• Treffer 3 von 29
Zurück zur Trefferliste
Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-519008

Machine learning based quantification of synchrotron radiation-induced X-ray fluorescence measurements - a case study

  • In this work, we describe the use of artificial neural networks for the quantification of X-ray fluorescence measurements. The training data were generated using Monte Carlo simulation, which avoided the use of adapted reference materials. The extension of the available data set by means of an ANN to generate additional data was demonstrated. Particular emphasis was put on the comparability of simulated and experimental data and how the influence of deviations can be reduced. The search for the optimal hyperparameter, manual and automatic, is also described. For the presented case, we were able to train a network with a mean absolute error of 0.1 weight percent for the synthetic data and 0.7 weight percent for a set of experimental data obtained with certified reference materials.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Martin RadtkeORCiD, A. Rakotondrajoa
Dokumenttyp:Zeitschriftenartikel
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):Machine Learning: Science and Technology
Jahr der Erstveröffentlichung:2020
Organisationseinheit der BAM:6 Materialchemie
6 Materialchemie / 6.3 Strukturanalytik
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Verlag:IOP Publishing
Erste Seite:1
Letzte Seite:16
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:BAMline; Machine learning; Neural network; Synchrotron; XRF
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
Chemie und Prozesstechnik / Chemische Charakterisierung und Spurenanalytik
DOI:10.1088/2632-2153/abc9fb
URN:urn:nbn:de:kobv:b43-519008
Verfügbarkeit des Dokuments:Datei für die Öffentlichkeit verfügbar ("Open Access")
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Datum der Freischaltung:28.12.2020
Referierte Publikation:Nein
Schriftenreihen ohne Nummerierung:Wissenschaftliche Artikel der BAM
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.