多维差分光谱和深度学习的协同集成,用于复杂的工业废水中强大的醇监测
Junru Zhang1, Ying Chen1, Junfei Liu1
1Hebei Province Key Laboratory of Test/Measurement Technology and Instrument, School of Electrical Engineering, YanShan University, QinHuangDao, Hebei, 066004, China.
这项研究引入了一种新的方法,用于检测废水中的,使用化和一种新的并行关联神经网络 (PSNN). 这种方法显著提高了实时水质监测的准确性.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 是工业废水中的有毒污染物,需要精确的实时监测.
- 现有的检测方法,如化学传感器和染色学,在准确性,响应时间和现场应用方面存在局限性.
- 复杂的水样中的光谱干扰和不稳定性阻碍了UV-Vis光谱学.
研究的目的:
- 开发一种高度选择性和敏感的智能系统,用于在线监测水质.
- 克服目前工业废水中的检测方法的局限性.
- 为智能水质监测系统提供一个强大的框架.
主要方法:
- 利用的特定化来实现化学选择性并消除光谱特征.
- 开发了一种定制的双通道,可变路径系统,以捕获3D差异光谱矩阵.
- 为数据分析创建了一个新的并行关联神经网络 (PSNN),其性能优于标准的CNN模型.
主要成果:
- 与1D光谱相比,3D数据方法减少了45.4%的平均绝对误差 (MAE).
- 与标准CNN相比,PSNN模型实现了额外的66.7%的MAE减少.
- 综合3D+PSNN策略在实验室测试中实现了72.09μg/L的预测误差,在现场测试中达到172.9μg/L的预测误差.
结论:
- 综合战略为选择性和敏感的在线水质监测提供了一个强大的框架.
- 该系统通过温度控制和现场测试在复杂环境中证明了实用性和稳定性.
- 这种新的方法提高了实时检测工业废水中有毒污染物的能力.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
09:51TD-DFT Guided Advanced E-Eye Sensing Technique for On-site Quantification of Fe, Cr, F, and As in the Environmental, Biological, and Food Samples
Published on: September 19, 2025
相关概念视频
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
Applications of IR Spectroscopy: Overview
High-Performance Liquid Chromatography: Types of Detectors
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
