一种判断陶器烧成温度的方法技术

本发明专利技术公开了一种判断陶器烧成温度的方法，包括：S1：以第三纪红黏土及砂砾、蚌壳碎粉、实验用碎草为原料，制作成泥质、夹砂、夹蚌、夹植物四种陶块，将四种陶块分别放入电炉中烧制并保温一段时间；S2：从烧制后的陶块上取适量粉末，置于研钵中使用纯溴化钾作为背景材料，与溴化钾研磨均匀后放入压片模具，高压制成压片；S3：将压片放入傅里叶变换红外光谱仪进行测试，对所获图谱进行分析并观察特征峰位移与强度变化趋势；S4：收集红外光谱数据，使用机器学习技术开发出一种或多种算法，根据数据特征计算出陶器样品的烧成温度。该方法判断结果与实际结果仅差

【技术实现步骤摘要】
一种判断陶器烧成温度的方法


[0001]本专利技术属于文物检测领域，具体涉及一种判断陶器烧成温度的方法。

技术介绍

[0002]在出土陶器的诸多科技分析研究中，原始烧成温度是一个重要内容，它是陶器质量的一个重要参数，也能够为陶器制作工艺的研究提供重要数据和信息，因此陶器原始烧成温度的测定对陶器研究具有十分重要的意义。测定陶器烧成温度的分析手段有很多，目前常用的陶器烧成温度判断方法如热膨胀法，存在着误差会随温度降低逐渐变大、对样品尺寸形状等参数要求较高等问题。这些局限性为文物检测技术发展带来困难。
[0003]陶器原始烧成温度是陶器生产工艺中的一项重要信息，但目前尚无能快速、不需要重烧陶器样品的陶器烧成温度判断方法，需要建立一种快速、高效的温度判断方法。

