快速准确测定铁矿石中的硅、 铝、 钙、 镁含量对铁矿石质量评价具有重要作用。 受制于多变量分析方法过拟合现象以及不同种类样品基体效应, 使用激光诱导击穿光谱（LIBS）准确测定铁矿石中硅、 铝、 钙、 镁含量仍然是当前存在的挑战。 采用变量重要性-反向传播人工神经网络（VI-BP-ANN）辅助LIBS定量分析铁矿石中硅（以SiO2计）、 铝（以Al2O3计）、 钙（以CaO计）和镁（以MgO计）的含量。 在这项研究中, 收集了12种244批铁矿石代表性样品的LIBS光谱, 优化了光谱预处理方法, 使用随机森林（RF）对LIBS光谱特征的重要性进行了测量, 使用袋外(OOB)误差优化RF模型参数, 变量重要性阈值用于优化BP-ANN校准模型的输入变量。 变量重要性阈值和神经元数量通过五折交叉验证（5-CV）的测定系数（R2）和均方根误差（RMSE）进行优化。 结果显示测试样本SiO2、 Al2O3、 CaO和MgO含量预测均方根误差（RMSEP）分别为0.377 2 wt%、 0.133 9 wt%、 0.059 2 wt%和0.141 1 wt%, R2分别为0.970 1、 0.955 4、 0.987 1、 0.997 5。 相比于使用相同的预处理方法作为PLS、 SVM、 RF和BP-ANN四种模型的输入, VI-BP-ANN在校准集和预测集都显示出出色的预测能力。 结果表明LIBS与VI-BP-ANN的结合有潜力在实际应用中实现铁矿石硅、 铝、 钙、 镁含量的快速准确预测。

铁矿石是钢铁工业的重要原材料, 不同产地、 品牌的进口铁矿石在元素组成、 含量上存在差异, 进口铁矿石掺杂、 掺假、 以次充好等现象虽集中于个案, 却危害经济安全。 故建立主要进口国铁矿石产地与品牌的快速识别模型, 对支撑进口铁矿石的风险监管, 保障贸易便利化。 该研究对象为澳大利亚、 南非、 巴西3个国家共14个品牌的236份进口铁矿石样品, 包括皮尔巴拉混合粉（块）、 杨迪粉铁矿, 纽曼混合粉（块）铁矿、 津布巴混合粉铁矿、 国王粉、 弗特斯克混合粉、 昆巴标准粉（块）、 卡拉加斯铁矿石等。 应用波长色散-X射线荧光光谱无标样分析法测定所有研究样品的元素组成及含量, 检出元素包括Fe, O, Si, Ca, Al, Mn, Tb, Ti, Mg, P, K, S, Cr, Na, Sr, Zr, Zn, V, Cu, Gd, Ba, Cl, Ni和Co, 共计24种, 选择其中Fe, O, Si, Ca, Al, Mn, Tb, Ti, Mg, P, Cr和S共12种所有样品全部检出的元素进行判别分析。 采用逐步判别法筛选出Fe, O, Si, Ca, Al, Mn, Ti, Mg, P和S共10个元素含量作为有效变量, 建立二维Fisher判别模型, 实现对澳大利亚、 南非、 巴西进口铁矿石的识别, 模型对建模样品识别正确率为97.40%, 交叉验证正确率为95.30%, 对测试样品的识别正确率达到95.50%。 针对14种品牌铁矿石, 使用Fe, O, Si, Ca, Al, Mn, Ti, Mg, P和S共10种元素含量, 建立十维Fisher判别模型, 模型对建模样品识别正确率为100%, 交叉验证正确率为97.90%, 对测试样品的识别正确率达到100%。 波长色散-X射线荧光光谱无标样分析虽然是一种半定量分析方法, 但分析快速, 稳定性好, 该方法结合逐步判别-Fisher判别分析, 能实现对铁矿石产地与品牌的识别。

为分析和检测铁矿石表面多成分的分布情况, 采用532 nm Nd∶YAG脉冲激光, 设计面扫描分析方法, 结合自行开发的软件, 首先对标准样品进行面扫描分析, 建立定标曲线, 说明元素含量与谱线强度的关系。 然后对由标准样品压制的表面元素含量分布不均匀的样品进行面扫描分析, 生成二维分布图, 并与样品表面形貌进行比较, 验证了分析方法的正确性。 最后以100 μm的分辨率对天然铁矿石样品表面14 mm×11 mm范围内进行面扫描分析, 得到其表面Ca, Al, Ti和Mn四种元素的分布情况, 并将分析结果与铁矿石表面形貌相比较。 结果表明, 激光诱导击穿光谱技术作为一种成分分析方法, 可以对不均匀样品的表面成分分布情况进行定性分析。