Surface-Enhanced Raman Spectroscopy–Machine Learning for Multiplex Naphthenic Acid Profiling in Water
Notice bibliographique
Résumé
Naphthenic acids (NAs) contribute to the toxicity of vast industrial effluents and present a considerable risk to aquatic ecosystems. This study presents a sensitive, data-driven approach to the detection and quantification of diverse NAs in water, leveraging surface-enhanced Raman spectroscopy (SERS) and machine learning (ML). Our methodology employs highly uniform silver (Ag) nanoparticles, dispersed in NA-containing water with a cationic surfactant added to enhance acid–nanoparticle interactions and boost SERS signals. The detection limits were as low as 10 –4 to 10 –5 M for eight distinct NA types across three groups, encompassing classical linear, cyclic, and heteroatom-containing NAs (sulfur and nitrogen). SERS spectral data were rigorously utilized to train machine learning models. For single acid identification, a random forest (RF) model demonstrated an 86.3% classification accuracy via 7-fold cross-validation. Furthermore, ridge regression models, trained on fast Walsh-Hadamard transformed (FWHT) spectra, scaling, and principal component analysis (PCA), yielded remarkable average R 2 values of 99.5% for the concentration prediction of most acids. To address the complexities of acid mixture samples, a Siamese convolutional neural network (SNN) was developed to accurately identify multiple acid types within complex samples by comparing mixture spectral fingerprints with individual acid reference fingerprints, achieving an overall identification accuracy of 95%. The model’s reliability in multilabel acid detection is further corroborated by averaged F1 scores of approximately 95%. This work emphatically demonstrates the suitability of SERS spectroscopy, utilizing colloidal silver nanoparticles and machine learning algorithms, for the simultaneous identification and quantification of multiple NAs in complex samples. This method eliminates the need for extraction or separation, offering a proof of concept for the sensitive detection of naphthenic acids in environmental 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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 ».