Задачи онлайн контроля химического состава сырья и продукции являются крайне важными для современных металлургических производств, поскольку позволяют существенно сократить издержки на рутинный лабораторный анализ и обеспечить оперативное принятие решений по обеспечению штатного протекания технологических процессов. Рентгенофлуоресцентный анализ позволяет идентифицировать элементы пробы, находящейся в любом агрегатном состоянии без необходимости созданий дополнительных условий для перевода анализируемых атомов в аналитическую форму. Это и позволяет проводить анализ без привлечения методов пробоподготовки в режиме онлайн. Интенсивность флуоресцентного излучения зависит от содержания анализируемого элемента и лежит в основе количественного анализа. Однако, интенсивность флуоресцентного излучения, зависит не только от содержания аналита, но и еще от ряда факторов, называемыми матричными эффектами. Эти эффекты приводят к росту погрешности анализа. К настоящему времени разработано большое число способов коррекции матричных эффектов, среди которых основную роль играют математические алгоритмы обработки данных, которые позволяют корректировать результаты анализа и добиваться требуемой точности определения содержания элементов в анализируемых пробах. В последние годы в аналитическую практику начинают широко внедряться методы машинного обучения, которые позволяют существенно улучшать качество результатов в различных методах химического анализа. Ожидается, что применение этих методов позволит достичь требуемой заказчиком точности. В работе будут исследованы эти способы применительно к объектам заказчика для обеспечения требуемой точности химического анализа в режиме онлайн. Научная значимость предлагаемых исследований определяется тем, что методы машинного обучения ранее не применялись для подобных задач в режиме реального времени.

Целью исследования является разработка системы онлайн-контроля содержания железа и сопутствующих элементов на основе ренгенофлуоресцентного анализа с энергетической дисперсией в технологическом процессе с частотой не менее 1 раза в 10 минут при минимальной пробоподготовке для горнодобывающих предприятий (обогащение железной руды методом мокрой магнитной сепарации и другими методами).

Общий план работ
1 год реализации проекта
На первом этапе предлагается разработать способы обработки рентгенофлуоресцентных данных с привлечением методов машинного обучения для повышения точности анализа объектов заказчика (руды, окатыши и. т.д.). Будет создана методология применения алгоритмов МО для решения задач Заказчика, методология будет опробована на модельных и реальных образцах, предоставленных Заказчиком. В качестве алгоритмов машинного обучения будут исследованы методы многомерной регрессии IC-PLS (influence coefficients partial least squares) и KRLS (kernel regularized least squares), и другие методы, исследовнаые исполнителями ранее.
2 год реализации проекта
Второй этап исследований будет посвящен созданию макета спектрометра для реализации измерений в режиме реального времени по предлагаемой методике с учетом требований Заказчика. Также на данном этапе будут исследованы методы предварительной обработки сигналов для увеличения качества регистрируемых РФА спектров в режиме онлайн. Планируется исследование методов коррекции базовой линии (медианный фильтр, фильтр с асимметричными штрафуемыми наименьшими квадратами, дифференциальные фильтры и т.д.) и методов фильтрации шумов (ПЛС-фильтр, фильтры на основе вейвлет и Фурье-преобразования, фильтры на основе усреднения в окне). Будет разработано программное обеспечение на языках R, Python, C# для визуализации получаемых спектральных данных и их обработки на основе алгоритмов, предложенных на предыдущих этапах. Конструкторские работы по созданию макета будут проводиться совместно с Институтом аналитического приборостроения РАН. Реализация работ по созданию макета возможна только в случае софинансирования со стороны Заказчика в объеме не менее 10 млн . руб.
3 год реализации проекта
На третьем этапе исследований для разработанного макета будут проведены испытания в производственных условиях и оценена точность анализа как с минимальной пробоподготовкой, так и без нее. Ожидается, что погрешность определения железа в рудах с пробоподготовкой не будет превышать 0,5%, а без пробоподготовки 5%. В случае необходимости будут проведены необходимые доработки. Реализация этих работ возможна только в случае софинансирования со стороны Заказчика в объеме не менее 10 млн . руб. Заказчиком должны быть обеспечены условия для проведения испытаний.

Работы по проекту на всех этапах реализации будут проводиться в тесном сотрудничестве Институтом аналитического приборостроения РАН (г. Санкт-Петербург).

