Name: Pomiar stężenia O-krezolu online w oparciu o spektroskopię bliskiej podczerwieni za pomocą częściowej regresji metodą najmniejszych kwadratów (Wideo) | JoVE Journal
Uploaded: 2019-11-08T12:30:00.000+00:00
Duration: 6 min 50 s
Description: Poznaj metodę pomiaru stężenia O-krezolu w czasie rzeczywistym przy użyciu spektroskopii bliskiej podczerwieni i regresji PLS. Technika ta umożliwia szybką, nieniszczącą analizę w przemyśle procesowym.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ta praca była wspierana przez Narodową Fundację Nauk Przyrodniczych Chin (Granty nr 61722306 i 61473137) oraz National First-class Discipline Program of Light Industry Technology and Engineering (LITE2018-025).

1. Pozyskiwanie danych widmowych NIR za pomocą spektrometru procesowego FT-NIR
<ol>
	<li>Zainstaluj sondę światłowodową do pomiarów w fazie ciekłej spektrometru bliskiej podczerwieni przy wylocie produktu z polifenylenoeteru. Następnie otwórz OPUS oprogramowanie na komputerze nadrzędnym połączonym z urządzeniem i rozpocznij konfigurację pomiaru.</li>
	<li>Podłączenie do spektrometru
	<ol>
		<li>Na Pomiar menu, wybierz Konfiguracja i serwis optyki wprowadź polecenie lub kliknij ikonę na pasku narzędzi.</li>
		<li>W otwierającym się oknie dialogowym kliknij przycisk Ława optyczna zakładka.</li>
		<li>Sprawdzić, czy ustawienia spektrometru są prawidłowe. W przypadku potwierdzenia zamknąć okno dialogowe. W przeciwnym razie przejść do kroku 4.</li>
		<li>Z Konfiguracja z listy rozwijanej wybierz odpowiedni typ spektrometru.</li>
		<li>Wprowadź adres IP spektrometru do Adres URL ławy optycznej pole wprowadzania</li>
		<li>Kliknij w Połącz przycisk</li>
	</ol>
	</li>
	<li>Konfiguracja parametrów pomiarowych
	<ol>
		<li>Na Pomiar menu, wybierz Pomiar wprowadź polecenie lub kliknij ikonę na pasku narzędzi.</li>
		<li>W wyświetlonym oknie dialogowym zdefiniuj parametry pomiarowe na poszczególnych kartach. 
		UWAGA: Szczegółowe informacje na temat poszczególnych parametrów pomiarowych opisano w podręczniku użytkownika OPUS (OPUS Reference Manual).</li>
		<li>Kliknij Akceptuj &amp; Wyjście przycisk</li>
	</ol>
	</li>
	<li>Przechowywanie pliku eksperymentu
	<ol>
		<li>Na Pomiar menu, wybierz opcję Zaawansowany pomiar polecenie. Następnie kliknij przycisk Zaawansowany tab.</li>
		<li>W otwieranym oknie dialogowym zdefiniuj rozdzielczość jako 4 cm-1.</li>
		<li>Zdefiniuj liczbę skanów jako 16 skany w Czas skanowania próbki/tła pola wprowadzania danych</li>
		<li>Zdefiniuj ścieżkę do automatycznego zapisywania danych pomiarowych z 4 000 cm-1-12 500 cm-1.</li>
		<li>Określ typ danych dla widma wynikowego jako Absorbancja.</li>
		<li>Kliknij w Zapisz przycisk</li>
		<li>W otwierającym się oknie dialogowym określ nazwę pliku eksperymentu i zapisz tę nazwę.</li>
	</ol>
	</li>
	<li>Pomiar widma tła
	<ol>
		<li>Na Pomiar menu, wybierz Zaawansowane pomiary polecenie</li>
		<li>Kliknij Optyczny tab.</li>
		<li>W wyświetlonym oknie dialogowym kliknij przycisk Ustawienie przysłony z listy rozwijanej i wybierz tę samą wartość, której użyto do pozyskania widma wzorcowego.</li>
		<li>Kliknij Podstawowe tab.</li>
		<li>W otwartym oknie dialogowym kliknij przycisk Tło jednokanałowe przycisk</li>
	</ol>
	</li>
	<li>Pomiar widma próbki
	<ol>
		<li>Umieść próbkę na drodze optycznej spektrometru. Sposób wykonania tej czynności zależy od konfiguracji spektrometru.</li>
		<li>Na Pomiar menu, wybierz z Zaawansowane pomiary polecenie</li>
		<li>Kliknij Podstawowe tab.</li>
		<li>W otwierającym się oknie dialogowym należy zdefiniować opis próbki oraz formę próbki w odpowiednim polu wprowadzania. Informacje te są zapisywane wraz ze widmem.</li>
		<li>Kliknij przycisk Próbka jednokanałowa przycisk do rozpoczęcia pomiaru online. Następnie należy zapisać widmo NIR każdego skanu jako plik OPUS.</li>
	</ol>
	</li>
	<li>Pobierać próbki polifenylenu co 6 h i oznaczać stężenie o-krezolu metodą chromatografii cieczowej w laboratorium przemysłowym w celu uzyskania chemicznej wartości odniesienia. 
	UWAGA: Pracownicy laboratoryjni z sektora przemysłowego pobrali każdą próbkę eteru polifenylu z wylotu eteru polifenylu w fazie ciekłej. Zawartość o-krezolu w każdej próbce zmierzono trzykrotnie przy użyciu chromatografii cieczowej. Następnie, w celu zminimalizowania błędów przypadkowych, wartość średnią z wyników tych trzech analiz przyjęto jako wartość referencyjną zawartości o-krezolu.</li>
	<li>Należy uzyskać 600 laboratoryjnych wartości referencyjnych dla stężenia o-krezolu. Zakres kalibracji stężenia o-krezolu wynosi od 42,1063 mg/1 g produktu polifenyloeterowego do 51,6763 mg/1 g produktu polifenyloeterowego.</li>
	<li>Połącz widma NIR uzyskane w określonych czasach testu z chemicznymi wartościami referencyjnymi stężenia o-krezolu.</li>
	<li>Użyj oprogramowania OPUS, aby odczytać oryginalny zestaw widm, jak pokazano w Rycina 1.
	<ol>
		<li>Na Plik menu, kliknij Wczytaj plik polecenie</li>
		<li>W otwartym oknie dialogowym wybierz odpowiedni plik widma.</li>
		<li>Kliknij Otwórz przycisk. Widmo jest wyświetlane w oknie widma.</li>
	</ol>
	</li>
</ol>
2. Przetwarzanie wstępne danych spektroskopii NIR
<ol>
	<li>Korzystając z funkcji wstępnego przetwarzania widm, uzyskaj zestaw danych widmowych przetworzonych za pomocą pochodnej pierwszego rzędu.
	<ol>
