提高第一响应者法医能力:利用便携式近红外光谱和机器学习在现场检测和量化爆炸前体

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 欧盟法规2019/1148规定对爆炸物前体进行严格控制.
• 应急人员在识别危险物质的不同度和成分方面面临着挑战.
• 现场检测方法对于快速评估威胁和公共安全至关重要.

研究的目的:

• 评估便携式近红外 (NIR) 光谱学与机器学习相结合的有效性,用于检测和量化关键爆炸前体.
• 为过氧化,甲和酸开发强大的定量和定性模型.
• 评估基于云的系统在现场条件下实时分析和模型更新的实用性.

主要方法:

• 使用便携式近红外 (NIR) 光谱仪进行化学分析.
• 开发并应用先进的机器学习算法来解释数据和创建模型.
• 集成的云操作系统,用于实时数据处理和不断改进模型.
• 使用各种样本矩阵和度的验证模型.

主要成果:

• 获得了定量模型的高预测精度:过氧化的RMSEP为0.96%,甲为2.46%,酸为0.70%.
• 开发了高效的定性模型,最小的假阳性和假阴性.
• 通过机器学习证明成功地将模型适应到复杂的前体配方.
• 展示了云系统对实时分析和数据更新的好处.

结论:

• 整合NIR光谱,机器学习和云系统为现场探测和量化爆炸前体提供了强大的解决方案.
• 这种方法可以在几秒钟内快速,可靠和准确地识别危险材料.
• 开发的框架具有显著的潜力,可以增强第一响应者和安全人员的现场检测能力.