机器学习方法超越了比尔-兰伯特定律的局限性

科学领域:

• 分析化学 分析化学
• 计算化学的计算化学
• 频谱学是一种光谱学.

背景情况:

• 精确的化学度测量对于科学和工业应用至关重要.
• 像比尔-兰伯特定律这样的现有方法有局限性,特别是在分子相互作用和专业知识要求方面.

研究的目的:

• 开发和验证一种使用图像分析和机器学习估计化学度的新方法.
• 证明该模型能够克服贝尔-兰伯特定律的局限性,并减少对专业分析师培训的需求.

主要方法:

• 开发了一种机器学习模型,特别是回归 (带L2调节的线性回归).
• 该模型在二酸盐 (K2Cr2O7) 溶液的图像上进行了训练,随后进行了测试.
• 模型的性能被使用诸如平均绝对误差 (MAE),平均平方误差 (MSE) 和根平均平方误差 (RMSE) 等指标来评估.

主要成果:

• 该模型实现了K2Cr2O7度的高预测精度,MAE,MSE和RMSE值分别为1.4 × 10−5,3.4 × 10−10和1.0 × 10−5.
• 该模型成功预测了 permanganate (KMnO4) 的度,证明了它的多功能性.
• 在210张测试图像中,在实际和预测度之间观察到强烈的相关性.

结论:

• 将机器学习与图像分析相结合,为量化化学度提供了一个准确且易于使用的方法.
• 这种基于色彩强度的方法超越了酒-兰伯特定律的限制,提供了更广泛的适用性.
• 开发的模型通过尽量减少对广泛专业知识和培训的需求来民主化化学分析.