研究人员开发出一种结合光谱预处理、统计分析机器学习技术的校准框架，利用激光诱导击穿光谱（LIBS）技术快速测定固体磷矿石中的五氧化二磷（P₂O₅）浓度。该成果已发表于《科学报告》（Scientific Reports）。磷矿石是化肥生产的核心原料，全球超80%的磷矿通过浮选工艺处理，其效率高度依赖入料成分。P₂O₅浓度是评估矿石品位的关键指标，但传统电感耦合等离子体发射光谱法（ICP-OES）需繁琐制样与实验室分析，耗时数小时，难以满足矿山实时监测与工艺调整需求。
为突破检测瓶颈，研究团队在实验室搭建LIBS分析系统。系统采用调Q掺钕钇铝石榴石（Nd:YAG）激光器，输出波长1064纳米、单脉冲能量25毫焦、脉宽5纳秒的光束激发等离子体，配合高分辨率光栅光谱仪记录200至900纳米波段发射信号。校准数据集包含84份经认证的NIST标准磷酸盐岩石样品（SRM 694），经高纯二氧化硅稀释后P₂O₅质量分数覆盖6.4%至24.8%。样品在300兆帕压力下压制成片（无粘结剂），每份重复测量12次共获1008条光谱。
原始光谱受等离子体波动、背景辐射及样品差异干扰，研究团队引入主成分分析（PCA）、Savitz–Golay平滑与标准正态变量（SNV）归一化进行数据清洗。SNV归一化使前两个主成分解释62.75%的变异，特征峰对应关系更清晰；Savitz–Golay平滑进一步抑制噪声并保留关键光谱信息。团队还结合三种方法剔除因等离子体不稳定或表面条件导致的8个技术异常值。在对比偏最小二乘（PLS）、LASSO、支持向量回归（SVR）、随机森林、XGBoost及卷积神经网络等算法后，最优配置采用PLS回归结合靶向波长选择，并对多次测量结果取平均。
经独立训练集与测试集划分及十折交叉验证，优化模型在测试集上决定系数（R²）达0.963，均方根误差（RMSE）为0.966个百分点；交叉验证R²为0.949，RMSE约1.16个百分点。LASSO与SVR表现相当，而随机森林、XGBoost和CNN泛化能力较弱或易过拟合。结果表明，有效的光谱预处理、精准的波长筛选与合理的模型复杂度对提升磷矿品位预测准确性至关重要。
尽管该方法在受控实验室条件下展现出高精度，但实际工业应用仍面临挑战，包括矿石水分波动、表面不平整、矿物组成变化及设备污染等问题。后续需在不同磷矿床及实际生产流中进行跨场景测试，以验证方法可靠性。研究团队还将评估仪器长期稳定性，并与传统实验室技术进行比对。成功实现工业级验证后，该技术有望与皮带输送或在线监测系统整合，减少对耗时实验室分析的依赖，助力磷矿开采与选矿过程的连续监控与资源高效利用。
资料来源：AZoMining；原文发布日期：2026-10-14。本文为资料编译。