Имеющийся у коллектива исполнителей научный задел
Исполнитель имеет существенный задел по работам в предлагаемых областях, подтвержденный научными публикациями по тематике обработки спектров РФА в ведущей реферируемой научной периодике. Вот список работ, связанных с тематикой проекта за последние пять лет:
1.Panchuk, V., Petrov, Y., Lisovskaya, E., Semenov, V., Kirsanov, D. Intrinsic radioactivity in spent nuclear fuel – The way to X-ray fluorescence measurement: Lanthanide quantification case study (2025) Spectrochimica Acta - Part B Atomic Spectroscopy, 223, paper # 107087. DOI: 10.1016/j.sab.2024.107087
2.Zhilicheva, A.N., Pashkova, G.V., Chubarov, V.M., Maltsev, A.S., Kirsanov, D., Panchuk, V. Consideration of spectral interference in total reflection X-ray fluorescence analysis using a limited number of calibration samples: Case study of ocean polymetallic nodules (2024) Spectrochimica Acta - Part B Atomic Spectroscopy, 222, paper # 107070. DOI: 10.1016/j.sab.2024.107070
3.Deev, V., Panchuk, V., Boichenko, E., Kirsanov, D. Spectrum is a picture: Feasibility study of two-dimensional convolutional neural networks in spectral processing (2024) Microchemical Journal, 205, paper # 111329. DOI: 10.1016/j.microc.2024.111329
4.Selivanovs, Z., Panchuk, V., Kirsanov, D. On the Possibility of Universal Chemometric Calibration in X-ray Fluorescence Spectrometry: Case Study with Ore and Steel Samples (2023) Applied Sciences (Switzerland), 13 (9), paper#5415. DOI: 10.3390/app13095415
5.Maltsev, A.S., Umarova, N.N., Pashkova, G.V., Mukhamedova, M.M., Shergin, D.L., Panchuk, V.V., Kirsanov, D.O., Demonterova, E.I. Combination of Total-Reflection X-Ray Fluorescence Method and Chemometric Techniques for Provenance Study of Archaeological Ceramics (2023) Molecules, 28 (3), paper# 1099. DOI: 10.3390/molecules28031099
6.Panchuk, V., Petrov, Y., Semenov, V., Kirsanov, D. Quantification of elements in spent nuclear fuel using intrinsic radioactivity for sample excitation and chemometric data processing (2023) Analytica Chimica Acta, 1239, paper# 340694. DOI: 10.1016/j.aca.2022.340694
7.Pashkova, G.V., Zhilicheva, A.N., Chubarov, V.M., Maltsev, A.S., Ukhova, N.N., Pellinen, V.A., Sokolnikova, J.V., Kirsanov, D.O., Panchuk, V.V., Marfin, A.E. Improvement of suspension-assisted total reflection X-ray fluorescence analysis of ores using wet grinding and empirical calibrations (2022) Spectrochimica Acta - Part B Atomic Spectroscopy, 198, paper#106549. DOI: 10.1016/j.sab.2022.106549
8.Aidene, S., Khaydukova, M., Savinov, S., Semenov, V., Kirsanov, D., Panchuk, V. Partial least squares assisted influence coefficients concept improves accuracy in X-ray fluorescence analysis (2022) Spectrochimica Acta - Part B Atomic Spectroscopy, 193, paper# 106452. DOI: 10.1016/j.sab.2022.106452
9.Debus, B., Parastar, H., Harrington, P., Kirsanov, D. Deep learning in analytical chemistry (2021) TrAC - Trends in Analytical Chemistry, 145, paper # 116459. DOI: 10.1016/j.trac.2021.116459
10.Aidene, S., Khaydukova, M., Pashkova, G., Chubarov, V., Savinov, S., Semenov, V., Kirsanov, D., Panchuk, V. Does chemometrics work for matrix effects correction in X-ray fluorescence analysis? (2021) Spectrochimica Acta - Part B Atomic Spectroscopy, 185, paper # 106310. DOI: 10.1016/j.sab.2021.106310
В этих работах показан огромный потенциал методов машинного обучения при обработке РФА спектров для повышения точности определения целевых аналитов в образцах со сложной матрицей.
Помимо этого коллектив исполнителей имеет опыт разработки аналитических приборов, в том числе и для онлайн анализа, и разработки программного обеспечения для сбора, визуализации и обработки данных от различных измерительных устройств.