以深度學習分析水溶液電漿光譜之研究

Abstract

"本研究利用直流高壓脈衝電源來連續驅動pH值範圍為2.23~5.67的水溶液電漿，並使用光譜儀收集80.1k的電漿放射光譜，以建立深度學習所需的資料庫。研究的主題包含三個部分，我們分別將人工神經網路(ANN)、卷積神經網路(CNN)、卷積自編碼機(CAE)等深度學習模型應用於電漿放射光譜之分析，並且對電漿放射光譜的收集、深度學習模型的建立、深度學習在水溶液電漿領域的應用加以探討，藉此提供一個新穎的檢測方法並且對水溶液電漿系統有更深入的了解。 在第一部分中，我們建立ANN的迴歸模型，並且比較使用不同的資料標記方式與加入常規化技術Dropout，對於模型的訓練及普適性產生的影響。由於水溶液的酸度可以用[H+]或pH值來表示，我們分別使用[H+]或pH做為資料的標籤來訓練模型，結果顯示，兩個模型預測6種不同酸度的9.6k張光譜的平均絕對百分比誤差(Mean absolute percentage error, MAPE)的平均值為788%和0.17%，因此當我們以均方誤差來評估迴歸模型的訓練情況時，採用相同數量級的標籤可以得到較準確的預測結果。此外，我們發現使用不適當的資料劃分方式會產生資料洩漏的情形，導致模型在預測相同資料庫的光譜的MAPE均小於1%，然而在預測不同資料庫的光譜的2種不同pH值的光譜的MAPE卻上升至2.58%、11.3%。為了解決資料洩漏所造成的過擬合問題，我們在模型中加入Dropout，結果顯示，預測的MAPE降為原來的三分之一，因此Dropout可以有效地提升ANN的普適性。為了解釋此現象，我們比較隱含層中被激活的神經元比例，結果發現加入Dropout可以透過抑制神經元間的協同效應，來減緩過擬合的問題。 在第二部分中，我們建立ANN與CNN的迴歸模型，來測試兩種模型即時監測pH值變化的能力。我們利用模型預測混合不同種pH值的溶液收集到的2.1k張光譜，結果顯示，ANN模型的預測值隨時間的變化呈階梯狀的趨勢，暗示模型無法適應光譜在不同pH值間的連續變化；CNN模型的預測值隨時間的變化則是呈連續的圓滑曲線，與實際量測到的pH值的變化趨勢相符，因此CNN較適合用於監測pH值的即時變化。此外，我們發現在挑選合適的訓練光譜的pH值範圍下，預測pH值的標準差由可以從0.18降至0.05，更加符合我們在實務上對於量測pH值的要求。我們將CNN有較好的預測表現歸功於卷積層與池化層的幫助，為了進一步的驗證並展示CNN模型的透明性與可解釋性，我們藉由視覺化卷積層與池化層輸出的特徵圖來理解模型的運作方式，結果顯示，卷積層在進行特徵萃取時會考慮緊鄰維度的放光強度的關係，因此能夠觀察到特徵峰形狀的變化。我們接續使用CNN的分類模型，解釋模型進行預測的依據並測試將遷移學習應用於電將放射光譜的可能性。我們透過類別激活熱圖來判別模型是否存在偏差，並發現模型關注的區域會隨著溶液酸度提升而變化，由Hα、O777 nm、O814 nm逐漸轉為OH。最後我們透過遷移學習來訓練不同維度的電漿放射光譜，並在有限的資料量下，達到更快的收斂速度與更高的預測準確率。 在第三部分中，我們建立卷積自編碼器，進行光譜的異常偵測。為了評估光譜的還原情形，我們使用平均絕對誤差(Mean absolute error, MAE)做為衡量正常光譜與異常光譜的標準，並將MAE的閥值設為0.0043，以觀在200秒內收集到的光譜是否出現異常。結果顯示，在75~80秒附近的MAE分布出現明顯的斷層，經過光譜的比對，模型確實能夠偵測到異常的光譜，且經過統計異常光譜佔該次實驗的3.4%。未來我們可以將異常偵測應用於資料的篩選，透過自動且大量地過濾資料庫中的異常資料，來增進模型的預測能力與實用性。 "