Уважаемые коллеги, доброго времени суток! Представляем вам нидерландское научное издание Spectrochimica Acta - Part B: Atomic Spectroscopy. Журнал имеет второй квартиль, издаётся в Elsevier, его SJR за 2022 г. равен 0,678, импакт-фактор 3,3, электронный ISSN - 0584-8547, предметные области - Атомная, молекулярная физика и оптика, Контрольно-измерительные приборы, Аналитическая химия, Спектроскопия. Вот так выглядит обложка:
Здесь два редактора - Маргарета де Лоос - Воллебрегт, контактные данные - Margaretha.DeLoos@UGent.be
и Алессандро Де Джакомо - alessandro.degiacomo@uniba.it.
Дополнительный публикационный контакт - sab@elsevier.com.
Журнал предназначен для быстрой публикации как оригинальных работ, так и обзоров в следующих областях:
- Атомно-эмиссионная (AES), атомно-абсорбционная (AAS) и атомно-флуоресцентная (AFS) спектроскопия;
- Масс-спектрометрия (MS) для неорганического анализа, охватывающего искровой источник (SS-MS), индуктивно связанную плазму (ICP-MS), тлеющий разряд (GD-MS) и масс-спектрометрия вторичных ионов (SIMS);
- Лазерно-индуцированная атомная спектроскопия для неорганического анализа, включая нелинейно-оптическую лазерную спектроскопию, охватывающую лазерную усиленную ионизацию (LEI), лазерно-индуцированную флуоресценцию (LIF), резонансно-ионизационную спектроскопию (RIS) и резонансно-ионизационную масс-спектрометрию (RIMS);
- Лазерно-индуцированную спектроскопию пробоя (LIBS);
- Спектроскопию резонаторного разряда (CRDS);
- Атомно-эмиссионная спектроскопия лазерной абляции с индуктивно связанной плазмой (LA-ICP-AES) и масс-спектрометрия лазерной абляции с индуктивно связанной плазмой (LA-ICP-MS);
- Рентгеновская спектрометрия, рентгеновская оптика и микроанализ, включая рентгенофлуоресцентную спектрометрию (XRF) и связанные с ней методы, в частности, рентгенофлуоресцентную спектрометрию с полным отражением (TXRF) и рентгенофлуоресцентную спектрометрию с полным отражением, возбуждаемую синхротронным излучением (SR-TXRF).
Рукописи, касающиеся:
(i) основ,
(ii) разработки методологии,
(iii) инструментария и
(iv) приложений, могут быть также представлены для публикации.
Адрес издания - https://www.sciencedirect.com/journal/spectrochimica-acta-part-b-atomic-spectroscopy
Пример статьи, название - Wind turbine contaminant classification using machine learning techniques. Заголовок (Abstract) - It has been well established in the literature that surface contamination can adversely affect the aerodynamic performance of aerofoils and hence the efficiency with which turbines can convert wind to electrical power. Hence it is critical to ensure that turbine blades are kept as free as possible of contaminants. In this manuscript, we discuss LIBS and machine learning techniques on contaminated wind turbine blades with a view to the possibility of integrating these methods into a standoff laser ablation setup in the future. A LIBS signal will be a key step in the decision process, i.e., to determine if a wind turbine blade has been fouled in the first place. Relatedly one must also determine the point at which the laser has adequately removed contaminants from the current Area of Irradiation (AoI) before moving to the adjacent AoI, i.e., interim end-point-detection. For both steps (presence / absence of fouling) we are investigating laser-induced breakdown spectroscopy (LIBS) to discriminate clean from fouled wind turbine blade samples. In particular we have performed LIBS in both the Vacuum Ultraviolet (VUV) and Ultraviolet Visible (UV–Vis) spectral ranges. Analysis of the spectra showed only slight variations in the constituent materials between clean and contaminated blade samples. In order to address this challenge, the efficacy of a number of machine learning and statistical methods for clean versus contaminated blade classification was investigated. Four methods (Partial Least Squares Discriminant Analysis (PLS-DA), Support Vector Machines (SVM), Competitive Learning (CL), and Convolutional Neural Networks (CNN)) were evaluated. The spectral regions where machine learning algorithms were applied was determined via a volumetric ellipsoid overlap test based on Principal Component Analysis (PCA). It was found that SVMs provided the most accurate methodology for binary classification of clean vs contaminated blades whilst also yielding the shortest run time.
Graphical abstract
Keywords: LIBS; Wind-turbines; Machine-learning; Spectroscopy