		<li>Otwórz The Unscrambler który jest oprogramowaniem do wielowymiarowej analizy danych i planowania eksperymentów, wybierz* Import polecenie pod PlikZaimportuj plik OPUS jako oryginalny zestaw danych spektralnych NIR.</li>
		<li>Wybierz Przekształć polecenie pod Zmodyfikuj. I wybierz Pochodne Savitzky'ego-Golaya pod Pochodne.</li>
		<li>Zdefiniuj Próbki i Zmienne jako Wszystkie Próbki i Wszystkie Zmienne w Zakresie. Następnie zdefiniuj liczbę Wygładzanie punktów jako 13 oraz Pochodna jako 1Proszę podać tekst źródłowy do tłumaczenia. pochodna w Parametrach.</li>
		<li>Kliknij Proszę podać tekst źródłowy do tłumaczenia. aby rozpocząć otrzymywanie pochodnej. 
		UWAGA: Zwiększenie stopnia wygładzania może zredukować gwałtowne wahania krzywej oraz zmniejszyć wpływ szumu, ale może również osłabić charakterystykę krzywej i doprowadzić do jej zniekształcenia. Należy zatem dobrać odpowiedni stopień wygładzania na podstawie obserwacji rzeczywistej intensywności wahań krzywej oraz efektu po przetworzeniu danych.</li>
	</ol>
	</li>
	<li>Przeprowadź normalizację wektorową widm próbek, aby znormalizować wartości absorbancji.
	<ol>
		<li>Wybierz Normalizacja polecenie poniżej Zmodyfikuj.</li>
		<li>Zdefiniuj Próbki i zmienne jako Wszystkie próbki i Wszystkie zmienne w Zakres.</li>
		<li>Wybierz Normalizacja wektora w Typ.</li>
		<li>Kliknij Proszę przesłać tekst źródłowy do tłumaczenia. w celu przeprowadzenia normalizacji wektorów.</li>
	</ol>
	</li>
</ol>
3. Tworzenie modelu PLSR
<ol>
	<li>Tworzenie zestawu danych spektralnych NIR
	<ol>
		<li>Uruchom program Uncrambler.exe, wybierz opcję Export w menu File, wybierając pliki Matlab, aby wyeksportować wstępnie przetworzony zestaw danych spektralnych do pliku .mat i automatycznie uzyskać zestaw danych spektralnych X zawierający 2203 zmienne.</li>
		<li>Uzyskaj kompletny zestaw danych spektralnych NIR X (macierz 600 wierszy i 2203 kolumn) oraz odpowiadające im chemiczne wartości referencyjne Y (wektor 600 wierszy) w formie pliku .mat do późniejszej analizy i modelowania.</li>
	</ol>
	</li>
	<li>Wybór odpowiedniej liczby głównych składowych
	<ol>
		<li>Otwórz program Matlab i zaimportuj do obszaru roboczego plik .mat zawierający wstępnie przetworzone dane spektralne w bliskiej podczerwieni, przeciągając plik .mat do obszaru roboczego. 
		UWAGA: Plik .mat przechowuje dane spektralne w bliskiej podczerwieni X jako zmienną niezależną oraz zawartość o-krezolu w produkcie jako zmienną zależną w formie dwóch macierzy.</li>
		<li>Otwórz zaprogramowany plik .m w Edytorze. Kliknij Open w opcjach Editor, wybierz skompilowany plik .m w katalogu plików, a następnie kliknij Confirm.</li>
		<li>Wyodrębnij 15 głównych składowych zgodnie z celem optymalizacji określonym w Równaniu 1 oraz modelem OLSR pomiędzy wyodrębnionymi głównymi składowymi a przewidywanymi wartościami stężenia o-krezolu, korzystając z programu zawierającego polecenie plsregress() w programie Matlab. 
		[XL, YL, XS, YS, BETA, PCTVAR, MSE] = plsregress(X,Y,ncomp,’CV’,k); 
		Zapoznaj się z dokumentacją pomocy MATLAB, aby uzyskać szczegółowe informacje na temat użytkowania i wartości zwracanych. 
		UWAGA: <img alt="Wzór kowariancji dla maksymalizacji korelacji, równania statystyczne, analiza matematyczna." src="/files/ftp_upload/59077/59077eq3.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 3"> Równanie 1<img alt="Graficzny schemat równowagi statycznej z ΣFx=0, MA=0; analiza mechaniki inżynierskiej." src="/files/ftp_upload/59077/59077eq4.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 4"> 
		<img alt="Równanie operacji macierzowych \(u_i = Xp_i\) dla analizy modeli obliczeniowych." src="/files/ftp_upload/59077/59077eq5.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 5"> oraz <img alt="Mechanika statystyczna; symbol Pi z indeksami dolnymi; równanie termodynamiczne; schemat edukacyjny." src="/files/ftp_upload/59077/59077eq6.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 6"> to ita główna składowa danych spektralnych NIR; 
		<img alt="Wariancja zmiennej \( u_i \) we wzorze statystyki matematycznej." src="/files/ftp_upload/59077/59077eq7.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 7"> to rzut itej głównej składowej danych spektralnych NIR; 
		<img alt="Wzór korelacji \(Cor(u,v,y)\); analiza statystyczna; schemat równania." src="/files/ftp_upload/59077/59077eq8.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 8"> to współczynnik korelacji Pearsona dla itej głównej składowej i stężenia o-krezolu.</li>
		<li>Oblicz wartość <img alt="Wzór statystycznego wskaźnika R², wykres analizy wydajności, korelacja danych, analiza regresji." src="/files/ftp_upload/59077/59077eq1.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 1"> dla danych spektralnych NIR i wartości przewidywanych dla różnych głównych składowych, korzystając z Równania 2. 
		UWAGA: <img alt="Wzór R-kwadrat R²=1-SSE/SST, miara statystyczna w analizie regresji, format równania." src="/files/ftp_upload/59077/59077eq9.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 9"> Równanie 2 
		<img alt="Wzór równowagi statycznej ΣFx=0, ΣFy=0; schemat wektorów sił i koncepcja równowagi." src="/files/ftp_upload/59077/59077eq10.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 10"> to suma kwadratów błędów, zdefiniowana jako <img alt="Wzór sumy kwadratów błędów, SSE = Σ(yᵢ-ŷᵢ)², równanie analizy statystycznej." src="/files/ftp_upload/59077/59077eq11.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 11"> ; 
