Development of a combined model for analyzing gas mixtures using machine learning methods

Abstract

Analysis of gas mixtures is an important task in spectroscopy, environmental monitoring, industrial control and scientific research. Accurate determination of component concentrations in complex gas environments requires advanced approaches that combine physical modeling and artificial intelligence methods. The use of neural networks in spectral analysis allows increasing the accuracy and stability of calculations under variable experimental conditions, which indicates the relevance of the work. The aim of the research is to develop a combined model for spectral light flux analysis that combines physical modeling of spectral absorption of gases with machine learning methods. This provides increased accuracy in determining the concentration of components in multicomponent gas mixtures and allows adaptive adjustment of analysis parameters depending on the measurement conditions. An integrated methodology is proposed, which includes modeling of spectral light flux based on Gaussian and Lorentzian absorption profiles, the use of the Bouguer-Lambert-Beer equations to determine gas concentrations, and training a neural network to predict the light flux. To assess the performance of the developed model, a series of numerical experiments were conducted with varying network parameters and optimizing the configuration. The results obtained confirmed the high efficiency of the model, which is reflected in the high value of the coefficient of determination and low values of the mean square error. The model was tested when changing gas concentrations and the length of the optical path, which confirmed its stability and adaptability. The study showed that the optimal configuration of the neural network includes three hidden layers with an optimal number of neurons, which provides a balance between accuracy and efficiency. A rectified linear activation function was used for stable convergence, and for weight optimization - an adaptive stochastic gradient descent method, which improves performance. The proposed method of combining physical modeling and machine learning provides high accuracy of gas mixture analysis and resistance to variations in external conditions. The scientific novelty of the study lies in the use of a combined approach, which allows adapting the model to a wide range of spectral characteristics. The practical significance of the work lies in the possibility of applying the developed methodology for industrial control, environmental monitoring, and laboratory research, providing a reliable tool for the analysis of complex gas mixtures.

Аналіз газових сумішей є важливим завданням у спектроскопії, екологічному моніторингу, промисловому контролі та наукових дослідженнях. Точне визначення концентрацій компонентів у складних газових середовищах потребує вдосконалених підходів, що поєднують фізичне моделювання та методи штучного інтелекту. Використання нейронних мереж у спектральному аналізі дозволяє підвищити точність та стійкість розрахунків за змінних умов експерименту, що вказує на актуальність роботи. Метою дослідження є розробка комбінованої моделі аналізу спектрального світлового потоку, яка поєднує фізичне моделювання спектрального поглинання газів із методами машинного навчання. Це забезпечує підвищену точність визначення концентрації компонентів у багатокомпонентних газових сумішах та дозволяє адаптивно коригувати параметри аналізу залежно від умов вимірювання. Запропоновано інтегровану методику, що включає моделювання спектрального світлового потоку на основі гаусових та лоренцівських профілів поглинання, використання рівнянь Бугера-Ламберта-Бера для визначення концентрації газів, а також навчання нейронної мережі для прогнозування світлового потоку. Для оцінки продуктивності розробленої моделі проведено серію чисельних експериментів з варіюванням параметрів мережі та оптимізацією конфігурації. Отримані результати підтвердили високу ефективність моделі, що відображено у високому значенні коефіцієнта детермінації та низьких значеннях середньоквадратичної помилки. Проведено тестування моделі при зміні концентрацій газів та довжини оптичного шляху, що підтвердило її стабільність і здатність до адаптації. Дослідження показало, що оптимальна конфігурація нейромережі включає три приховані шари з оптимальною кількістю нейронів, що забезпечує баланс між точністю та ефективністю. Використано випрямлену лінійну активаційну функцію для стабільної збіжності, а для оптимізації ваг – адаптивний метод стохастичного градієнтного спуску, що покращує продуктивність. Запропонована методика поєднання фізичного моделювання та машинного навчання забезпечує високу точність аналізу газових сумішей та стійкість до варіацій зовнішніх умов. Наукова новизна дослідження полягає у застосуванні комбінованого підходу, що дозволяє адаптувати модель до широкого діапазону спектральних характеристик. Практична значущість роботи полягає у можливості застосування розробленої методики для промислового контролю, екологічного моніторингу та лабораторних досліджень, забезпечуючи надійний інструмент для аналізу складних газових сумішей.