見表1。

表1 元素的特征譜線

在建模前，還需對篩選的特征譜線數據進行歸一化處理，一般選用基體元素進行歸一化。廢鋼中的基體元素一般為鐵元素，因此選取鐵元素譜線作為內標線進行歸一化，以降低基體效應的影響，增強數據中對應譜線與元素含量的相關性。試驗以距離待測元素譜線較近，且譜峰完整為原則，選取內標線，共選取鐵元素特征譜線65條，分別為 185.97，188.76，191.78，192.66，193.71，195.25，195.95，197.97，206.98，263.54，209.87，210.08，211.38，214.05，227.31，239.26，240.61，243.65，248.27，254.62，260.67，271.44，275.30，284.51，285.14，294.78，295.37，295.72，295.98，297.00，300.97，302.08，304.76，305.31，307.81，204.84，210.83，201.59，210.69，210.21，215.04，215.17，215.55，221.45，229.42，230.52，255.42，257.05，258.77，264.52，268.24，273. 91，275.54，206. 64，188.09，189.57，305.53，386.55，346.59，322.76，321.33，382.03，292.66，303.73，208.70nm。

利用上述鐵元素的特征譜線對表2 中各元素 的特征譜線進行歸一化，以線性相關程度的大小作為匹配原則確定譜線的最優歸一化線，最終將各元素共49條特征譜線進行歸一化。如錳元素的最優歸一化譜線對為：Mn257.62nm與 Fe257.05nm；Mn259.34nm與Fe275.54nm；Mn260.57nm與Fe239.26nm；Mn293.93nm與Fe 292.66nm；Mn 294. 90 nm 與 Fe 297.00nm；Mn293.31nm與Fe292.66nm。 最優歸一化譜線對能夠增強譜線強度與對應元素含量的相關性，提升分析效果。

2.2 模型的建立

確定每個元素的輸入特征后，需針對不同元素建立Stacking集成算法定量分析模型。模型選用的基學習器為Lasso回歸模型、嶺回歸模型和二次線性回歸模型，首先利用訓練集分別對各元素建立Lasso、嶺回歸、二次線性回歸模型，在建立前兩者模型時，利用原始訓練集進行建模，在建立二次線性回歸模型時，對訓練集數據進行二次化處理后利用LR模型進行建模。經訓練后得到3種不同的基學習器，將這 3 種基學習器的輸出合并，作為次學習器的輸入，將元素認定值作為次學習器的輸出，次學習器選用LR模型進行訓練建模，最終得到各元素的Stacking集成算法模型。

2.3 模型的評估

以相關決定系數（R2）、均方根誤差（RMSE）和平均絕對誤差（MAE）等3個指標對模型性能進行評估。

R2表示模型預測值與真實值的相近程度，其值越大，說明模型的預測效果越好；RMSE表示真實值與預測值之間的偏差程度，其值越接近0，說明偏差越小；MAE是衡量模型預測誤差的指標，可以很好地反映預測值誤差的實際情況，其值越小，說明模型的預測誤差越小。各元素模型的評估結果見表2。

表2 元素模型的評估結果

由表2可知：各元素的擬合效果較好，使用本模型得到的碳元素的R2大于 0.9800，其他所有元素的R2均大于0.9900，表現出良好的擬合性能；各元素模型的RMSE和MAE均在較小范圍內，且在測定未知樣品元素含量方面表現出了優秀的預測能力。相比于單變量模型，集成算法模型可以利用非線性擬合能力進一步衰減由元素間效應、基體效應和自吸收效應引起的無法表示的非線性誤差。

2.4 模型的預測

利用建立的模型對12個合金鋼標準樣品進行預測，用碳、硅、錳、釩、鈦、鉻、鎳、銅和鋁的預測值對認定值進行擬合，結果見圖2。

由圖2可見，基于LIBS結合 Stacking集成算法 構建的模型可快速定量分析廢鋼中9種元素的含量，擬合程度較高，模型預測效果較好，基本符合廢鋼快檢的需求。

2.5 精密度和準確度試驗

利用模型對樣品7重復測定5次，計算測定值的相對誤差和相對標準偏差（RSD），結果見表3。

表3 精密度和準確度試驗結果（n=5）

由表3可知，9種元素測定值的相對誤差和RSD均小于10%，說明模型準確度和精密度較好。在模型評估中，碳元素的R2小于0.9900，說明碳元素預測的含量仍然存在一定的偏差，這是由于樣品中碳元素特征譜線只在192.97nm附近有信號，且深紫外波段信號強度受空氣吸收等影響較大，相關性較弱，因此預測效果一般，后續研究工作將在此處重點開展。

03試驗結論

研究人員采用LIBS技術，建立了9種元素的Stacking集成算法定量分析模型。結果顯示，盡管基體效應和自吸收效應等產生的非線性關系難以表征，但基于優化輸入特征建立的集成算法模型能夠很好地擬合這種關系，預測具有良好的精密度，同時多變量模型能夠更好地利用各元素隱含的相關性，呈現出更優的非線性擬合能力，適用于廢鋼中元素的檢測。