通过TGA-FTIR对微塑料进行自动化机器学习驱动的分析,以加强识别和量化

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 材料科学 材料科学 材料科学

背景情况:

• 微塑料是广泛存在的环境污染物,需要有效的量化和识别方法.
• 热重力测量分析与富里埃变换红外光谱 (TGA-FTIR) 结合,是分析微塑料的强大技术.
• 目前用于微塑料分析的TGA-FTIR应用程序由于数据解释方面的挑战而未得到充分利用.

研究的目的:

• 开发自动化数据分析程序,从TGA-FTIR数据中识别塑料组件.
• 通过整合机器学习分类技术来增强微塑料的识别.
• 为了实现微塑料含量的简化定性和半定量评估.

主要方法:

• 为高分子的气相FTIR光谱创建一个专门的光谱库.
• 开发一个定制的光谱匹配算法用于聚合物识别.
• 使用合成数据集,应用和评估机器学习分类器 (k-最近邻居,随机森林,支持矢量分类器,多层感知器).
• 识别的聚合物类型与热重力测量分析中的质量损失数据的相关性.

主要成果:

• 机器学习技术证明了塑料聚合物的精确和明确的识别.
• 开发的方法成功地从复杂的TGA-FTIR数据集中识别了聚合物.
• 机器学习分类器的集成优于定制的光谱匹配算法.
• 该方法提供了微塑料的定性识别和半定量分析.

结论:

• 自动化数据分析程序,特别是那些采用机器学习的程序,从TGA-FTIR数据中显著改善了微塑料的识别.
• 这种方法提供了一种简化和有效的方法来评估环境样本中的微塑料成分和数量.
• 开发的技术增强了TGA-FTIR在微塑料研究和环境监测方面的实用性.