机器学习驱动的光学微过装置,用于改善水系统中纳米塑料采样和检测

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:

• 水生环境中的纳米塑料对生态和健康构成重大风险.
• 目前的纳米塑料检测方法往往是缓慢的,劳动密集型,缺乏灵敏度.
• 挑战包括纳米塑料的大小,复杂的化学成分和环境干扰.

研究的目的:

• 开发一种新,高效和敏感的方法来捕获和识别水中的纳米塑料.
• 将微流体与机器学习辅助的拉曼光谱学集成在一起,以改进纳米塑料分析.
• 解决传统纳米塑料检测技术的局限性.

主要方法:

• 一种基于阿加的微流体装置,配有微柱阵列,用于纳米塑料的双过和预缩.
• 干燥糖基质形成透明膜,以提高拉曼光谱的兼容性.
• 卷积神经网络 (CNN) 的应用,用于加速光谱分析和识别.
• 在蒸水和海水中使用100nm聚乙烯纳米粒子 (PSNPs) 进行各种度和流速的测试.

主要成果:

• 该设备实现了高纳米塑料捕获效率:在海水中高达80%,在蒸水中高达66%,流量为2.5μL/分钟.
• 集成的CNN将光谱映射时间缩短了50%,并使PSNP在海水中低度 (6.25μg/mL) 的检测成为可能.
• 脱水的阿加罗斯薄膜最大限度地减少了背景干扰,提高了拉曼信号的清晰度和灵敏度.

结论:

• 基于阿加的微过系统为纳米塑料采样和分析提供了可扩展,具有成本效益的解决方案.
• 将微流体与机器学习辅助的拉曼光谱学相结合,显著提高了纳米塑料检测能力.
• 这种方法有望解决与纳米塑料污染有关的关键环境监测和公共卫生挑战.