Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών
Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την ταξινόμηση διάφορων πολυμερικών υλικών μέσω της τεχνικής Φασματοσκοπίας Πλάσματος επαγόμενου από Λέιζερ (Laser Induced Breakdown Spectroscopy, LIBS) σε συνδυασμό με τεχνικές Μηχανικής Μάθησης. Για την ταξινόμηση των δειγμάτων χρησιμοποιήθηκαν...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/12546 |
| id |
nemertes-10889-12546 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-125462022-09-05T11:16:41Z Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών Laser-induced breakdown spectroscopy and machine learning techniques for the classification of polymeric materials Στέφας, Δημήτριος Κουρής, Στυλιανός Κουρής, Στυλιανός Ματαράς, Δημήτριος Βάινος, Νικόλαος Stefas, Dimitrios Λέιζερ Πολυμερή Πλαστικά Μηχανική μάθηση Φασματοσκοπία Πλάσμα Laser Polymers Plastics Machine learning Spectroscopy Plasma 541.225 4 Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την ταξινόμηση διάφορων πολυμερικών υλικών μέσω της τεχνικής Φασματοσκοπίας Πλάσματος επαγόμενου από Λέιζερ (Laser Induced Breakdown Spectroscopy, LIBS) σε συνδυασμό με τεχνικές Μηχανικής Μάθησης. Για την ταξινόμηση των δειγμάτων χρησιμοποιήθηκαν μη επιβλεπόμενες τεχνικές όπως η Ανάλυση Κυρίων Συνιστωσών (Principal Component Analysis, PCA) και η Ανάλυση κατά Συστάδες (Cluster Analysis) καθώς και επιβλεπόμενες όπως η Γραμμική Διακριτική Ανάλυση (Linear Discriminant Analysis, LDA) και οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines, SVM) με βάση τα φάσματα LIBS που προέρχονται από τα πολυμερικά δείγματα. Τα αποτελέσματα, που είναι εντυπωσιακά, αποδεικνύουν πως η LIBS σε συνδυασμό με τεχνικές είναι μία ιδιαίτερα ελκυστική τεχνική η οποία μπορεί σε πραγματικό χρόνο να δώσει άμεσα και ακριβή συμπεράσματα και, επομένως, είναι ιδιαίτερα χρήσιμη σε εφαρμογές που αφορούν την ανακύκλωση πλαστικών. In the present thesis, the classification of polymeric materials via the Laser-Induced Breakdown Spectroscopy (LIBS) technique combined with machine learning algorithms is examined. For the samples’ classification, unsupervised (e.g. Principal Component Analysis (PCA) and Cluster Analysis) and supervised learning methods (e.g. Linear Discriminant Analysis (LDA) and Support Vector Machines (SVMs)) were used, based on the LIBS spectra. The results suggest that the LIBS technique assisted by machine learning algorithms can provide accurate results in real time and can be useful in plastic recycling applications. 2019-09-26T21:17:55Z 2019-09-26T21:17:55Z 2019-05-20 Thesis http://hdl.handle.net/10889/12546 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Λέιζερ Πολυμερή Πλαστικά Μηχανική μάθηση Φασματοσκοπία Πλάσμα Laser Polymers Plastics Machine learning Spectroscopy Plasma 541.225 4 |
| spellingShingle |
Λέιζερ Πολυμερή Πλαστικά Μηχανική μάθηση Φασματοσκοπία Πλάσμα Laser Polymers Plastics Machine learning Spectroscopy Plasma 541.225 4 Στέφας, Δημήτριος Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών |
| description |
Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει την ταξινόμηση διάφορων πολυμερικών υλικών μέσω της τεχνικής Φασματοσκοπίας Πλάσματος επαγόμενου από Λέιζερ (Laser Induced Breakdown Spectroscopy, LIBS) σε συνδυασμό με τεχνικές Μηχανικής Μάθησης.
Για την ταξινόμηση των δειγμάτων χρησιμοποιήθηκαν μη επιβλεπόμενες τεχνικές όπως η Ανάλυση Κυρίων Συνιστωσών (Principal Component Analysis, PCA) και η Ανάλυση κατά Συστάδες (Cluster Analysis) καθώς και επιβλεπόμενες όπως η Γραμμική Διακριτική Ανάλυση (Linear Discriminant Analysis, LDA) και οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines, SVM) με βάση τα φάσματα LIBS που προέρχονται από τα πολυμερικά δείγματα. Τα αποτελέσματα, που είναι εντυπωσιακά, αποδεικνύουν πως η LIBS σε συνδυασμό με τεχνικές είναι μία ιδιαίτερα ελκυστική τεχνική η οποία μπορεί σε πραγματικό χρόνο να δώσει άμεσα και ακριβή συμπεράσματα και, επομένως, είναι ιδιαίτερα χρήσιμη σε εφαρμογές που αφορούν την ανακύκλωση πλαστικών. |
| author2 |
Κουρής, Στυλιανός |
| author_facet |
Κουρής, Στυλιανός Στέφας, Δημήτριος |
| format |
Thesis |
| author |
Στέφας, Δημήτριος |
| author_sort |
Στέφας, Δημήτριος |
| title |
Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών |
| title_short |
Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών |
| title_full |
Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών |
| title_fullStr |
Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών |
| title_full_unstemmed |
Φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών |
| title_sort |
φασματοσκοπία πλάσματος επαγόμενου από λέιζερ και χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση πολυμερικών υλικών |
| publishDate |
2019 |
| url |
http://hdl.handle.net/10889/12546 |
| work_keys_str_mv |
AT stephasdēmētrios phasmatoskopiaplasmatosepagomenouapoleizerkaichrēsētechnikōnmēchanikēsmathēsēsgiatēntaxinomēsēpolymerikōnylikōn AT stephasdēmētrios laserinducedbreakdownspectroscopyandmachinelearningtechniquesfortheclassificationofpolymericmaterials |
| _version_ |
1771297196499533824 |
