Отправить статью по E-mail Построение модели для прогнозирования двух- и трехкомпонентных неорганических систем в водных растворах спектральным анализом
- Авторы: Массалов К.Ю.1, Мощенская Е.Ю.2
-
Учреждения:
- Национальный исследовательский ядерный университет «МИФИ»
- Самарский государственный технический университет
- Выпуск: Том 29, № 1 (2025)
- Страницы: 174-186
- Раздел: Краткие сообщения
- URL: https://ogarev-online.ru/1991-8615/article/view/311050
- DOI: https://doi.org/10.14498/vsgtu2120
- EDN: https://elibrary.ru/ZDTCBW
- ID: 311050
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.
Полный текст
Открыть статью на сайте журналаОб 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, 31Елена 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, 244Список литературы
- Dubrovkin J. Data Compression in Spectroscopy. Cambridge Scholars Publ., 2022. 355 pp.
- Родионова О.Е. Хемометрический подход к исследованию больших массивов химических данных // Рос. хим. ж., 2006. Т. 50, №2. С. 128–144. EDN: HTUUSZ.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Pedregosa F., Varoquaux G., Gramfort A., et. al. Scikit-learn: Machine learning in Python // J. Mach. Learn. Res., 2011. vol. 12. pp. 2825–2830.
- 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.
- 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