		<img alt="Schemat równowagi statycznej, pokazujący ΣFx=0, ΣFy=0; kluczowy dla zrozumienia równowagi mechanicznej." src="/files/ftp_upload/59077/59077eq12.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 12"> to całkowita suma kwadratów, zdefiniowana jako <img alt="Wzór statystyczny Σ(yₙ-ȳ)² dla analizy całkowitej sumy kwadratów." src="/files/ftp_upload/59077/59077eq13.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 13">; 
		<img alt="schemat przejścia fazowego, równanie energii swobodnej Gibbsa G=H-TS, termodynamika, analiza wykresu" src="/files/ftp_upload/59077/59077eq14.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 14"> to wartość referencyjna stężenia o-krezolu w zbiorze testowym; 
		<img alt="Wzór regresji liniowej ŷi, schemat do modelowania predykcyjnego w analizie statystycznej." src="/files/ftp_upload/59077/59077eq15.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 15"> to wartość przewidywana stężenia o-krezolu w zbiorze testowym; 
		<img alt="Równowaga statyczna, ΣFx=0, ΣFy=0, schemat do analizy inżynierskiej i stabilności strukturalnej." src="/files/ftp_upload/59077/59077eq16.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 16"> to średnia wartość referencyjna stężenia o-krezolu w zbiorze testowym; 
		<img alt="Schemat procesu chromatografii; metoda rozdziału chemicznego; urządzenie pokazuje drogę przepływu rozpuszczalnika." src="/files/ftp_upload/59077/59077eq17.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 17"> to liczba próbek w zbiorze testowym.</li>
		<li>Wyznacz wartości <img alt="Wzór statystycznego wskaźnika R², wykres analizy wydajności, korelacja danych, analiza regresji." src="/files/ftp_upload/59077/59077eq1.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 1"> i tendencję wraz ze wzrostem liczby głównych składowych, jak pokazano na Rysunku 2. Wybierz 10 jako odpowiednią liczbę głównych składowych dla wartości <img alt="Wzór statystycznego wskaźnika R², wykres analizy wydajności, korelacja danych, analiza regresji." src="/files/ftp_upload/59077/59077eq1.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 1"> wynoszącej 0,9917. 
		UWAGA: Wartość <img alt="Równanie równowagi statycznej ΣFx=0, schemat; zawiera korelację R² w analizie wykresu." src="/files/ftp_upload/59077/59077eq18.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 18"> to proporcja wariancji zmiennej zależnej, która jest przewidywalna na podstawie zmiennych niezależnych. Im wyższa wartość <img alt="Wzór statystycznego wskaźnika R², wykres analizy wydajności, korelacja danych, analiza regresji." src="/files/ftp_upload/59077/59077eq1.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 1">, tym lepsza jest jakość dopasowania i na odwrót.</li>
	</ol>
	</li>
	<li>Walidacja jakości dopasowania i dokładności modelu PLSR z 10 głównymi składowymi przy użyciu polecenia plsregress().
	<ol>
		<li>Powtórz proces modelowania dla 10 głównych składowych, zgodnie z krokami 3.2.1-3.2.5.</li>
		<li>Oceń model na podstawie 10-krotnej walidacji krzyżowej, wykorzystując wykresy procentowej wariancji wyjaśnionej w danych spektralnych NIR, rezyduów oraz MSPECV.</li>
		<li>Przedstaw procentową wariancję wyjaśnioną w danych spektralnych NIR, rezydua oraz MSPECV jako Rysunki 3, 4 i 5.</li>
		<li>Zestaw w tabeli wskaźniki oceny <img alt="Wzór statystycznego wskaźnika R², wykres analizy wydajności, korelacja danych, analiza regresji." src="/files/ftp_upload/59077/59077eq1.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 1">,<img alt="równowaga statyczna ΣFx=0, schemat; analiza równowagi mechanicznej; badanie stabilności strukturalnej" src="/files/ftp_upload/59077/59077eq2.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 2"> oraz MSPE z 10-krotnej walidacji krzyżowej dla modelu PLSR do analizy ilościowej, jak pokazano w Tabeli 1. 
		UWAGA: Równania dla <img alt="równowaga statyczna ΣFx=0, schemat; analiza równowagi mechanicznej; badanie stabilności strukturalnej" src="/files/ftp_upload/59077/59077eq2.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 2"> i MSPE są przedstawione jako Równanie 3 i Równanie 4. 
		<img alt="Równanie dla współczynnika korelacji predykcji modelu \(R_p\), wzór analizy statystycznej." src="/files/ftp_upload/59077/59077eq19.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 19"> Równanie 3 
		<img alt="Wzór średnio-kwadratowego błędu predykcji, obliczanie MSPE, analiza statystyczna, dokładność predykcji." src="/files/ftp_upload/59077/59077eq20.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 20"> Równanie 4 
		<img alt="Wzór kowariancji \(Cov(y_i, \hat{y}_i)\), analiza statystyczna, notacja matematyczna." src="/files/ftp_upload/59077/59077eq21.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 21"> to kowariancja wartości referencyjnej i wartości przewidywanej stężenia o-krezolu; <img alt="Równowaga statyczna, równanie ΣFx=0, schemat analizy naprężeń strukturalnych, warunki równowagi." src="/files/ftp_upload/59077/59077eq22.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 22"> to odchylenie standardowe wartości referencyjnej stężenia o-krezolu; 
		<img alt="Symbol przewidywanej kowariancji σŷi, używany w analizie statystycznej, przedstawiony w notacji wzoru." src="/files/ftp_upload/59077/59077eq23.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 23"> to odchylenie standardowe wartości przewidywanej stężenia o-krezolu.</li>
	</ol>
	</li>
</ol>

