機械学習によってスペクトルが重なるガスの測定精度を向上(A Machine Learning Improves Gas Measurement under Spectral Overlap)

2026-11-18 合肥物質科学研究院(HFIPS)

中国科学院合肥物質科学研究院の研究チームは、赤外吸収スペクトルが重複する複数のガスを高精度に定量するため、機械学習を組み合わせた新しい解析手法を開発した。対象は一酸化炭素(CO)と二酸化炭素(CO₂)であり、フーリエ変換赤外分光法(FTIR)では、両ガスの吸収スペクトルが2210~2250 cm⁻¹の領域で重なるため、個別濃度の正確な測定が難しい。研究チームは、長短期記憶ネットワーク(LSTM)による特徴抽出、サポートベクター回帰(SVR)による濃度予測、粒子群最適化(PSO)によるパラメータ調整を統合した。200種類のCO・CO₂濃度条件から収集した600件のスペクトルを用いて評価した結果、予測誤差はCOで19.65 ppm、CO₂で20.25 ppmとなり、従来の主成分回帰法や部分最小二乗回帰法と比較して、両ガスの予測誤差を88%以上削減した。さらに、スペクトル1件当たりの処理時間は平均3.15ミリ秒であった。工場排出ガスの監視や温室効果ガス測定などへの応用が期待される。

機械学習によってスペクトルが重なるガスの測定精度を向上(A Machine Learning Improves Gas Measurement under Spectral Overlap)
Schematic Diagram of the FTIR Gas Sensing System (Image by ZHAO Tianxiang)

<関連情報>

スペクトル重複条件下におけるLSTM-PSO-SVRハイブリッド手法を用いた高精度FTIRガス定量分析(Robust quantitative FTIR gas analysis under spectral overlap using an LSTM-PSO-SVR hybrid framework)

Kaixiang Fan, Cunguang Zhu, Pengpeng Wang, Tianxiang Zhao, Zhanshang Su, Yao Dong, Pengzhen Huang, Yibo Gao, Xiangxian Li
Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy Volume 367, Part 2, Article 129027 (2027)オンライン公開日:2026-10-23
DOI:10.1016/j.saa.2026.129027

Tii-summary

本研究は、フーリエ変換赤外分光法(FTIR)による混合ガスの定量分析において、吸収スペクトルの重複によって測定精度が低下する問題を解決するため、長短期記憶ネットワーク(LSTM)、粒子群最適化(PSO)、サポートベクター回帰(SVR)を組み合わせた新しい解析手法を開発した。研究チームは、一酸化炭素(CO)と二酸化炭素(CO₂)の吸収が重複する2210~2250 cm⁻¹の領域を対象に、3層LSTMによって83次元のスペクトルデータを128次元の特徴量に変換し、PSOで最適化したSVRによってガス濃度を予測した。検証では、CO₂の予測誤差を従来のSVRと比較して92.74%、COでは79.84%低減した。また、少数の校正試料を用いた条件でも高精度な予測が可能であり、1スペクトル当たりの平均推論時間は3.15ミリ秒であった。本手法は、産業排ガスや温室効果ガスの迅速かつ高精度な監視に向けた応用が期待される。

This study developed a hybrid analytical framework combining long short-term memory networks (LSTM), particle swarm optimization (PSO), and support vector regression (SVR) to improve quantitative Fourier transform infrared (FTIR) analysis of gas mixtures under severe spectral overlap. Focusing on the 2210–2250 cm⁻¹ absorption region shared by carbon monoxide (CO) and carbon dioxide (CO₂), a three-layer LSTM network transformed 83-dimensional spectral inputs into 128-dimensional features, followed by concentration prediction using PSO-optimized SVR. The proposed framework reduced prediction errors by 92.74% for CO₂ and 79.84% for CO compared with conventional SVR. It also demonstrated accurate prediction under limited calibration sample conditions, with an average inference time of 3.15 milliseconds per spectrum. These findings suggest potential applications in rapid and accurate monitoring of industrial emissions and greenhouse gases.

原著論文:ScienceDirect
0110情報・精密機器
ad
ad
ad
タイトルとURLをコピーしました