ترکیب طیف سنجی نزدیک به ماده آنلاین با کیمومتریکس و مدل های یادگیری ماشین برای استخراج ویژگی و تصحیح اثرات ماتریس در اندازه گیری غلظت اوره و آب

طیف سنجی نزدیک به ماده (NIR) به عنوان یک روش غیرمخرب، سریع و مناسب برای پایش آنلاین، به طور گسترده در اندازه گیری ترکیبات شیمیایی در فرآیندهای صنعتی مورد استفاده قرار گرفته است. با این حال، در بسیاری از کاربردهای واقعی، به ویژه در سیستم های چندجزئی مانند مخلوط های اوره با آب، اثرات ماتریس شامل پراکندگی نوری، هم پوشانی باندهای جذب و تغییرات فیزیکی نمونه، موجب کاهش دقت و پایداری مدل های مبتنی بر داده های طیفی می شوند. این مسئله استفاده صنعتی از NIR را بدون به کارگیری روش های پیشرفته تحلیل داده با چالش جدی مواجه می سازد. در این پژوهش، یک چارچوب ترکیبی برای اندازه گیری آنلاین غلظت اوره و آب ارائه می شود که در آن طیف سنجی NIR با روش های کیمومتریک و مدل های یادگیری ماشین تلفیق شده است. در گام نخست، داده های طیفی با استفاده از تکنیک های پیش پردازش نظیر تصحیح پراکندگی چندگانه، نرمال سازی و مشتق گیری، به منظور کاهش اثرات ماتریس و حذف نویزهای ناخواسته اصلاح می شوند. سپس، روش های کیمومتریک چندمتغیره برای استخراج ویژگی های موثر و کاهش ابعاد داده به کار گرفته می شوند تا اطلاعات طیفی مرتبط با تغییرات غلظت اوره و آب به صورت هدفمند برجسته سازی شود. مدل های مختلف یادگیری ماشین به منظور مدل سازی روابط غیرخطی میان ویژگی های استخراج شده و مقادیر واقعی غلظت توسعه داده می شوند. عملکرد این مدل ها از نظر دقت پیش بینی، پایداری در برابر تغییرات ماتریسی و قابلیت تعمیم در شرایط عملیاتی مختلف مورد ارزیابی قرار می گیرد. نتایج نشان می دهد که استفاده هم زمان از پیش پردازش کیمومتریک و مدل های یادگیری ماشین به طور معناداری خطای پیش بینی را کاهش داده و نسبت به روش های کلاسیک خطی، دقت و مقاومت بالاتری در برابر اثرات ماتریس فراهم می کند. چارچوب پیشنهادی، علاوه بر بهبود دقت تحلیلی، از منظر عملیاتی نیز امکان پیاده سازی در سیستم های پایش آنلاین و فناوری های تحلیلی فرآیند را داراست و می تواند به کاهش آزمون های آزمایشگاهی، افزایش بهره وری تولید و بهینه سازی کنترل فرآیند منجر شود. در مجموع، این مطالعه نشان می دهد که ترکیب هدفمند NIR، کیمومتریکس و یادگیری ماشین، یک راهکار علمی و عملی موثر برای اندازه گیری آنلاین و دقیق اوره و آب در محیط های صنعتی پیچیده فراهم می آورد.

کلیدواژه ها:

طیف سنجی نزدیک به ماده (Near-Infrared Spectroscopy – NIR) ، کیمومتریکس (Chemometrics) ، یادگیری ماشین (Machine Learning) ، پایش آنلاین (Online Monitoring) ، تصحیح اثرات ماتریس (Matrix Effects Correction)