通过机器学习辅助的拉曼光谱仪在PVC物品中的塑化剂的非破坏性检测和识别
Marwa Saad1, Sonia Bujok2, Krzysztof Kruczała1
1Faculty of Chemistry, Jagiellonian University in Krakow, Gronostajowa 2, 30 - 387 Kraków, Poland.
概括
拉曼光谱与机器学习 (ML) 结合,提供了一种快速,非破坏性的方法,用于识别聚乙烯 (PVC) 遗产物品中的塑化剂. 机器学习模型实现了高精度,使得保存者能够快速识别材料.
科学领域:
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
- 遗产科学科学 遗产科学
背景情况:
- 聚乙烯 (PVC) 是一种在文化遗产物品中常见的聚合物.
- 鉴定老化PVC中的增塑剂对于保存至关重要,但往往具有挑战性.
- 对于遗产材料来说,非破坏性分析技术是非常理想的.
研究的目的:
- 评估振动光谱学,特别是拉曼光谱学,加上机器学习 (ML) 以快速识别PVC中的可塑剂.
- 评估各种ML算法的性能,在PVC样本中对常见的塑化剂进行分类.
- 探索这种综合方法在遗产保护中的实际应用中的潜力.
主要方法:
- 拉曼光谱是从含有不同可塑剂的PVC样本中获得的.
- 使用了机器学习算法,包括卷积神经网络 (CNN),随机森林 (RF),支持矢量机器 (SVM) 和线性差异分析 (LDA).
- ML模型经过训练和验证,用于塑化剂的分类和识别.
主要成果:
- 该研究成功地证明了使用拉曼光谱和ML用于塑化剂识别的可行性.
- 卷积神经网络 (CNN) 模型实现了98%的分类准确性.
- 随机森林 (RF) 算法产生了最高的准确性,可达到100%的塑化剂识别.
结论:
- 将拉曼光谱与ML结合起来,为识别PVC遗产物品中的塑化剂提供了一种强大,快速和非破坏性的方法.
- 这种方法为博物馆馆长和博物馆专业人士提供了经济有效的解决方案.
- 开发的工具可以大大帮助材料分析和文化遗产收藏的保存.
