روشهای جدید فلوئورسانس اشعه ایکس (XRF: X-Ray Florescence) برای آنالیز عنصری

دستگاه طیف سنج فلوئورسانس اشعه ایکس (XRF) پرتابل، حداکثر کارایی را در میدان (بیرون آزمایشگاه) و آزمایشگاه ارائه می دهد. با استفاده از آنالایزر XRF پرتابل می توان مواد و ترکیب شیمیایی آنها را در هر مکانی شناسایی و اندازه گیری کرد. با استفاده از تکنیک XRF قابل حمل، می توان عناصر موجود در نمونه را سریع و دقیق شناسایی و تعیین مقدار کرد.

فلورسانس پرتو ایکس (XRF) روشی رایج و معمول برای آنالیز مواد است. این روش برای شناسایی و تعیین مقدار عناصر موجود در نمونه های پیچیده استفاده شده و درنتیجه، ساختار و ترکیب آنها را نیز آشکار می کند.

با پیشرفت تکنیک‌های یادگیری ماشین (ML: Machine Learning)، سرعت آنالیز و صحت داده‌های XRF افزایش یافته و فعالیت‌های پس از پردازش نیز بهبود یافته است. مدل‌های ML می‌توانند بر محدودیت‌های فیزیکی مانند پروفایل‌های پراب دستگاه غلبه کرده و وضوح تصاویر را افزایش داد.

افزایش دقت و کارایی در آنالیزهای XRF

برخی از آنالیزها توسط XRF فقط اطلاعات کیفی را آشکار می کند، که تا حد زیادی برای کاربران زمان بر نیز هست. ولی، با ادغام فناوری یادگیری ماشین (ML) با آنالیز XRF و استفاده از روش پیش بینی آنالیز، می توان بر این امر غلبه کرد.

روش ML نه تنها اطلاعات کیفی دقیقی را نشان می دهد، بلکه می تواند جزئیات داده ها را نیز کمی کند. از این رو، قابلیت‌های تشخیص XRF افزایش یافته را می‌توان مشاهده کرد. به‌علاوه، با دخالت کم انسان، موارد مثبت یا منفی کاذب کاهش می‌یابد. همچنین می توان از الگوریتم های ML برای ایجاد و پیاده سازی کالیبراسیون استفاده کرد. در حالی که مدل‌سازی تجربی سنتی می‌تواند فقط کالیبراسیون‌های ویژه مواد ایجاد کند، مدل‌های مختلف ML می‌توانند در ترکیب برای بهبود این کالیبراسیون‌ها استفاده شوند.

برای مثال، آنالیز سرامیک‌های باستانی با روش ML-XRF می‌تواند منحنی‌های کالیبراسیون بسیار معتبری را برای عناصر سبک‌ مانند Si، Al و Na موجود در نمونه، ایجاد کند، حتی زمانی که دستگاه در تنظیمات ولتاژ بالاتر کار می‌کند.

ادغام الگوریتم‌های ML با طیف‌سنجی XRF طبقه‌بندی مواد را از طریق ارزیابی کیفی امکان‌پذیر کرده است. این موضوع، امکان بهینه سازی پارامترهای عملیات  XRF را در کمترین زمان فراهم کرده و ارزیابی کامل طیف و شناسایی تغییرات جزئی را میسر می کند. دقت و کارایی افزایش یافته آنالیزبا XRF در چندین کاربرد، مانند شناسایی مقدار pH شورابه ها، شناسایی گونه‌های چوب، و تمایز بین استخوان‌ دایناسورها مشاهده شده است.

گسترش دامنه کاربردهای XRF با روش ML

به عنوان یک روش تصویربرداری، اسپکتروسکوپی XRF در رشته های مختلف فیزیکی و بیولوژیکی مانند علم مواد، شیمی، میکروبیولوژی، باستان شناسی و علوم زمین کاربرد پیدا کرده است.

