Automated Machine-Learning-Driven Analysis of Microplastics by TGA-FTIR for Enhanced Identification and Quantification
Notice bibliographique
Résumé
Microplastics persist as ubiquitous environmental contaminants, and efficient methods to quantify and identify their presence are essential for assessing their environmental and health impacts. Common identification approaches typically fall under either vibrational spectroscopy or thermoanalytical techniques with thermogravimetric analysis (TGA) coupled with Fourier transform infrared (FTIR) spectroscopy bridging the intersection. Despite its potential, TGA-FTIR remains relatively underutilized for microplastic analysis, even though each thermogram is associated with approximately 200 FTIR spectra that can be rapidly assessed with targeted automated data analysis. This work explores the development of data analysis routines specialized in identifying plastic components from TGA-FTIR. A dedicated spectral library and a matching algorithm were created to identify polymers from their gas-phase FTIR spectra. The approach was further enhanced by utilizing machine learning (ML) classification techniques, including k-nearest neighbor, random forest, support vector classifier, and multilayer perceptron. The performance of these classifiers for complex data sets was evaluated using synthetic data sets generated from the spectral library. ML techniques offered precise and unambiguous identification compared with a custom spectral matching algorithm. By correlating polymer identities with mass loss in the thermogram, this approach combines qualitative insights with semiquantitative analysis, enabling a streamlined assessment of plastic content in samples.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».