Electronic Theses and Dissertation

Spektrum emisi merupakan cahaya yang terpancar dari elektron yang bertransisi antar tingkat energi atom atau ion. Struktur tingkat energi pada masing-masing atom atau ion membentuk pola unik yang memungkinkan analisis komposisi material secara presisi dalam metode Laser-Induced Breakdown Spectroscopy (LIBS). Namun, akurasi metode konvensional ini seringkali terhambat oleh kompleksitas spektrum emisi multi-elemen, efek matriks, dan fluktuasi plasma. Penelitian ini mengembangkan pendekatan analisis berbasis Deep Learning (DL) yang mempelajari spektrum emisi sintetis tersimulasi. Spektrum emisi sintetis disimulasikan menggunakan persamaan Saha dan distribusi Boltzmann, di mana setiap garis emisi dilebarkan menggunakan profil garis Gaussian dengan asumsi kondisi Local Thermal Equilibrium (LTE) dan memanfaatkan data transisi atom dari Atomic Spectra Database (ASD) NIST. Model Informer, sebuah arsitektur Transformer yang dioptimalkan dengan ProbSparse Self-Attention, Self-Attention Distilling, dan Generative-style Decoder, dipilih untuk mengatasi sekuens spektrum emisi yang panjang. Model dilatih dan dievaluasi menggunakan metrik F1-Score untuk mencapai keseimbangan optimal antara presisi dan recall dalam identifikasi elemen. Pendekatan ini menyajikan bukti konsep yang kuat untuk deteksi multi-elemen yang andal dalam metode LIBS, serta berkontribusi bagi kemajuan spektroskopi modern.

Emission spectra consist of light emitted by electrons transitioning between the energy levels of atoms or ions. The unique energy level structure of each atom or ion forms a distinct pattern, enabling precise analysis of material composition using the Laser-Induced Breakdown Spectroscopy (LIBS) method. However, the accuracy of this conventional method is often hindered by the complexity of multi-element emission spectra, matrix effects, and plasma fluctuations. This research develops a Deep Learning (DL) based analysis approach that learns from simulated synthetic emission spectra. These synthetic spectra are simulated using the Saha-Boltzmann equations, where each emission line is broadened using a Gaussian line profile under the assumption of Local Thermal Equilibrium(LTE), utilizing atomic transition data from the NIST Atomic Spectra Database (ASD). The Informer model, a Transformer architecture optimized with ProbSparse Self-Attention, Self-Attention Distilling, and a Generative-style Decoder, was chosen to handle the long sequences of emission spectra. The model is trained and evaluated using the F1-Score metric to achieve an optimal balance between precision and recall for element identification. This approach provides a strong proof of concept for reliable multi-element detection in the LIBS method and contributes to the advancement of modern spectroscopy.