Построение модели для прогнозирования двух- и трехкомпонентных неорганических систем в водных растворах спектральным анализом

Обложка

Цитировать

Полный текст

Аннотация

Представлен алгоритм и разработанная на его основе программа, реализующая методы математического моделирования для анализа спектральных данных, построения прогностической модели и выбора оптимальных спектральных интервалов при проектировании мультисенсорных систем на основе светодиодов. Алгоритм прошел апробацию на реальных смесях водных растворов неорганических солей.
Для обработки экспериментальных данных применялись методы многомерной калибровки, включая PLS-регрессию и множественную линейную регрессию. Информативные длины волн определялись с использованием значений вектора Шепли, после чего методом перебора была найдена оптимальная комбинация спектральных интервалов.
Разработанная модель позволяет прогнозировать состав двух- и трехкомпонентных систем в водных растворах солей металлов с использованием ограниченного спектрального диапазона вместо полного видимого спектра. Проведенная кроссвалидация продемонстрировала сопоставимое качество новой модели по сравнению с полноспектральными аналогами, подтвердив ее адекватность и практическую применимость.

Об авторах

Кирилл Юрьевич Массалов

Национальный исследовательский ядерный университет «МИФИ»

Автор, ответственный за переписку.
Email: kirill.massalov@yandex.ru
ORCID iD: 0009-0003-6214-7470
https://www.mathnet.ru/person228575

магистрант; каф. физика элементарных частиц; институт ядерной физики и технологий1

Россия, 115409, Москва, Каширское шоссе, 31

Елена Юрьевна Мощенская

Самарский государственный технический университет

Email: lmos@rambler.ru
ORCID iD: 0000-0002-1070-3151
https://www.mathnet.ru/person39351

кандидат химических наук, доцент; доцент; каф. аналитической и физической химии2

Россия, 443100, Самара, ул. Молодогвардейская, 244

Список литературы

  1. Dubrovkin J. Data Compression in Spectroscopy. Cambridge Scholars Publ., 2022. 355 pp.
  2. Родионова О.Е. Хемометрический подход к исследованию больших массивов химических данных // Рос. хим. ж., 2006. Т. 50, №2. С. 128–144. EDN: HTUUSZ.
  3. Smilde A., Bro R., Geladi P. Multi-Way Analysis: Applications in the Chemical Sciences. Chichester: John Wiley & Sons, 2004. xiv+381 pp. DOI: https://doi.org/10.1002/0470012110.
  4. Богомолов А. Ю. Оптические мультисенсорные системы в аналитической спектроскопии // Рос. хим. ж., 2022. Т. 77, №3. С. 227-247. EDN: MFSPES. DOI: https://doi.org/10.31857/S0044450222030033.
  5. Bogomolov A. Multivariate process trajectories: capture, resolution and analysis // Chemom. Intel. Lab. Syst., 2011. vol. 108, no. 1. pp. 49–63. DOI: https://doi.org/10.1016/j.chemolab.2011.02.005.
  6. Galyanin V., Melenteva A., Bogomolov A. Selecting optimal wavelength intervals for an optical sensor: A case study of milk fat and total protein analysis in the region 400–1100 nm// Sens. Actuat. B: Chem., 2015. vol. 218. pp. 97-104. EDN: UFYADR. DOI: https://doi.org/10.1016/j.snb.2015.03.101.
  7. Мощенская Е. Ю., Стифатов Б. М. Моделирование диаграмм "состав-свойство" для системы "алюминий-кремний" // Журн. Сиб. федер. ун-та. Химия, 2023. Т. 16, №1. С. 107–115. EDN: JWRAGD.
  8. Мощенская Е. Ю., Стифатов Б. М. Исследование возможности применения методов теоретического моделирования для определения эвтектического состава бинарных сплавов // Вестн. Тверск. гос. ун-та. Сер. Химия, 2021. №3. С. 105–122. EDN: JDZAEI. DOI: https://doi.org/10.26456/vtchem2021.3.12.
  9. Holland P. W., Welsch R. E. Robust regression using iteratively reweighted least-squares // Commun. Stat–Theor. M., 1977. vol. 6, no. 9. pp. 813–827. DOI: https://doi.org/10.1080/03610927708827533.
  10. Wegelin J. A. A Survey of Partial Least Squares (PLS) Methods, with Emphasis on the Two-Block Case: Technical Report 371. Washington: Univ. of Washington, 2000. 44 pp. https://stat.uw.edu/research/tech-reports/survey-partial-least-squares-plsmethods-emphasis-two-block-case.
  11. Pedregosa F., Varoquaux G., Gramfort A., et. al. Scikit-learn: Machine learning in Python // J. Mach. Learn. Res., 2011. vol. 12. pp. 2825–2830.
  12. Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions / Proc. Intern. Conf. Neural Inform. Proces. Systems, 2017. pp. 4768–4777, arXiv: 1705.07874 [cs.AI]. DOI: https://doi.org/10.48550/arXiv.1705.07874.
  13. de Myttenaere A., Golden B., Le Grand B., Rossi F. Mean Absolute Percentage Error for regression models // Neurocomputing, 2016. vol. 192. pp. 38-48. DOI: https://doi.org/10.1016/j.neucom.2015.12.114.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Аппроксимация среднеквадратического отклонения значений Шепли и оптимальные интервалы для раствора с ионами никеля (a), кобальта (b) и меди (c)

Скачать (357KB)
Метаданные
3. Рис. 2. Средняя абсолютная ошибка в процентах (MAPE) для модели, построенной на выделенных интервалах (слева), и для модели, построенной на всем спектре (справа), для ионов никеля (a), кобальта (b) и меди (c)

Скачать (401KB)
Метаданные

© Авторский коллектив; Самарский государственный технический университет (составление, дизайн, макет), 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».