Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/33273Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Σαράφης, Αλέξανδρος | el |
| dc.contributor.author | Sarafis, Alexandros | en |
| dc.date.accessioned | 2023-11-03T10:39:00Z | - |
| dc.date.available | 2023-11-03T10:39:00Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/33273 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.13028 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | fs-LIBS | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Δυναμική πλάσματος | el |
| dc.subject | Ταξινόμηση | el |
| dc.subject | Machine learning | en |
| dc.subject | Plasma dynamics | en |
| dc.subject | Classification | en |
| dc.title | Χαρακτηρισμός οργανικών υλικών (ξύλων) με την συνδυασμένη χρήση των τεχνικών LIBS και μηχανικής εκμάθησης | el |
| dc.title | Utilization of LIBS and machine learning techniques for the characterization of organic (wood) species | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Φασματοσκοπία | el |
| heal.dateAvailable | 2023-11-03T10:40:01Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών | el |
| heal.publicationDate | 2023-10-30 | - |
| heal.abstract | Η παρούσα εργασία πραγματεύεται τον χαρακτηρισμό ξύλινων δειγμάτων με τη χρήση της Φασματοσκοπίας Πλάσματος Επαγόμενου από παλμούς laser (Laser Induced Breakdown Spectroscopy - LIBS) και αλγορίθμων Μηχανικής Μάθησης. Η μικροκαταστρεπτική τεχνική LIBS βασίζεται στην ανάλυση της χαρακτηριστικής ακτινοβολίας που εκπέμπεται, έπειτα από την αποδόμηση μέρος του υλικού, δημιουργώντας πλάσμα, που προκύπτει από την εστίαση δέσμης laser στην επιφάνεια του δείγματος. Με τη χρήση ενός παλμικού laser Ti:Sapphire με χρονική διάρκεια παλμών ∼ 30 fs, επιτυγχάνεται η βέλτιστη ανίχνευση του φάσματος, ελαχιστοποιώντας ταυτόχρονα και την επιφάνεια που επηρεάζεται από την ακτινοβολία. Σε αντίθεση με φασματοσκοπικές τεχνικές που χρησιμοποιούν ακτίνες-Χ, η μέθοδος LIBS είναι ικανή για την παρατήρηση στοιχείων χαμηλού ατομικού αριθμού ενώ παράλληλα δίνει σημαντικές πληροφορίες για τη μελέτη οργανικών ενώσεων, αφού μπορεί να ανιχνεύσει και διατομικά μόρια, όπως C2 και CN. Από την παρατηρούμενη μοριακή δομή, προσδιορίζεται και η δονητική θερμοκρασία των προαναφερομένων μορίων. Για την προέλευση των παρατηρούμενων στοιχείων και διατομικών μορίων, πραγματοποιήθηκε μελέτη της δυναμικής του παραγόμενου πλάσματος σε ατμοσφαιρικές συνθήκες αλλά και σε ατμόσφαιρα Ar. Διαπιστώνεται, ότι η παρουσία των μορίων του αέρα, οδηγεί σε αντιδράσεις με το πλάσμα, μεταβάλλοντας τον χρόνο εφησυχασμού του περιεχομένου του πλάσματος αλλά και τη σύσταση αυτού. Επιπλέον, στην παρούσα εργασία μελετήθηκαν 12 διαφορετικά ξύλα με στόχο την διάκριση τους, με την τεχνική LIBS. Για την ανάλυση των δεδομένων αξιοποιήθηκαν τεχνικές Μηχανικής Μάθησης. Συγκεκριμένα, με κριτήριο τις σημαντικότερες κορυφές που παρατηρούνται στο φάσμα, πραγματοποιήθηκε η οπτικοποίηση των δεδομένων με τη χρήση της Ανάλυσης Κύριων Συνιστω- σών (Principal Component Analysis - PCA). Παρατηρείται, πως η διαμόρφωση των κυρίων συνι- στωσών βασίζεται στην παρουσία των CN, Ca+, Ca και Na στα φάσματα LIBS. Ακολούθως, τα σύνολο των παρατηρούμενων φασμάτων χωρίστηκε σε δύο υποσύνολα (σύνολο εκπαίδευσης και σύνολο δοκιμής). Έτσι, με τη χρήση τριών διαφορετικών αλγορίθμων (k-Κοντινότεροι Γείτονες - k-NN, Δέντρα Αποφάσεων, Γκαουσιανός Αφελής Bayes - GNB) πραγματοποιήθηκε η ταξινό- μηση (classification) των ξύλων. Παρατηρήθηκε πως και οι τρεις αλγόριθμοι είναι ικανοί για την διάκριση των δειγμάτων, με ποσοστό ευαισθησίας > 70% στις περισσότερες περιπτώσεις και πο- σοστό ορθότητας > 95%. Τέλος, επικρατέστερος εκ των τριών αλγορίθμων για την ταξινόμηση των ξύλινων δειγμάτων ήταν ο ταξινομητής k-NN, ο οποίος ανταποκρίνεται και σε μικρότερο σύνολο εκπαίδευσης, σε σχέση με προηγούμενες αντίστοιχες μελέτες. | el |
| heal.abstract | This research focuses on the characterization of wooden samples using Laser-Induced Breakdown Spectroscopy (LIBS) and Machine Learning algorithms. The micro-destructive LIBS technique is based on the analysis of the characteristic radiation emitted after the breakdown of a portion of the material, which produces plasma, as a consequence of focusing a laser beam on the sample’s surface. Employing a pulsed Ti:Sapphire laser with a pulse duration of ∼ 30fs, we attain optimal spectrum detection while simultaneously minimizing the area influenced by the radiation. In contrast to spectroscopic methods reliant on X-rays, the LIBS method is capable of detecting elements with a low atomic number, while also providing significant information for the study of organic compounds, as it can detect diatomic molecules such as C2 and CN. The observed molecular structure is used to determine the vibrational temperature of the aforementioned molecules. To unravel the origin of the observed elements and diatomic molecules, we conducted an extensive study of the plasma’s dynamics under atmospheric conditions and Ar atmosphere. This exploration unveiled that the presence of air molecules triggers reactions within the plasma, leading to alterations in both the relaxation time of its components and its composition. Furthermore, this study delved into the examination of 12 wood species with the objective of distinguishing them utilizing the LIBS technique. The analysis of the data was facilitated through the implementation of Machine Learning techniques. Specifically, relying on the most significant peaks observed in the spectrum, we proceed in data visualization through Principal Component Analysis (PCA). This revealed that the configuration of the principal components is intrinsically linked to the presence of CN, Ca+, Ca, and Na in the LIBS spectra. Subsequently, we divided the pool of observed spectra into two subsets, training and test sets. Using three different algorithms (k-Nearest Neighbors - k-NN, Decision Trees, Gaussian Naive Bayes - GNB), we executed the classification of the wooden samples. All three algorithms demonstrated their proficiency in distinguishing the samples, with sensitivity rates consistently exceeding 70% and accuracy rates surpassing 95%. Finally, among the three algorithms, the k-NN classifier emerged as the most prominent for classifying the wooden samples, displaying exceptional performance even with a smaller training set, compared to previous similar studies. | en |
| heal.advisorName | Κοσμίδης, Κωνσταντίνος | el |
| heal.committeeMemberName | Αναγνωστόπουλος, Δημήτριος | el |
| heal.committeeMemberName | Μπενής, Εμμανουήλ | el |
| heal.committeeMemberName | Κοσμίδης, Κωνσταντίνος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Φυσικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 92 σ. | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΦΥΣ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. Σαράφης Αλέξανδρος (2023).pdf | 5.34 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
