机器学习驱动的农药混合物的痕迹检测使用酸盐优化Au纳米颗粒基于便宜的高效微滴SERS与便携式光谱仪

科学领域:

• 分析化学 分析化学
• 材料科学 材料科学 材料科学
• 频谱学是一种光谱学.

背景情况:

• 对表面增强拉曼散射 (SERS) 光谱的机器学习 (ML) 分析显示了用于识别分析物混合物的前景.
• 需要有效的SERS技术来生成跨多样样样本矩阵和实验条件的光谱数据集.
• 开发一种具有成本效益和简单的SERS方法对于广泛采用至关重要,特别是在便携式光谱仪中.

研究的目的:

• 开发一种具有成本效益,简单的SERS样品准备技术,使用酸盐优化的金纳米粒子 (GNP).
• 调查三酸盐 (TSC) 度对GNP特征和SERS信号增强的影响.
• 为了证明这种SERS技术的应用,加上ML用于识别农药混合物和度.

主要方法:

• 优化金纳米粒子 (GNP) 合成使用三酸盐 (TSC) 增强SERS信号.
• SERS强度与GNP度 (由Mie理论预测) 和分析物吸附的相关性.
• 拉斯特扫描测量,以提高信号可复制性.
• 无监督和监督的ML方法 (包括PCA) 的应用,用于农药的光谱分类和度识别.
• 使用数据增强,规范化和特征选择来分析ML模型性能.

主要成果:

• 优化的TSC度产生了聚合的GNP与显著的SERS信号增强.
• 获得的检测极限为大约250nM和1.25μM,用于甜菜汁中的蒂拉姆和素,以及在水中的5-50nM.
• 具有优化参数的ML模型实现了农药混合物的分类准确率超过97%.
• 主要成分分析有效地确定了单一和二元农药混合物的度.

结论:

• 开发的SERS技术具有成本效益,易于使用,适合生成广泛的光谱数据集.
• 该方法利用来自聚合GNP的3D热点来进行敏感的分析物检测.
• 这种方法促进了复杂混合物的快速,低成本,机器学习驱动的分析,适合初学者和定制应用.