ПОЛНОПРОФИЛЬНЫЙ РЕНТГЕНОФАЗОВЫЙ АНАЛИЗ НА ОСНОВЕ МЕТОДА РИТВЕЛЬДА, САМОКОНФИГУРИРУЕМОГО МНОГОПОПУЛЯЦИОННОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА И ДАННЫХ ЭЛЕМЕНТНОГО АНАЛИЗА

Полнопрофильный анализ по методу Ритвельда широко используется для лабораторного интерактивного количественного рентгенофазового анализа, однако его приложения для оперативного производственного аналитического контроля недостаточно развиты. Причина в том, что метод Ритвельда основан на нелинейном методе наименьших квадратов (МНК), который для сходимости требует достаточно точных исходных приближений уточняемых параметров для каждого образца. При эволюционном методе полнопрофильного количественного рентгенофазового анализа (КРФА) исходные приближения ищет генетический алгоритм. Вместе с тем эмпирическая настройка оптимальных параметров генетических операций, выполняемая в интерактивном режиме, остается трудоемкой. Для ее автоматизации предложен подход, основанный на самонастройке в процессе эволюционного КРФА с помощью самоконфигурируемого генетического алгоритма (СГА). Для улучшения сходимости в целевую функцию генетического алгоритма, представляющую взвешенный профильный R-фактор метода Ритвельда, вводили данные о количественном химическом составе образца. Программная реализация метода основана на параллельных вычислениях, обеспечивающих ускоренную сходимость генетического алгоритма, и позволяет проводить бесстандартный КРФА в автоматическом режиме на многоядерном персональном компьютере. Метод опробован на группе тестовых многофазных образцов известного состава и показал хорошую точность полнопрофильного КРФА.

1. Young R. A. The Rietveld Method. — Oxford University Press, 1995. — 298 p.

2. Bish D. L., Howard S. A. Quantitative phase analysis using the Rietveld method / J. Appl. Cryst. 1988. Vol. 21. P. 86 – 91.

3. Якимов И. С., Залога А. Н., Соловьев Л. А., Якимов Я. И. Метод эволюционного структурно-чувствительного количественного рентгенофазового анализа многофазных поликристаллических материалов / Заводская лаборатория. Диагностика материалов. 2011. Т. 77. № 1. С. 29 – 34.

4. Гуменникова А. В., Емельянова М. Н., Семенкин Е. С., Сопов Е. А. Об эволюционных алгоритмах решения сложных задач оптимизации / Вестник сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева. 2003. № 4. С. 14.

5. Harris K. D., Johnston R. L., Kariuki B. M. The genetic algorithm: Foundations and applications in structure solution from powder diffraction data / Acta Crystallogr. 1998. Sect. A: Found. Crystallogr. Vol. 54. P. 632 – 645.

6. Feng Z., Dong C. A program for structure determination from powder diffraction data using a genetic algorithm / J. Appl. Crystallogr. 2007. Vol. 40. P. 583 – 588.

7. Lutterotti L., Bortolotti M. Object oriented programming and fast computation techniques in Maud, a program for powder diffraction analysis written in java / IUCr: Compcomm Newsletter. 2003. Vol. 1. P. 43 – 50.

8. Burakov S. V., Zaloga A. N., Semenkin E. S., Yakimov I. S. Research on convergence o multipopulation binary- and real-coded genetic algorithms for solution of crystal structure from X-Ray powder diffraction data / Crystal Research and Technology. 2015. Vol. 50. Issue 9 – 10. P. 724 – 728.

9. Zaloga A., Akhmedova S., Yakimov I., Burakov S., Semenkin E., Dubinin P., Piksina O., Andryushchenko E. Genetic Algorithm for Automated X-Ray Diffraction Full-Profile Analysis of Electrolyte Composition on Aluminium Smelters / Lecture Notes in Electrical Engineering. 2016. Vol. 383. P. 79 – 93.

10. Gomez J. Self Adaptation of Operator Rates Evolutionary Algorithms / Genetic and Evolutionary Computation — GECCO. Lecture Notes in Computer Science. 2004. Vol. 3102. P. 1162 – 1173.

11. Toussaint M., Igel C. Neutrality: a necessity for self-adaptation / Proceedings of the IEEE Congress on evolutionary computation. 2002. P. 1354 – 1359.

12. Семенкина М. Е. Самоадаптивные эволюционные алгоритмы проектирования информационных технологий интеллектуального анализа данных / Искусственный интеллект и принятие решений. 2013. № 1. С. 13 – 23.

13. Sopov E. A Self-configuring Metaheuristic for Control of Multi-Strategy Evolutionary Search / Advances in Swarm and Computational Intelligence. 2015. P. 29 – 37.

14. Semenkin E., Semenkina M. The Choice of Spacecrafts’ Control Systems Effective Variants with Self-Configuring Genetic Algorithm / In: Ferrier J. L. et al (Eds.): Informatics in Control, Automation and Robotics. Proceedings of the 9th International Conference ICINCO’2012. 2012. Vol. 1. P. 84 – 93.

15. Semenkin E., Semenkina M. Self-configuring Genetic Algorithm with Modified Uniform Crossover Operator / Advances in Swarm Intelligence. Lecture Notes in Computer Science. 2012. P. 414 – 421.

16. Le Bail A. The Profile of a Bragg Reflection for Extracting Intensities. Ch. 5. Powder Diffraction Theory and Practice. — Cambridge. Royal Society of Chemistry, 2008. — 571 p.

17. Nicola V. Y. Scarlett, Ian C. Madsen, Lachlan M. D. Cranswick et al. / Round Robin on Quantitative phase analysis: samples 2 / J. Appl. Cryst. 2002. N 35. P. 383 – 400.

18. Международный банк данных по кристаллоструктурным данным (ICSD). On-line: www2.fiz-karlsruhe.de/icsd_publications.html.