با این حال، وضوح تصویربرداری XRF به مشخصات پروب اشعه ایکس و اندازه مرحله اسکن بستگی دارد. ادغام تکنیک‌های ML می‌تواند وضوح فضایی تصاویر XRF را با حذف اثرات تاری ناشی از نیم رخ پروب افزایش دهد. نوآوری های طیف سنجی XRF با پیشرفت در منابع اشعه ایکس، ابزارهای تشخیص فوتون و روشهای محاسباتی کنترل می شوند. بنابراین، ادغام ML در XRF راه‌های جدیدی برای تحقیق باز کرده و دامنه کاربردهای XRF را گسترش داده است.

ادغام XRF-ML تاریخچه برنزهای طلایی فرانسوی، تعیین کربن در نمونه های زمین شناسی و تعیین مقادیر رطوبت خاک را ممکن کرده است. برجسته ترین استفاده از XRF در آنالیز ساختارهای میراث فرهنگی است، به طوری که XRF اغلب برای ارزیابی نقاشی های باستانی و برای تعیین دوره ای که آنها به آن تعلق دارند استفاده می شود. استفاده از مدل‌های ML درک بهتری از گذشته فراهم می‌کند، زیرا XRF دارای ML می‌تواند مواد پیچیده را آنالیز کرده و عناصر کمیاب را شناسایی و اندازه گیری کند.

چشم اندازهای استفاده از ML-XRF

ابزارهای هوش مصنوعی (AI: Artificial intelligence ) می تواند اعتبار آنالیز XRF را با افزایش سرعت فرآیند و کاهش کار دستی اپراتور افزایش دهد. شبکه‌های عصبی با رمزگذار خودکار به‌عنوان یک ابزار کاهش ابعاد برای داده‌های XRF عمل کرده، آموزنده‌ترین ویژگی‌ها را استخراج و امکان بازسازی مناسب‌ترین طیف XRF اولیه را فراهم می‌کند.

در مقایسه با روش‌های سنتی ML، شبکه‌های عصبی عمیق می‌توانند الگوهای ضروری در طیف‌های خام را به طور مؤثرتری تشخیص دهند. آنها دقت و استحکام مدل را با حداقل دخالت انسان در پیش پردازش و انتخاب ویژگی افزایش می دهند. بنابراین، ابزارهای یادگیری عمیق و هوش مصنوعی به طور فزاینده ای برای عملیات طیفی مورد استفاده قرار می گیرند.

دستگاههای کوچکتر و قدرتمندتر XRF را می توان در آینده انتظار داشت که با ادغام با ML و AI، امکان بررسی مواد جدیدتر و بررسی مجدد آنالیزهای گذشته را فراهم می کند. اتخاذ رویکردهای بین رشته‌ای که همه جنبه‌ها، از طراحی ابزار گرفته تا تجزیه نتایج را پوشش می‌دهد، برای پیشرفت فناوری‌های آنالیز مواد مهم است.

References and Further Reading

  1. Andric, V., Kvascev, G., Cvetanovic, M., Stojanovic, S., Bacanin, N., Gajic-Kvascev, M. (2024). Deep learning assisted XRF spectra classification. Scientific Reports۱۴(۱). https://doi.org/10.1038/s41598-024-53988-z
  2. Zheng, X., Kankanallu, VR., Lo, C.-A., Ajith Pattammattel, Chu, Y., Chen-Wiegart, K., Huang, X. (2024). Deep Learning Enhanced Super-Resolution X-Ray Fluorescence Microscopy by A Dual-Branch Network. Opticadoi.org/10.1364/optica.503398
  3. Santiago, M. (2017). Basic Concepts of X Basic Concepts of X-ray Fluorescence. [Online] University of Puerto Rico. Available at: https://www.uprm.edu/geology/wp-content/uploads/sites/111/2017/03/xrf.pdf
  4. Shugar, A. (2021). Advancements in portable and lab-based XRF instrumentation for analysis in cultural heritage: A change in perspective. Microscopy and Microanalysisdoi.org/10.1017/s1431927621009077
  5. Brown, S. (2021). Machine learning, explained. [Online] MIT Sloan School of Management. Available at: https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained

دیدگاهتان را بنویسید