As ligas de magnésio são amplamente utilizadas nas indústrias aeroespacial, automotiva e eletrônica devido à sua baixa densidade, alta resistência específica e excelente resistência à corrosão. A espectroscopia de quebra induzida por laser (LIBS) possui a vantagem de uma rápida velocidade de análise e não requer preparo complexo de amostras, apresentando assim boas perspectivas de aplicação no campo da detecção de ligas de magnésio. Devido às grandes variações nos espectros LIBS entre diferentes medições, à alta similaridade espectral entre diferentes tipos de ligas de magnésio, e à presença de informações redundantes nos dados, a classificação direta geralmente apresenta resultados limitados. Este artigo propõe um método rápido de classificação de ligas de magnésio baseado na seleção de características, comparando sistematicamente três métodos de seleção: máxima correlação e mínima redundância (mRMR), florestas aleatórias (RF) e índices espectrais, e combinando-os com três modelos de classificação: máquina de vetor de suporte (SVM), rede neural de retropropagação (BPNN) e k-vizinhos mais próximos (KNN), para construir múltiplos modelos de classificação de ligas de magnésio. Os resultados experimentais mostram que o mRMR-BPNN, utilizando apenas 180 características, alcançou precisão de 99,4% e 92,5% nos testes de dados do primeiro e segundo dia, respectivamente, superando significativamente outras combinações de seleção de características e classificadores, bem como métodos diretos de classificação de espectros originais. Esse método melhora efetivamente a precisão da classificação e a capacidade de generalização do modelo sem necessidade de pré-processamento complexo, fornecendo uma ferramenta analítica confiável para detecção rápida online e controle de qualidade de ligas de magnésio-alumínio, com importante significado para promover a aplicação prática da tecnologia LIBS em ambientes industriais.

espectroscopia de quebra induzida por laser; ligas de magnésio; seleção de características; aprendizado de máquina