<ol><li>Nicolai, B. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nondestructive+measurement+of+fruit+and+vegetable+quality+by+means+of+NIR+spectroscopy%3A+A+review%5BTitle%5D)+AND+%22Postharvest+Biology+and+Technology%22%5BJournal%5D)">Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review.</a> Postharvest Biology and Technology. 46 (2), 99-118 (2007).</li>
<li>Chang, C. W., Laird, D. A., Mausbach, M. J., Hurburgh, C. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Near-infrared+reflectance+spectroscopy-principal+components+regression+analyses+of+soil+properties%5BTitle%5D)+AND+%22Soil+Science+Society+of+America+Journal%22%5BJournal%5D)">Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties.</a> Soil Science Society of America Journal. 65 (2), 480-490 (2001).</li>
<li>Chen, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Near-infrared+spectroscopy+for+rapid+evaluation+of+different+processing+products+of+Sophora+japonica%5BTitle%5D)+AND+%22L.+Spectroscopy+Letters%22%5BJournal%5D)">Near-infrared spectroscopy for rapid evaluation of different processing products of Sophora japonica.</a> L. Spectroscopy Letters. 51 (1), 37-44 (2018).</li>
<li>Cayuela, J. A., Garcia, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nondestructive+measurement+of+squalene+in+olive+oil+by+near+infrared+spectroscopy%5BTitle%5D)+AND+%22LWT-FOOD+SCIENCE+AND+TECHNOLOGY%22%5BJournal%5D)">Nondestructive measurement of squalene in olive oil by near infrared spectroscopy.</a> LWT-FOOD SCIENCE AND TECHNOLOGY. 88, 103-108 (2018).</li>
<li>Joaquim, M. Polyphenyl Ether Lubricants. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJoaquim%2C+M+%22Synthetic+Lubricants+and+High-performance+Functional%22">Synthetic Lubricants and High-performance Functional</a>. Rudnick, R. L., Shubkin, R. L. , Marcel Dekker, Inc. NY. 239(1999).</li>
<li>Grabowska, H., Kaczmarczyk, W., Wrzyszcz, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synthesis+of+2%2C6-Xylenol+by+Alkylation+of+Phenol+with+Methanol%5BTitle%5D)+AND+%22Applied+Catalysis%22%5BJournal%5D)">Synthesis of 2,6-Xylenol by Alkylation of Phenol with Methanol.</a> Applied Catalysis. 47 (2), 351-355 (1989).</li>
<li>Jeon, D. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determination+of+volatile+organic+compounds%2C+catechins%2C+caffeine+and+theanine+in+Jukro+tea+at+three+growth+stages+by+chromatographic+and+spectrometric+methods%5BTitle%5D)+AND+%22FOOD+CHEMISTRY%22%5BJournal%5D)">Determination of volatile organic compounds, catechins, caffeine and theanine in Jukro tea at three growth stages by chromatographic and spectrometric methods.</a> FOOD CHEMISTRY. 219, 443-452 (2016).</li>
<li>Davidyuk, E. I., Demchenko, V. F., Klisenko, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rapid+group+separation+and+identification+of+chlorinated+organic+compounds+by+high+performance+liquid+chromatography%5BTitle%5D)+AND+%22JOURNAL+OF+ANALYTICAL+CHEMISTRY%22%5BJournal%5D)">Rapid group separation and identification of chlorinated organic compounds by high performance liquid chromatography.</a> JOURNAL OF ANALYTICAL CHEMISTRY. 52 (11), 1058-1065 (1997).</li>
<li>Rinnan, A., Berg, F., Engelsen, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Review+of+the+most+common+pre-processing+techniques+for+near-infrared+spectra%5BTitle%5D)+AND+%22TrAC+Trends+in+Analytical+Chemistry%22%5BJournal%5D)">Review of the most common pre-processing techniques for near-infrared spectra.</a> TrAC Trends in Analytical Chemistry. 28 (10), 1201-1222 (2009).</li>
<li>Zou, X. B., Zhao, J. W., Povey, M. J. W., Holmes, M., Mao, H. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Variables+selection+methods+in+near-infrared+spectroscopy%5BTitle%5D)+AND+%22Analytica+Chimica+Acta%22%5BJournal%5D)">Variables selection methods in near-infrared spectroscopy.</a> Analytica Chimica Acta. (1-2), 14-32 (2010).</li>
<li>Dunn, B. W., Beecher, H. G., Batten, G. D., Ciavarella, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+potential+of+near-infrared+reflectance+spectroscopy+for+soil+analysis+-+a+case+study+from+the+Riverine+Plain+of+south-eastern+Australia%5BTitle%5D)+AND+%22Australian+Journal+of+Experimental+Agriculture%22%5BJournal%5D)">The potential of near-infrared reflectance spectroscopy for soil analysis - a case study from the Riverine Plain of south-eastern Australia.</a> Australian Journal of Experimental Agriculture. 42 (5), 607-614 (2002).</li>
<li>Wang, C. K., Zhang, T. L., Pan, X. Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Potential+of+visible+and+near-infrared+reflectance+spectroscopy+for+the+determination+of+rare+earth+elements+in+soil%5BTitle%5D)+AND+%22Geoderma%22%5BJournal%5D)">Potential of visible and near-infrared reflectance spectroscopy for the determination of rare earth elements in soil.</a> Geoderma. 306, 120-126 (2017).</li>
<li>Gatius, F., Miralbes, C., David, C., Puy, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+CCA+and+PLS+to+explore+and+model+NIR+data%5BTitle%5D)+AND+%22Chemometrics+and+Intelligent+Laboratory+Systems%22%5BJournal%5D)">Comparison of CCA and PLS to explore and model NIR data.</a> Chemometrics and Intelligent Laboratory Systems. , 76-82 (2017).</li>
<li>Wold, S., Sjostrom, M., Eriksson, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PLS-regression%3A+a+basic+tool+of+chemometrics%5BTitle%5D)+AND+%22Chemometrics+%26+Intelligent+Laboratory%22%5BJournal%5D)">PLS-regression: a basic tool of chemometrics.</a> Chemometrics & Intelligent Laboratory. 58 (2), 109-130 (2001).</li>
<li>Douglas, R. K., Nawar, S., Alamar, M. C., Mouazen, A. M., Coulon, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rapid+prediction+of+total+petroleum+hydrocarbons+concentration+in+contaminated+soil+using+vis-NIR+spectroscopy+and+regression+techniques%5BTitle%5D)+AND+%22SCIENCE+OF+THE+TOTAL+ENVIRONMENT%22%5BJournal%5D)">Rapid prediction of total petroleum hydrocarbons concentration in contaminated soil using vis-NIR spectroscopy and regression techniques.</a> SCIENCE OF THE TOTAL ENVIRONMENT. 616, 147-155 (2017).</li>
<li>Grassi, S., Alamprese, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+NIR+spectroscopy+applied+to+process+analytical+technology+in+food+industries%5BTitle%5D)+AND+%22CURRENT+OPINION+IN+FOOD+SCIENCE%22%5BJournal%5D)">Advances in NIR spectroscopy applied to process analytical technology in food industries.</a> CURRENT OPINION IN FOOD SCIENCE. 22 (SI), 17-21 (2018).</li>
<li>Trung, T., Downes, G., Meder, R., Allison, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pulp+mill+and+chemical+recovery+control+with+advanced+analysers+-+from+trees+to+final+product%5BTitle%5D)+AND+%22APPITA%22%5BJournal%5D)">Pulp mill and chemical recovery control with advanced analysers - from trees to final product.</a> APPITA. 68 (1), 39-46 (2015).</li>
<li>Vann, L., Sheppard, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+near-infrared+spectroscopy+%28NIRs%29+in+the+biopharmaceutical+industry+for+real-time+determination+of+critical+process+parameters+and+integration+of+advanced+feedback+control+strategies+using+MIDUS+control%5BTitle%5D)+AND+%22Journal+of+Industrial+Microbiology%26+Biotechnology%22%5BJournal%5D)">Use of near-infrared spectroscopy (NIRs) in the biopharmaceutical industry for real-time determination of critical process parameters and integration of advanced feedback control strategies using MIDUS control.</a> Journal of Industrial Microbiology& Biotechnology. 44 (12), 1589-1603 (2017).</li>
<li>Modrono, S., Soldado, A., Martinez-Fernandez, A., de la Roza-Delgado, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Handheld+NIRS+sensors+for+routine+compound+feed+quality+control%3A+Real+time+analysis+and+field+monitoring%5BTitle%5D)+AND+%22TALANTA%22%5BJournal%5D)">Handheld NIRS sensors for routine compound feed quality control: Real time analysis and field monitoring.</a> TALANTA. 162, 597-603 (2017).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

Protokół ten opisuje proces wykonywania PLSR na pomiarze stężenia o-krezolu pozostałego w ciekłym produkcie eteru polifenylenowego z NIRS.
Dwa kluczowe etapy tego procesu to wstępne przetwarzanie oryginalnych danych spektralnych NIR oraz wybór zmiennych wysokowymiarowych danych spektralnych NIR.
Ogólnie rzecz biorąc, niesystematyczna interferencja tła prowadzi do niesystematycznego odchylenia rozpraszania lub dryfu linii bazowej widma NIR. Właściwa metoda wstępnego ...

Spektroskopia w bliskiej podczerwieni (NIR) zyskała powszechną akceptację jako szybka, wydajna, nieniszcząca i bezemisyjna nowoczesna technologia analityczna; metoda ta była stosowana w ciągu ostatnich kilku lat do wykrywania i analizy jakości produktów oraz pomiaru składników chemicznych w procesach przemysłowych. Najistotniejszą cechą tej metody jest zdolność do rejestrowania widm próbek stałych i ciekłych bez żadnego przygotowania wstępnego, co sprawia, że NIRS jest szczególnie odpowiednia do bezpośredniego i szybkiego wykrywania oraz analizy produktów naturalnych i syntetycznych1,2. W przeciwieństwie do tradycyjnych czujników, które mierzą zmienne procesowe (np. temperaturę, ciśnienie, poziom cieczy itp.) w skali makroskopowej i nieuchronnie ulegają zakłóceniom zewnętrznym i tłu, NIRS wykrywa informacje strukturalne o składzie chemicznym w skali mikroskopowej i molekularnej. Dzięki temu kluczowe informacje mogą być mierzone dokładniej i skuteczniej niż za pomocą innych metod3,4.
Eter polifenylu, jako jeden z tworzyw inżynieryjnych, jest szeroko stosowany ze względu na swoją odporność termiczną, właściwości trudnopalne, izolacyjność, właściwości elektryczne, stabilność wymiarową, odporność na udary, odporność na pełzanie, wytrzymałość mechaniczną i inne właściwości5. Co ważniejsze, jest on nietoksyczny i nieszkodliwy w porównaniu z innymi tworzywami inżynieryjnymi. Obecnie 2,6-ksylenol jest jednym z podstawowych surowców do syntezy eteru polifenylenu, a zazwyczaj jest otrzymywany metodą katalitycznego alkilowania fenolu metanolem6. Głównymi produktami tej metody otrzymywania są o-krezol i 2,6-ksylenol. Po serii etapów separacji i ekstrakcji 2,6-ksylenol jest wykorzystywany do produkcji eteru polifenylenu. Jednak w 2,6-ksylenolu pozostają śladowe ilości o-krezolu. O-krezol nie bierze udziału w syntezie eteru polifenylenu i pozostaje w produkcie końcowym, co prowadzi do obniżenia jakości produktu lub nawet do niespełnienia norm jakościowych. Obecnie większość firm nadal analizuje skład złożonych mieszanin organicznych, takich jak produkty eteru polifenylu w fazie ciekłej zawierające zanieczyszczenia (np. o-krezol), za pomocą fizycznej lub chemicznej analizy separacyjnej, takiej jak chromatografia7,8. Zasadą separacji w chromatografii jest wykorzystanie niewielkich różnic w rozpuszczalności, analizie, adsorpcji, desorpcji lub innym powinowactwie składników mieszaniny względem fazy stacjonarnej i fazy ruchomej. Gdy obie fazy poruszają się względem siebie, składniki są wielokrotnie rozdzielane w obu fazach poprzez opisane procesy. W zależności od badanego obiektu, operacja separacji złożonego materiału trwa zazwyczaj od kilku do kilkudziesięciu minut. Można zatem zauważyć, że wydajność pomiaru jest niska.
Obecnie pomiar jakości produktu oraz zaawansowana technologia sterowania oparta na tej analizie dla nowoczesnego przemysłu chemicznego materiałów precyzyjnych stanowią kluczowy kierunek dalszej poprawy jakości produktów. W przemyśle procesowym produkcji polieterów polifenylowych pomiar w czasie rzeczywistym zawartości o-krezolu w produkcie polieteru polifenylenu ma ogromne znaczenie rozwojowe. Analiza chromatograficzna ewidentnie nie spełnia wymagań zaawansowanej technologii sterowania w zakresie pomiaru substancji i sprzężenia zwrotnego sygnału w czasie rzeczywistym. Dlatego proponujemy metodę regresji cząstkowych najmniejszych kwadratów (PLSR) w celu ustanowienia modelu liniowego między danymi NIRS a stężeniem o-krezolu, co pozwala na pomiar online zawartości o-krezolu w ciekłym produkcie polieteru polifenylenu na wylocie.
Wstępne przetwarzanie danych w spektroskopii NIRS odgrywa kluczową rolę przed zastosowaniem wielowymiarowego modelowania statystycznego. Liczby falowe NIRS w widmie bliskiej podczerwieni oraz rozmiary cząsteczek próbek biologicznych są porównywalne, co prowadzi do występowania nieoczekiwanych efektów rozproszenia wpływających na zarejestrowane widma próbek. Dzięki zastosowaniu odpowiednich metod wstępnego przetwarzania efekty te można w znacznym stopniu wyeliminować9. Najczęściej stosowane techniki wstępnego przetwarzania w NIRS klasyfikuje się jako metody korekcji rozproszenia oraz metody pochodnych widmowych. Pierwsza grupa metod obejmuje multiplikatywną korekcję rozproszenia (MSC), detrending, transformację standard normal variate (SNV) oraz normalizację. Metody pochodnych widmowych obejmują zastosowanie pierwszej i drugiej pochodnej.
Przed opracowaniem ilościowego modelu regresji ważne jest usunięcie niesystematycznych wariacji rozproszonych z danych NIRS, ponieważ mają one istotny wpływ na dokładność modelu predykcyjnego, jego złożoność oraz oszczędność. Wybór odpowiedniej metody wstępnego przetwarzania powinien zawsze zależeć od kolejnego etapu modelowania. W tym przypadku, jeśli zbiór danych widmowych NIR nie spełnia prawa Lamberta-Beera, inne czynniki mają tendencję do kompensowania nieidealnego zachowania predykcji dla przewidywanych komponentów. Wadą istnienia takich zbędnych czynników jest zwiększenie złożoności modelu, a najprawdopodobniej również zmniejszenie jego odporności. Zatem zastosowanie pochodnych widma oraz konwencjonalnej normalizacji danych widmowych stanowi niezbędną część tej metody.
Po wstępnym przetwarzaniu widm uzyskuje się dane NIRS o wysokim stosunku sygnału do szumu i niskich zakłóceniach tła. Nowoczesna analiza NIRS umożliwia szybką akwizycję dużych ilości danych o absorbancji w odpowiednim zakresie widmowym. Skład chemiczny próbki jest następnie przewidywany poprzez wyodrębnienie istotnych zmiennych z informacji zawartych w krzywej widmowej. Zazwyczaj NIRS łączy się z technikami analizy wielowymiarowej w celu przeprowadzenia analiz jakościowych lub ilościowych10. Wielowymiarowa regresja liniowa (MLR) jest powszechnie stosowana do opracowywania i badania zależności matematycznych między danymi a składnikami w procesach przemysłowych i znajduje szerokie zastosowanie w analizie NIRS.
Istnieją jednak dwa fundamentalne problemy podczas wdrażania regresji wieloliniowej (MLR) dla wstępnie przetworzonych danych NIRS. Pierwszym problemem jest redundancja zmiennych. Wysoka wymiarowość danych NIRS często sprawia, że prognozowanie zmiennej zależnej staje się niewiarygodne, ponieważ do modelu włączane są zmienne, które nie wykazują korelacji z komponentami. Te nadmiarowe zmienne obniżają efektywność informacyjną danych widmowych i wpływają na dokładność modelu. Aby wyeliminować redundancję zmiennych, niezbędne jest opracowanie i zmaksymalizowanie korelacji między danymi NIRS a prognozowanymi komponentami.
Kolejnym problemem jest kwestia współliniowości w danych NIRS. Jednym z ważnych założeń modeli regresji liniowej wielorakiej jest brak liniowej zależności między zmiennymi objaśniającymi modelu regresji. Jeśli taka zależność liniowa występuje, oznacza to obecność współliniowości w modelu regresji liniowej i naruszenie tego założenia. W regresjach liniowych wielorakich, takich jak regresja metodą najmniejszych kwadratów (OLSR), wielokrotne korelacje między zmiennymi wpływają na szacowanie parametrów, zwiększają błąd modelu oraz wpływają na jego stabilność. Aby wyeliminować korelację wieloliniową pomiędzy danymi widmowymi NIR, stosujemy metody selekcji zmiennych, które maksymalizują inherentną zmienność próbek.
W niniejszej pracy proponujemy zastosowanie metody PLSR, która stanowi uogólnienie wielokrotnej regresji liniowej i jest szeroko wykorzystywana w dziedzinie NIRS11,12. Metoda PLSR integruje podstawowe funkcje MLR, analizy korelacji kanonicznej (CCA) oraz analizy głównych składowych (PCA), łącząc analizę prognostyczną z analizą konotacyjną danych bezmodelowych. PLSR można podzielić na dwie części. W pierwszej części, za pomocą analizy częściowych najmniejszych kwadratów (PLS), wybierane są składowe zmiennych charakterystycznych oraz składowe przewidywane. PLS maksymalizuje wewnętrzną zmienność głównych składowych poprzez dążenie do uzyskania jak największej kowariancji między głównymi składowymi a składowymi przewidywanymi podczas ekstrakcji głównych składowych. Następnie dla wybranych głównych składowych tworzony jest model OLSR dla stężenia o-kresolu. PLSR nadaje się do analizy danych zaszumionych z licznymi zmiennymi niezależnymi, które wykazują silną kolinearność i wysoką korelację, a także do jednoczesnego modelowania kilku zmiennych odpowiedzi. Ponadto PLSR pozwala na ekstrakcję istotnych informacji ze widm próbek, rozwiązuje problem współliniowości oraz charakteryzuje się wysoką stabilnością i dużą dokładnością przewidywań13,14.
Poniższy protokół opisuje proces wykorzystania modelu PLSR do pomiaru stężenia o-krezolu z wykorzystaniem danych spektralnych NIR. Niezawodność i dokładność modelu są oceniane ilościowo przy użyciu współczynnika determinacji (<img alt="Wzór statystyczny R², wykres analizy wydajności, korelacja danych, analiza regresji." src="/files/ftp_upload/59077/59077eq1.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 1">), współczynnika korelacji predykcji (<img alt="Schemat równowagi statycznej ΣFx=0; analiza równowagi mechanicznej; badanie stabilności strukturalnej" src="/files/ftp_upload/59077/59077eq2.jpg" data-altupdatedat="1788250015000" data-alt="Równanie 2">) oraz średnio kwadratowego błędu predykcji walidacji krzyżowej (MSPECV). Ponadto, aby intuicyjnie przedstawić zalety metody PLSR, wskaźniki oceny zostały zwizualizowane na kilku wykresach w ramach analizy jakościowej. Na koniec, wskaźniki oceny eksperymentu zostają przedstawione w formie tabeli, aby ilościowo zilustrować niezawodność i precyzję modelu PLSR.

