在水样中检测多环芳 (PAH) 污染物的多重SERS检测,使用金纳米星和机器学习分析

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 纳米技术纳米技术

背景情况:

• 多环芳 (PAHs) 由于其致癌性和致变性,造成重大环境和健康风险.
• 多聚氨酸很容易污染自然水源,需要敏感和准确的检测方法.
• 目前的检测方法可能缺乏现实环境监测所需的灵敏度,速度或现场适用性.

研究的目的:

• 开发一种简单的,灵敏的,在护理点表面增强的拉曼散射 (SERS) 方法,用于检测饮用水和河水中的PAHs.
• 整合机器学习算法,以精确准确地预测复杂环境样本中的PAH含量.
• 为长期环境监测应用创建一个稳定可重复的SERS平台.

主要方法:

• 合成多分支,尖,没有表面活性剂的金纳米恒星 (GNSs) 来增强SERS信号.
• 用 cetyltrimethylammonium bromide (CTAB) 涂覆 GNS,以提供稳定性和捕获PAH.
• 使用便携式拉曼模块,基于溶液的"混合和检测"SERS检测各种PAHs (皮伦,-皮伦,烯,[a]皮伦,三烯).
• 使用卷积神经网络 (CNN) 机器学习模型对SERS数据进行分类和回归的分析.

主要成果:

• 在纳米分子范围内实现了针对PAH的非常低的检测极限 (LOD).
• 在超过90天的时间里,SERS信号的高可重现性得到了证明.
• 美国有线电视新闻网的分类模型实现了90%的预测准确度和94%的PAH歧视f1得分.
• 在CNN回归模型中,RMSE_conc值为1.07 × 10^-1μM,表明了准确的度预测.

结论:

• 开发的SERS平台与CTAB覆盖的GNS提供了一种敏感,选择性和实用的方法,用于在现实水样中检测PAH.
• 整合AI/CNN模型显著提高了PAH识别和量化准确度和精度.
• 这种方法为环境监测和保证水质提供了一个有前途的需要点诊断工具.