Details

Данная работа посвящена оптимизации методов обработки дифракционных спектров, полученных на портативном рентгеновском измерителе напряжений DS21 (Dandong Haoyuan Instrument), оснащённом двумя позиционно-чувствительными детекторами. Задачи, которые решались в ходе исследования: 1. Изучение метода рентгеновского структурного анализа и используемой аппаратуры. 2. Построение дифрактограмм 3. Обработка дифрактограмм различными методами. 4. Анализ фоновой составляющей дифракционных спектров и выбор оптимального метода вычитания фона (полиномы, экспонента, кубический сплайн). 5. Аппроксимация дифракционных пиков четырьмя колоколообразными функциями (Коши, Гаусса, Пирсона VII, псевдо-Фойгта) и сравнение их точности. 6. Сравнение результатов обработки, полученных в работе, с данными штатного программного обеспечения прибора DS21. 7. Исследование возможности применения генеративной языковой модели DeepSeek для автоматизации обработки дифракционных спектров и анализ типичных ошибок нейросетевого подхода. Работа проведена на базе Санкт-Петербургского политехнического университета Петра Великого. Фактический материал (дифракционные спектры титанового образца) был получен на измерителе напряжений DS21. Обработка спектров выполнялась в среде программирования Python с использованием библиотек NumPy, SciPy и Matplotlib. Фон аппроксимировался полиномами различных степеней, экспоненциальной функцией и кубическим сплайном. Аппроксимация пиков выполнялась функциями Коши, Гаусса, Пирсона VII и псевдо-Фойгта с помощью метода наименьших квадратов (curve_fit). Для объективного сравнения моделей использовался критерий среднеквадратичного отклонения (RMSE). В результате было установлено, что оптимальным методом вычитания фона является кубический сплайн по 5–7 контрольным точкам, а наилучшая аппроксимация пиков достигается функцией псевдо-Фойгта, однако функции Коши и Гаусса дают сопоставимые результаты и проще в вычислительном отношении. Показано, что применение нейросетей для полной автоматизации обработки дифракционных спектров на текущем этапе преждевременно из-за высокого риска грубых ошибок (неверное определение границ пиков, ложные пики, некорректное отделение фона). Предложен оптимальный подход для обработки дифрактограмм титана: кубический сплайн для фона и функция Коши или псевдо-Фойгта для пиков с контролем качества по RMSE. Для достижения данных результатов в работе были использованы следующие информационные технологии, в том числе программное обеспечение, облачные сервисы, базы данных и прочие ресурсы: язык программирования Python (библиотеки NumPy, SciPy, Matplotlib), среда разработки Jupyter Notebook, нейросетевая модель DeepSeek (генеративная большая языковая модель со смешанной экспертной архитектурой MoE).

This work is devoted to the optimization of methods for processing diffraction spectra obtained on a portable X-ray stress meter DS21 (Dandong Haoyuan Instrument), equipped with two position-sensitive detectors. The tasks solved during the research: 1. Studying the method of X-ray structural analysis and the equipment used. 2. Plotting of diffractograms. 3. Processing of diffractograms by various methods. 4. Analysis of the background component of diffraction spectra and selection of the optimal background subtraction method (polynomials, exponential, cubic spline). 5. Approximation of diffraction peaks by four bell-shaped functions (Cauchy, Gauss, Pearson VII, pseudo-Voigt) and comparison of their accuracy. 6. Comparison of the processing results obtained in the work with the data from the DS21 instruments proprietary software. 7. Study of the possibility of using the DeepSeek generative language model for automating the processing of diffraction spectra and analysis of typical errors of the neural network approach. The work was carried out on the basis of Peter the Great St. Petersburg Polytechnic University. The factual material (diffraction spectra of a titanium sample) was obtained on a DS21 stress meter. Spectral processing was performed in the Python programming environment using the NumPy, SciPy and Matplotlib libraries. The background was approximated by polynomials of various degrees, an exponential function and a cubic spline. Peak approximation was performed using Cauchy, Gauss, Pearson VII and pseudo-Voigt functions using the least squares method (curve_fit). The root mean square error (RMSE) criterion was used for objective comparison of models. As a result, it was found that the optimal background subtraction method is a cubic spline based on 5–7 control points, and the best peak approximation is achieved by the pseudo-Voigt function, however the Cauchy and Gauss functions give comparable results and are easier to compute. It is shown that the use of neural networks for full automation of diffraction spectra processing is premature at the current stage due to the high risk of gross errors (incorrect determination of peak boundaries, false peaks, incorrect background subtraction). An optimal approach for processing titanium diffractograms is proposed: a cubic spline for background and a Cauchy or pseudo-Voigt function for peaks with quality control by RMSE. To achieve these results, the following information technologies were used in the work, including software, cloud services, databases and other resources: Python programming language (NumPy, SciPy, Matplotlib libraries), Jupyter Notebook development environment, DeepSeek neural network model (generative large language model with Mixture of Experts architecture).