Rapid spilled oil analysis using direct analysis in real time time-of-flight mass spectrometry
Notice bibliographique
Résumé
Abstract Background The biomarker diagnostic ratio analysis outlined by the European Committee for Standardization is considered the current gold standard in oil forensic analysis. However, it has a major limitation as an emergency response procedure in the case of a large scale oil spill due to the high number of samples collected, long GC/MS instrument run time, and the time-consuming data processing required. This current study utilized direct analysis in real time time-of-flight mass spectrometry to develop a rapid spilled oil screening method. An exploratory search of biomarkers and synthetic additives was conducted on reference oil samples of various types. To build a robust yet swift procedure for oil typing, specific heat maps were built with extensive reference sample modelling. These heat maps were then used to select relevant ions from which principal component analysis and discriminant analysis of principal component models were constructed to result in defensible oil classifications. Results The initial exploratory search of biomarkers and additives in the various reference oil samples resulted in promising preliminary matches. The heat map and multivariate statistical analysis oil typing method was applied to three unknown samples, all of which were classified accurately. Conclusion The merit of direct analysis in real time time-of-flight mass spectrometry on oil forensic was confirmed with the detected biomarkers compound class starting members and lubricating additives along with the successful application of heat maps and multivariate statistical analysis, providing a swift yet reliable screening tool for oil spill environmental monitoring and impact surveying.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,016 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,783 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».