<table><tbody><tr><td>Wielofunkcyjny analizator FT-NIR MPA II Sondy</td> światłowodowe <td>Bruker</td><td>1</td><td></td></tr><tr><td>(faza ciekła)</td><td>Analizator</td> chromatografii cieczowej Bruker <td>1</td><td></td></tr><tr><td>&nbsp;</td><td>/</td><td>1</td><td></td></tr><tr><td>Sprzęt i materiały laboratoryjne (np. probówka itp.)</td><td>/</td><td></td><td></td></tr><tr><td>MATLAB</td><td>MathWork</td><td>1</td><td></td></tr><tr><td>OPUS</td><td>Bruker</td><td>1</td><td></td></tr><tr><td>Główny komputer</td><td>DELL</td><td>1</td><td></td></tr><tr><td>Unscrambler</td><td>CAMO</td><td>1</td><td></td></tr></tbody></table>

pomiar stężenia o-krezolu online w oparciu o spektroskopię bliskiej podczerwieni za pomocą częściowej regresji metodą najmniejszych kwadratów

O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression

W przeciwieństwie do makroskopowych zmiennych procesowych, spektroskopia bliskiej podczerwieni dostarcza informacji o procesie na poziomie molekularnym i może znacznie poprawić przewidywanie składników w procesach przemysłowych. Możliwość rejestrowania widm dla próbek stałych i ciekłych bez żadnej obróbki wstępnej jest korzystna, a metoda ta jest szeroko stosowana. Jednak wady analizy wielowymiarowych danych spektralnych w bliskiej podczerwieni obejmują nadmiarowość informacji i wieloliniowość danych spektralnych. W związku z tym proponujemy użycie metody częściowej regresji metodą najmniejszych kwadratów, która jest tradycyjnie stosowana w celu zmniejszenia wymiarowości danych i wyeliminowania współliniowości między oryginalnymi cechami. Wdrażamy metodę przewidywania stężenia o-krezolu podczas produkcji eteru polifenylenowego. Proponowane podejście oferuje następujące zalety w porównaniu z metodami przewidywania regresji składowej: 1) częściowa regresja metodą najmniejszych kwadratów rozwiązuje problem wieloliniowości zmiennych niezależnych i skutecznie zapobiega nadmiernemu dopasowaniu, które występuje w analizie regresji ze względu na wysoką korelację między zmiennymi niezależnymi; 2) Wykorzystanie widm bliskiej podczerwieni skutkuje wysoką dokładnością, ponieważ jest to nieniszcząca i niezanieczyszczająca metoda uzyskiwania informacji w skali mikroskopowej i molekularnej.

