Automated machine-learning driven analysis of microplastics by TGA-FTIR for enhanced identification and quantification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Microplastics persist as a ubiquitous environmental contaminant, 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 spectroscopy (FTIR) 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 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 perceptrons. The performance of these classifiers for complex datasets was evaluated using synthetic datasets generated from the spectral library. ML techniques offered precise and unambiguous identification compared to a custom spectral matching algorithm. By correlating polymer identities with mass-loss in the thermogram, this approach combines qualitative insights with semi-quantitative 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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle