یک زیست حسگر الکتروشیمیایی هوشمند مبتنی بر روش های یادگیری ماشین بهینه برای اندازه گیری آلودگی نیترات در آب

در دو دهه گذشته، زیست حسگرهای آنزیمی فراوانی برای تشخیص اختصاصی و انتخابی نیترات معرفی شده اند. این زیست حسگرها عموما از واکنش اکسایش-کاهش نیترات به نیتریت برای اندازه گیری نیترات بهره می گیرند. از آنجا که فعالیت آنزیم مورد استفاده در ساختار زیست حسگر با گذشت زمان کاهش می یابد، کاربر زیست حسگر باید آنزیم تثبیت شده روی الکترود کار را به طور مکرر جایگزین کند، که هزینه های تشخیص را افزایش می­دهد و قابلیت تجاری سازی آن­ها را محدود می کند. در این مطالعه، از شبکه های عصبی مصنوعی برای پیش بینی غلظت نیترات در نمونه ها با در نظر گرفتن داده های الکتروشیمیایی و کاهش فعالیت آنزیم در طول زمان استفاده شد. الگوریتم شاهین هریس به عنوان روش بهینه سازی فراابتکاری برای بهینه سازی پارامترهای وزن و بایاس شبکه های عصبی مصنوعی به­ کاررفته در واحد تصمیم گیری زیست حسگر استفاده شد. نتایج بررسی­ ها نشان داد که الگوریتم یادگیری بهینه شده منجر به پیش بینی امیدوارکننده غلظت نیترات در سطح میکرومولار با ضریب تبیین ۹۵/۰ شد. علاوه بر این، زیست حسگر معرفی شده توانایی استفاده تا ۳۰ روز پس از تثبیت آنزیم را دارد. مقایسه میان یافته های این مطالعه و مطالعات قبلی که از ماشین های بردار پشتیبان و سیستم های استنتاج فازی استفاده می کردند، نشان داد که شبکه های بهینه سازی شده با تکنیک های جدید فراابتکاری می توانند نتایج پیش بینی قابل اعتمادی تری ارائه دهند.

کلیدواژه ها:

آنزیم ، الگوریتم شاهین هریس ، داده های الکتروشیمیایی ، هوش جمعیتی