MétaCan
Menu
Retour à la cohorte
Enregistrement W4417035768 · doi:10.1021/acs.analchem.5c05224

Raman Spectroscopy–Machine Learning Integration: Advancing High-Precision Quantitative Analysis of Na <sub>2</sub> SO <sub>4</sub> and CaCO <sub>3</sub> in Simulated Mural Surface White Pigments

2025· article· en· W4417035768 sur OpenAlexaff
Rongling Zhang, Qian Zhou, Xinyuan Zhang, Jiale Bai, Tianlong Zhang, Hongsheng Tang, Cong Wang, Hua Li

Notice bibliographique

RevueAnalytical Chemistry · 2025
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueCultural Heritage Materials Analysis
Établissements canadiensHeritage College
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésRaman spectroscopyQuantitative analysis (chemistry)Partial least squares regressionAnalytical Chemistry (journal)Relative standard deviationCalibrationStandard deviationChemometricsSurface-enhanced Raman spectroscopy

Résumé

récupéré en direct d'OpenAlex

Numerous precious ancient murals have seriously degraded due to long-term environmental impact and human damage. Prolonged environmental exposure renders them susceptible to salt-induced deterioration (exfoliation and cracking), damaging their physical integrity and artistic significance. In this study, Raman spectroscopy combined with partial least squares (PLS) was proposed for quantitatively analyzing the concentrations of sodium sulfate (Na 2 SO 4 ) and calcium carbonate (CaCO 3 ) of the surface white pigment of simulated mural samples. According to the salt concentration range of authentic murals, the particle size and gelatin concentration of pigments were optimized; 30 simulated mural samples were prepared; and Raman spectra were collected. Subsequently, the PLS calibration model was optimized by different spectral pretreatment methods and variable selection methods, and the predictive performance was evaluated using multiple statistical metrics, such as high coefficient of determination ( R 2 ), low values for root-mean-square error (RMSE), mean relative error (MRE), relative standard deviation (RSD), and satisfactory residual prediction deviation (RPD). The results demonstrated that two PLS calibration models of MSC-biPLS-PLS ( R p 2 = 0.9635, RMSE p = 0.0024, MRE p = 0.0709, RSD = 4.14%, and RPD = 8.6) and MSC-siPLS-PLS ( R p 2 = 0.9891, RMSE p = 0.0125, MRE p = 0.0449, RSD = 3.59%, and RPD = 10.9) showed superior predictive performance for the quantitative analysis of Na 2 SO 4 and CaCO 3, respectively. Additionally, the recovery of the two salts in a random sample was 106.7% and 111.3%, respectively. It enhances the efficiency and accuracy of mural microregion quantitative analysis and provides innovative technical support for cultural heritage preservation.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,146
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,257
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnalytical ChemistryMême sujetCultural Heritage Materials AnalysisTravaux en français237 207