Inverse multivariate graduations as a means of separate determination of similar analytes from the spectrum of a non-additive light absorption mixture

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

Multivariate graduations are used in spectrophotometric analysis for the determination of a number of analytes in multicomponent solutions. These graduations relate generalized signals measured at multiple wavelengths to analyte concentrations. The purpose of this work is to test the applicability of inverse multivariate graduations (OMG) for the separate determination of analytes of the same type when their light absorption is non-additive. The objects of analysis were model aqueous solutions simultaneously containing Cu(II), Co(II), Ni(II), Zn(II), Pb(II) and an excess of the photometric reagent 4-(2-pyridylazo) resorcinol. In such solutions, statistically significant deviations from light absorption additivity were observed, probably caused by a shift in the complexation equilibrium. The initial data for the construction of OMGs were spectra of model mixtures from the training sample. The number of analytical wavelengths (m) and the number of mixtures in the training sample (n) were varied during the experiment. Metal concentrations in the mixtures from the test sample were calculated separately by multiple linear regression using different spectral intervals and different OMGs. The best results were obtained at m = 16 and n = 30. The errors of determination of Co, Ni and Zn in single mixtures do not exceed 25 oz.% (modulo), and the generalized errors (RMSEP) were 10-15 oz.%. The errors of copper and lead determination were characterized by much higher values. The experiment showed that OMG can be used to separately determine components of mixtures with similar but not additive spectra. However, the volume of initial data in this case should be much larger than in the assessment of the total content of the same analytes, the accuracy of the results will be lower, and the possibility of correct determination of all analytes is not guaranteed.

作者简介

I. Vlasova

F.M. Dostoevsky Omsk State University

Email: vlaso-iri@yandex.ru
Omsk, Russia

A. Matusevich

F.M. Dostoevsky Omsk State University

Email: vlaso-iri@yandex.ru
Omsk, Russia

V. Vershinin

F.M. Dostoevsky Omsk State University

编辑信件的主要联系方式.
Email: vlaso-iri@yandex.ru
Omsk, Russia

参考

  1. Rambla F.J., Garrigues S., de la Guardia M. PLS-NIR determination of total sugar, glucose, fructose and sucrose in aqueous solutions of fruit juices // Anal. Chim. Acta. 1997. V. 344. P. 41.
  2. Ni Y., Huang C., Kokot S. Application of multivariate calibration and artificial neural networks to simultaneous kinetic-spectrophotometric determination of carbamate pesticides // Chemometr. Intel. Lab. Systems. 2004. V. 28. № 5. P. 177.
  3. Vershinin V.I., Petrov S.V. The estimation of total petroleum hydrocarbons in waste waters by multiwave IR spectrometry with multivariate calibrations // Talanta. 2016. V. 148. P. 163.
  4. Bozdogan A., Acar A.M., Kunt G.K. Simultaneous determination of acetaminophen and caffeine in tablet preparations by partial least-squares multivariate spectrophotometric calibration // Talanta 1992. V. 39. № 8. P. 977.
  5. Перьков И.Г., Дрозд А.В., Арцебашев Г.И. Выбор оптимальных длин волн и прогнозирование погрешностей в многокомпонентном спектрофотометрическом анализе // Журн. аналит. химии. 1987. Т. 42. № 1. С. 68.
  6. Brereton R.G. Introduction to multivariate calibration in analytical chemistry // Analyst. 2000. V. 125. № 11. P. 2125.
  7. Esbensen K.H. Multivariate Data Analysis – in Practice. An Introduction to Multivariate Data Analysis and Experimental Design. 5th Ed. Woodbridge: Camo Process. AS, 2004. 588 p.
  8. Olivieri A.C., Faber N.M., Ferre J., Boque R. Uncertainty estimation and figures of merit for multivariate calibration (IUPAC Technical Report) // Pure Appl. Chem. 2006. V. 78. № 4. P. 633.
  9. Антонова Т.В., Вершинин В.И., Власова И.В. УФ-спектрометрическое определение суммарного содержания аренов в сточных водах // Журн. аналит. химии. 2021. Т. 76. № 7. С. 603.
  10. Вершинин В.И., Баженова Л.С. Применение обращенных многомерных градуировок для определения суммарного содержания фенолов / Заводск. лаборатория. Диагностика материалов. 2023. Т. 89. № 9. С. 5.
  11. Власова И.В., Вершинин В.И. Спектрометрическое определение суммарного содержания однотипных аналитов с помощью обращенных многомерных градуировок // Журн. аналит. химии. 2022. Т. 77. № 11. С. 1032. https://doi.org/10.31857/S0044450222110159
  12. Отто М. Современные методы аналитической химии (в 2-х т.т.). Т. 2. М.: Техносфера, 2004. С. 138.
  13. Берштейн И.Я., Каминский Ю.А. Спектрофотометрический анализ в органической химии. Л.: Химия, 1986. 200 с.
  14. Иванов В.М. Гетероциклические азотсодержащие азосоединения. М.: Наука, 1982. 229 с.
  15. Новый справочник химика и технолога. Аналитическая химия. Часть 3. / Под ред. Калинкина И.П. СПб: НПО “Профессионал”, 2004. 692 с. (табл. 14.4.16).
  16. Булатов М.И. Расчеты равновесий в аналитической химии. Л.: Химия, 1984. 184 с.
  17. Бурюкина П.А., Власова И.В., Спиридонова К.А. Применение хемометрических алгоритмов в спектрофотометрическом анализе смесей с подобными спектрами поглощения // Аналитика и контроль. 2013. Т. 17. № 3. С. 333.

补充文件

附件文件
动作
1. JATS XML

版权所有 © Russian Academy of Sciences, 2025

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».