技术实现思路

[0004]为了解决傅里叶变换红外光谱判断烧成温度时，需要对所测陶器样品进行重烧来对比特征峰位移和吸光度变化的瓶颈问题，本专利技术提供了一种判断陶器烧成温度的方法。该方法利用已经重烧过的样品傅里叶红外光谱数据，使用机器学习算法自动学习光谱数据特征，能够快速地根据红外光谱判断陶器的烧成温度。该方法具有速度快、效率高、数据可重复作为训练集使用、不用重烧待测陶器样品等优势。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种判断陶器烧成温度的方法，所述方法包括如下步骤：
[0007]S1：以第三纪红黏土及砂砾、蚌壳碎粉、实验用碎草为原料，制作成泥质、夹砂、夹蚌、夹植物四种陶块，将所述四种陶块分别放入电炉中烧制并保温一段时间；
[0008]S2：从烧制后的陶块上取适量粉末，置于研钵中使用纯溴化钾作为背景材料，与溴化钾研磨均匀后放入压片模具，高压制成压片；
[0009]S3：将所述压片放入傅里叶变换红外光谱仪进行测试，对所获图谱进行分析并观察特征峰位移与强度变化趋势；
[0010]S4：使用傅里叶变换红外光谱分析仪和其配件iD1型透射附件测试样品并收集红外光谱数据，对红外光谱进行多种预处理来降低噪声和实验过程中的物理干扰，使用预处理过的光谱数据作为机器学习的训练集，观察吸光度特征峰位置与强度随温度的变化趋势，用机器学习算法对光谱特征的变化趋势进行观察和归纳总结，拟合出红外温度回归模型，然后采集未知温度的陶器样品红外光谱，将光谱数据输入到拟合出的回归模型中，模型通过比较未知温度的陶器红外光谱和训练集里不同温度的红外光谱的特征峰位置与强度信息，判断出未知温度的陶器样品的烧成温度。
[0011]作为本专利技术的一个实施例，步骤S1中，所述第三纪红黏土为未遭受过高温干扰的生土；所述高温为100℃以上，优选为450
‑
1050℃；
[0012]所述制作过程以水为粘合介质制成所述四种陶块。
[0013]作为本专利技术的一个实施例，步骤S1中，所述烧制过程的温度为300
‑
1200℃，优选为450
‑
1050℃；升温速率为5
‑
10℃/分钟，优选为5
‑
8℃/分钟；所述保温的时间为2
‑
5小时，优选为3
‑
4小时。
[0014]作为本专利技术的一个实施例，步骤S2中，所述粉末与所述溴化钾的重量比为1：130
‑
160，优选为1：140
‑
150。
[0015]作为本专利技术的一个实施例，步骤S4中，所述机器学习的训练相关系数应达到0.9以上。
[0016]作为本专利技术的一个实施例，步骤S4中，所述预处理的方式包括数据归一化、数据求导、移动窗口平均、标准正态分布、多元散射校正和自动基线校正中的一种或多种。
[0017]作为本专利技术的一个实施例，步骤S4中，所述算法包括BP神经网络、偏最小二乘回归和主成分回归中的一种或多种。
[0018]本专利技术提供的上述技术方案至少带来的有益效果：
[0019]本专利技术在检测陶器样品的傅里叶红外光谱特征峰位移与强度随温度变化趋势基础上，开发了能够快速高效判断陶器烧成温度的算法。
[0020]该方法使用过程中，仅使用烧制过的模拟样品数据，不需要大量重烧陶器样品。该方法判断的结果，与实际结果相差仅在
±
50℃，相关系数达到0.9以上，精度高，速度快，是一种高效的陶器烧成温度判断方法。
附图说明
[0021]图1为本专利技术实施例1中模拟陶块样品图；
[0022]图2是本专利技术实施例1中傅里叶红外光谱仪采集的大量光谱数据图；
[0023]图3为本专利技术实施例1中算法拟合的结果图；
[0024]图4是本专利技术实施例1中算法判断的结果对比图。
具体实施方式
[0025]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术实施方式作进一步地详细描述。
[0026]实施例1
[0027]S1：将第三纪红黏土进行水洗，去除杂质后放入烘箱烘干；烘干后的黏土结块使用研钵研磨并过200目筛，成为可使用的黏土；将100g第三纪红黏土加入27g纯净水，混合成泥团后使用模具制成1
×2×
6cm的一共14个泥质模拟样品；
[0028]将泥质模拟样品以5℃/分钟的升温速率由室温烧至450℃、550℃、650℃、750℃、850℃、950℃、1050℃并保温4小时，每个温度烧制两块；
[0029]S2：将少量光谱纯溴化钾放入研钵中研磨至无颗粒感粉末状，放入傅立叶红外压片机模具中，将模具置入压片机，使用2t的压力压制背景片；
[0030]S3：将背景片置入傅立叶变换红外光谱仪的样品舱中，使用OMNIC软件的“采集背景”功能采集纯溴化钾背景的红外光谱；采集背景红外光谱，以减少环境对红外谱图的影响。
[0031]重复一次上述步骤S2
‑
S3，每隔约1小时使用取样针从样品的各个面上取下样品粉
末，放入研钵内研磨至无颗粒感粉末状，按照样品与光谱纯溴化钾1：150的比例加入适量光谱纯溴化钾；
[0032]在研钵中将样品与溴化钾研磨混合均匀，放入傅立叶红外压片机模具中，将模具置入压片机，使用2t的压力压制20秒，制成红外样品片；
[0033]样品片置入傅立叶变换红外光谱仪的样品舱中使用OMNIC软件的“采集样品”功能采集样品的红外光谱，将纵坐标统一转换为“吸光度”；
[0034]对两个样品块进行多次采集，对比两个样品的多个红外光谱以确定各个谱图特征峰位置与强度相近；
[0035]S4：利用数据归一化、数据求导、移动窗口平均、标准正态分布、多元散射校正等多种预处理方式处理获得的傅里叶红外光谱数据，减弱甚至消除各种非目标因素对检测信号信息的影响，为建立稳定、可靠的数学模型奠定基础；
[0036]使用预处理过的光谱数据作为机器学习的训练集，观察吸光度特征峰位置与强度随温度的变化趋势，开发BP神经网络、偏最小二乘回归、主成分回归等机器学习算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种判断陶器烧成温度的方法，其特征在于，所述方法包括如下步骤：S1：以第三纪红黏土及砂砾、蚌壳碎粉、实验用碎草为原料，制作成泥质、夹砂、夹蚌、夹植物四种陶块，将所述四种陶块分别放入电炉中烧制并保温一段时间；S2：从烧制后的陶块上取适量粉末，置于研钵中使用纯溴化钾作为背景材料，与溴化钾研磨均匀后放入压片模具，高压制成压片；S3：将所述压片放入傅里叶变换红外光谱仪进行测试，对所获图谱进行分析并观察特征峰位移与强度变化趋势；S4：使用傅里叶变换红外光谱分析仪和其配件iD1型透射附件测试样品并收集红外光谱数据，对红外光谱进行多种预处理来降低噪声和实验过程中的物理干扰，使用预处理过的光谱数据作为机器学习的训练集，观察吸光度特征峰位置与强度随温度的变化趋势，用机器学习算法对光谱特征的变化趋势进行观察和归纳总结，拟合出红外温度回归模型，然后采集未知温度的陶器样品红外光谱，将光谱数据输入到拟合出的回归模型中，模型通过比较未知温度的陶器红外光谱和训练集里不同温度的红外光谱的特征峰位置与强度信息，判断出未知温度的陶器样品的烧成温度。2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述第三纪红黏土为未遭受过高温干扰的生土；所述高温为100℃以上，优选为4...

【专利技术属性】
技术研发人员：刘思然，胡茜茜，宫鑫，严弼宸，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：