Przewidywana wartość zanieczyszczenia o-krezolem w produktach polifenyloeterowych jest uzyskiwana za pomocą spektroskopii bliskiej podczerwieni opartej na PLSR. Rycina 2 oraz Rycina 3 przedstawiają odpowiednio wiarygodność metody na etapie wyboru cech, na podstawie krzywej współczynnika determinacji oraz procentowej interpretacji błędu rosnącej wraz z liczbą głównych składowych.
W szczególności ...

Protokół opisuje metodę przewidywania stężenia o-krezolu podczas produkcji eteru polifenylenowego za pomocą spektroskopii bliskiej podczerwieni i częściowej regresji metodą najmniejszych kwadratów. Aby jaśniej i pełniej opisać ten proces, w celu wyjaśnienia etapów posłużono się przykładem przewidywania stężenia o-krezolu podczas produkcji polifenylenu.

Pomiar stężenia O-krezolu online w oparciu o spektroskopię bliskiej podczerwieni za pomocą częściowej regresji metodą najmniejszych kwadratów

Unlike macroscopic process variables, near-infrared spectroscopy provides process information at the molecular level and can significantly improve the ...

Znaczenie tego eksperymentalnego manuskryptu leży w zastosowaniach spektroskopii w bliskiej podczerwieni i algorytmów eksploracji danych do monitorowania online rzeczywistego przemysłu procesowego. Największe zalety tej technologii tkwią w jej szybkości. Nieniszcząca właściwość technologii detekcji w bliskiej podczerwieni i praktyka algorytmu cząstkowych najmniejszych kwadratów (PLS).Aby rozpocząć, podłącz spektrometr zgodnie z opisem w protokole tekstowym. Do ustawienia parametrów pomiaru służy oprogramowanie OPUS. Przejdź do menu Miara i wybierz polecenie Pomiar zaawansowany.W wyświetlonym oknie dialogowym zdefiniuj parametry pomiaru na różnych zakładkach. Aby zapisać plik eksperymentu, kliknij kartę Zaawansowane. Zdefiniuj rozdzielczość jako cztery odwrotne centymetry.Zdefiniuj liczbę skanowań jako 16 skanów w przykładowych polach czasu skanowania w tle. Zdefiniuj ścieżkę, aby automatycznie przechowywać dane pomiarowe od 4 000 centymetrów odwrotnych do 12 500 centymetrów odwrotnych. Określ typ danych dla widma wyników jako absorbancję i zapisz plik eksperymentu.Teraz kliknij kartę Optyka. Kliknij listę rozwijaną ustawień przysłony i wybierz tę samą wartość, która została użyta do uzyskania widma próbki. Następnie kliknij kartę Podstawowe.Kliknij przycisk Background Single Channel (Jednokanałowe tło) i umieść próbkę w ścieżce optycznej spektrometru, aby zmierzyć widmo próbki. Zdefiniuj opis próbki i formularz próbki w odpowiednim polu wejściowym. Informacje te są przechowywane razem ze spektrum.Teraz kliknij przycisk Sample Single Channel, aby rozpocząć pomiar online. Zapisz widmo NIR każdego skanowania jako plik OPUS. Użyj oprogramowania OPUS, aby odczytać oryginalny zestaw spektralny.W menu Plik kliknij polecenie Załaduj plik. W wyświetlonym oknie dialogowym wybierz konkretny plik widma. Kliknij przycisk Otwórz.Widmo jest wyświetlane w oknie widma. Z włączoną funkcją wstępnego przetwarzania spektralnego, uzyskaj zestaw danych spektralnych wstępnie przetworzony z pochodną pierwszego rzędu. Najpierw otwórz Unscrambler, który jest wielowymiarowym oprogramowaniem do analizy danych i projektowania eksperymentalnego.Następnie wybierz polecenie Importuj w obszarze Plik. Zaimportuj plik OPUS jako oryginalny zestaw danych spektralnych NIR. Wybierz polecenie Przekształć w obszarze Modyfikuj.Następnie wybierz pochodne Savitzky'ego-Golaya w obszarze Pochodne. Zdefiniuj próbki i zmienne jako wszystkie próbki i wszystkie zmienne w zakresie. Zdefiniuj również liczbę punktów wygładzania jako 13, a pochodną jako pierwszą pochodną w Parametrach.Kliknij przycisk OK, aby uruchomić pochodną. Wykonaj normalizację wektorów na widmach próbki, aby znormalizować wartość absorbancji. Wybierz polecenie normalizacji w obszarze Modyfikuj.Zdefiniuj próbki i zmienne jako wszystkie próbki i wszystkie zmienne w zakresie. Wybierz normalizację wektora w typie. Kliknij przycisk OK, aby przeprowadzić normalizację wektorów.Aby wybrać odpowiednią liczbę głównych komponentów, otwórz MATLAB i zaimportuj plik MAT zawierający wstępnie przetworzone dane spektralne w bliskiej podczerwieni, przeciągając plik MAT do przestrzeni roboczej. Otwórz zaprogramowany plik M w edytorze. Kliknij Otwórz w opcji Edytor, wybierz skompilowany plik M w katalogu przechowywania plików, a następnie kliknij Potwierdź.Praca w MATLAB, aby wyodrębnić 15 głównych składników zgodnie z celem optymalizacji i modelem OLSR między wyodrębnionymi głównymi składnikami a przewidywanymi wartościami stężenia O-krezolu. Określ wartości R-kwadrat i trend wraz ze wzrostem liczby głównych składników. Wybierz 10 jako odpowiednią liczbę głównych składników z wartością R-kwadrat równą 0,9917.Aby zweryfikować dobre dopasowanie i dokładność modelu PLSR, powtórz proces modelowania z 10 głównymi komponentami. Oceń model na podstawie 10-krotnej walidacji krzyżowej przy użyciu wykresów wariancji procentowej wyjaśnionej w danych spektralnych NIR, reszt i średniego kwadratowego błędu przewidywania walidacji krzyżowej lub MSPECV. Wykreślone tutaj są resztki, które odnoszą się do różnicy między wartością odniesienia zawartości O-krezolu a oszacowaniem modelu PLSR.Wykreślone dane pokazują, że PLSR do pomiaru zawartości O-krezolu na podstawie danych spektralnych NIR ma wysoką dokładność. Błąd średniokwadratowy walidacji krzyżowej jest miarą stopnia różnicy między zawartością O-krezolu referencyjnego a przewidywaną. Im mniejsza wartość, tym lepsza dokładność modelu predykcyjnego opisującego zawartość O-krezolu.Średni kwadratowy błąd przewidywania walidacji krzyżowej dla pomiaru stężenia O-krezolu na podstawie PLSR zmniejsza się wraz ze wzrostem liczby głównych składników. Błąd osiąga akceptowalne minimum przy 10 głównych składnikach. Dowodzi to, że PLSR zapewnia wysoką stabilność pomiaru stężenia O-krezolu za pomocą NIRS.Podczas wykonywania tej procedury najważniejszym krokiem jest dokładne uzyskanie wartości referencyjnych kompozycji, ponieważ jest to podstawa do całego wstępnego przetwarzania i modelowania wykonywanego na późniejszym etapie. Oprócz PLS w tej procedurze można również wykorzystać niektóre popularne obecnie algorytmy uczenia maszynowego, takie jak głębokie uczenie i drzewo decyzyjne. W połączeniu z technologią detekcji NIRS uważamy, że proponowana eksploracja danych jest znaczącym szablonem do zastosowania w procesie automatyki przemysłowej do inteligentnej transformacji we współczesnym przemyśle.

o-cresol-concentration-online-measurement-based-on-near-infrared

Research

JoVE Journal

Engineering

Inżynieria

MazeSuite to kompletny zestaw narzędzi do przygotowywania, przeprowadzania i analizowania eksperymentów nawigacyjnych i przestrzennych. Funkcjonalna spektroskopia bliskiej podczerwieni (fNIR) jest optyczną techniką obrazowania mózgu, która umożliwia nieinwazyjne i przenośne monitorowanie zmian w utlenowaniu krwi mózgowej. Niniejszy artykuł podsumowuje wspólne zastosowanie MazeSuite i fNIR w paradygmacie uczenia się procesów poznawczych.

Wykorzystanie MazeSuite i funkcjonalnej spektroskopii bliskiej podczerwieni do badania uczenia się w nawigacji przestrzennej

Krzyżowo sprzężone fluorofory krzyżowe oparte na jądrach 1,4-distyryl-2,5-bis(arylethynylo)benzenu i benzobisoksazolu mogą być używane do jakościowej identyfikacji różnych analitów Lewisa kwasowych i zasadowych Lewisa. Metoda ta opiera się na różnicach w kolorach emisyjnych krzyży, które obserwuje się po dodaniu analitu. Strukturalnie blisko spokrewnione gatunki można odróżnić od siebie.

Identyfikacja jakościowa kwasów karboksylowych, kwasów boronowych i amin przy użyciu fluoroforów krzyżowych

Przedstawiono protokół analizy spektroelektrochemicznej Ramana i IR krok po kroku.

Metody spektroelektrochemiczne Ramana i IR jako narzędzia do analizy sprzężonych związków organicznych

Tutaj prezentujemy protokół do wykonywania czułej, przestrzennie rozdzielczej spektroskopii gazów w obszarze średniej podczerwieni, wykorzystując zdegenerowane mieszanie czterofalowe w połączeniu z detekcją konwersji w górę.

Czterofalowe mieszanie zdegenerowane w podczerwieni z detekcją konwersji w górę do ilościowego wykrywania gazów

Tutaj prezentujemy protokół zbierania konfokalnych widm Ramana od ludzi w badaniach klinicznych w połączeniu z metodami chemometrycznymi do usuwania widmowych wartości odstających i późniejszej ekstrakcji kluczowych cech.

Rozpoznawanie wody, białek i lipidów z konfokalnych widm ramanowskich warstwy rogowej naskórka in vivo za pomocą podejścia chemometrycznego

Opisano szczegóły generowania i optymalizacji sygnału, pomiaru, akwizycji danych i obsługi danych dla femtosekundowego, czasowo rozdzielczego, stymulowanego spektrometrem Ramana w bliskiej podczerwieni. Jako reprezentatywne zastosowanie pokazano badanie Ramana stymulowane bliską podczerwienią dynamiki stanu wzbudzonego β-karotenu w toluenie.

Ultraszybkie, czasowo-rozdzielcze, stymulowane bliską podczerwienią pomiary ramanowskie funkcjonalnych układów π-sprzężonych

Tutaj prezentujemy metodę obserwacji oddziaływań roztworu między kwasami Lewisa i zasadami, wykorzystując spektroskopię w podczerwieni in situ jako detektor do miareczkowania w syntetycznie istotnych warunkach. Badając interakcje roztworu, metoda ta stanowi uzupełnienie krystalografii rentgenowskiej i stanowi alternatywę dla spektroskopii NMR.

Charakterystyka par Lewisa za pomocą miareczkowania sprzężonego ze spektroskopią w podczerwieni in situ

Próbki biologiczne mają różne cechy optyczne w zakresie krótkofalowej podczerwieni (SWIR) w porównaniu do zakresu długości fal widzialnych (VIS) i bliskiej podczerwieni (NIR). Jednak rejestrowanie czystych widm absorpcyjnych SWIR jest trudne i rzadko przeprowadzane w przypadku cząsteczek biologicznych. W artykule przedstawiono metodę charakterystyki widm absorpcyjnych VIS-SWIR absorberów biologicznych.

Charakterystyka biologicznych widm absorpcyjnych obejmujących zakres od światła widzialnego do krótkofalowej podczerwieni

Kluczowe etapy funkcjonowania białka, w szczególności zmiany konformacyjne szkieletu i reakcje transferu protonów, często odbywają się w skali od mikrosekund do milisekund. Te dynamiczne procesy można badać za pomocą spektroskopii w podczerwieni z transformacją Fouriera ze skanowaniem czasowo-rozdzielczym, w szczególności w przypadku białek, których funkcja jest wyzwalana przez światło.

Transfer protonów i dynamika konformacji białek w białkach światłoczułych za pomocą spektroskopii w podczerwieni z transformacją Fouriera ze skanowaniem czasowym i transformacją Fouriera

Opisujemy generowanie promieniowania dalekiej podczerwieni za pomocą optycznie pompowanego lasera molekularnego wraz z pomiarem ich częstotliwości za pomocą technik heterodynowych. System i techniki eksperymentalne zademonstrowano przy użyciu difluorometanu (CH, 2F2) jako ośrodka laserowego, czego wyniki obejmują trzy nowe emisje laserowe i osiem zmierzonych częstotliwości laserowych.

Charakterystyka emisji laserowych w dalekiej podczerwieni i pomiar ich częstotliwości

Poznaj metodę pomiaru stężenia O-krezolu w czasie rzeczywistym przy użyciu spektroskopii bliskiej podczerwieni i regresji PLS. Technika ta umożliwia szybką, nieniszczącą analizę w przemyśle procesowym.

Pomiar stężenia O-krezolu online w oparciu o spektroskopię bliskiej podczerwieni za pomocą częściowej regresji metodą najmniejszych kwadratów (Wideo) | JoVE Journal

Pomiar stężenia O-krezolu online w oparciu o spektroskopię bliskiej podczerwieni za pomocą częściowej regresji metodą najmniejszych kwadratów

Przeglądaj więcej filmów