Filtern
Dokumenttyp
- Vortrag (3) (entfernen)
Referierte Publikation
- nein (3) (entfernen)
Schlagworte
- PLSR (3) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
Mit wachsenden Bevölkerungszahlen steigt auch der Rohstoffkonsum, und der nachhaltigere und effizientere Umgang mit knappen Ressourcen wie Wasser und Boden rückt in den Fokus.
Im Rahmen der vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Forschungsinitiative BonaRes werden Strategien entwickelt, um Boden als nachhaltige Ressource in der Bioökonomie zu nutzen. Das interdisziplinäre Teilprojekt I4S – Intelligence for soil – ist dabei für die Entwicklung eines integrierten Systems zum ortsspezifischen Management der Bodenfruchtbarkeit zuständig. Hierfür wird eine Plattform gebaut, auf der verschiedene Sensoren installiert werden sollen, deren in Echtzeit erhaltene Messdaten in Modelle und Entscheidungsalgorithmen zur Steuerung der Düngung und dementsprechend Verbesserung der Bodenfunktionen einfließen sollen.
Einer dieser Sensoren, auf dessen Grundlage ein robustes Online-Verfahren zur Bestimmung der Makro- und Mikronährstoffe, wie Ca oder K in Böden entwickelt werden soll, ist die Röntgenfluoreszenzanalyse (RFA). Um Messungen auf einem Feld zu simulieren, wurde in einen Laboraufbau ein Probenteller installiert, der sich bei verschiedenen Winkelgeschwindigkeiten bewegen lässt und so dynamisches Messen der als Spur aufgetragenen Probe ermöglicht. So kann der Aufwand der Probenvorbereitung minimiert werden.
Gerade bei einer komplexen Matrix wie Boden, die eine breite Elementverteilung aufweist, ist die Datenauswertung ein wichtiger Faktor. Die bisher verwendete univariate Datenanalyse liefert gute Ergebnisse und zeigt, dass durch Kalibrierung der RFA mit 14 Referenzmaterialien große Ackerflächen ausgewertet werden können. Dies funktioniert aber nur, solange die Elementgehalte der Proben mit denen der Referenzmaterialien vergleichbar sind.
Die zusätzlich verwendete multivariate Datenanalyse bietet hingegen die Möglichkeit, Modellrechnungen der Böden durchzuführen und Böden mithilfe der Hauptkomponentenanalyse (PCA) besser zu klassifizieren. Des Weiteren können basierend auf der Partial Least Squares Regression (PLSR) Kalibriermodelle erstellt werden, welche Prognosen zu den Elementgehalten unbekannter Ackerböden ermöglichen. Zusätzlich bietet die multivariate Datenanalyse die Möglichkeit, Störgrößen wie unterschiedliche Korngrößenverteilung und Feuchtigkeitsgrad der Probe in das Modell miteinzubeziehen. Beide Auswertemethoden sollen anhand statisch gemessener Proben verglichen werden und durch Messung einer Vielzahl realer Bodenproben von unterschiedlichen Standorten erweitert werden. Im weiteren Verlauf müssen beide Modelle auf dynamisch bewegte Proben übertragen werden.
Multivariate data analysis is a universal tool for the evaluation of process spectroscopic data. In process analytics, huge amounts of information are produced i) by the many variables contained in one spectrum often exceeding 1000 (wavenumbers, wavelength, shifts…), and ii) the high number of spectra that is generated within the measurement period. Multivariate data analysis, often also called Chemometrics, help to extract the relevant information which is needed to examine and even control processes. Therefore, calibration models must be precise and robust, and moreover, must cover a wide range of variation of factors posing an influence on the process.
In this pre-conference course an introduction to both, explorative data analysis by PCA (Principal Component Analysis), and regression analysis by the most frequently used method, i.e. PLSR (Partial Least Squares Regression) is given. In principal, all optical spectroscopic methods are suited for multivariate evaluation. It will be demonstrated that under certain preconditions, even process NMR spectra can be predicted by PLSR models.
At first, basic principles of multivariate data analysis will be provided. This includes a short introduction into the concept of model building and interpretation of results. Detailed aspects of data pretreatment and calibration & validation strategies for chemometric models will be provided with own data from NIR, Raman and NMR spectroscopy.
In a first example, the development of an online compatible method for the quantification of methanol in biodiesel by PLSR is presented. This also includes the classification of biodiesel feedstocks by PCA and statistical tools which allow for the estimation of a full uncertainty budget.
The Raman spectroscopic prediction of Hydroformylation reaction in a miniplant is used to discuss shortcomings and pitfalls which may occur with the transfer of off-line models to the real processes. Design of experiment and strategies for suitable lab-scale experiments are presented as a possible way to overcome problems.
In a third application the prediction of the reactants of an esterification reaction based on process NMR data is demonstrated.
Im Rahmen der vom BMBF geförderten Forschungsinitiative BonaRes werden Strategien entwickelt, um Boden als nachhaltige Ressource in der Bioökonomie zu nutzen. Das interdisziplinäre Teilprojekt I4S - „Intelligenz für den Boden“ - ist verantwortlich für die Entwicklung eines integrierten Systems zur standortspezifischen Steuerung der Bodenfruchtbarkeit. Zu diesem Zweck wird eine Plattform gebaut, auf der verschiedene Sensoren installiert sind. Echtzeitdaten werden in Modellen zusammengefasst und Entscheidungsalgorithmen werden verwendet, um die Düngung zu steuern und die Bodenfunktionen entsprechend zu verbessern. Ziel der BAM im Rahmen von I4S ist die Charakterisierung eines energiedispersiven Röntgenfluoreszenzsensors (EDXRF) zur robusten online-Bestimmung von Makro- und Mikronährstoffen im Boden. Zunächst wurde eine Hauptkomponentenanalyse (PCA) durchgeführt, um Ausreißer zu identifizieren und die größte Varianz innerhalb der deutschen Bodenproben zu beobachten. Es konnte festgestellt werden, dass die Aufspaltung der Proben auf ihren Eisengehalt zurückzuführen ist. Da Tonproben hohe Mengen an Eisen und Sandproben geringe Mengen enthalten, war eine Klassifizierung der Proben nach ihrer Bodentextur nach VD LUFA möglich. In Anbetracht der komplexen Bodenzusammensetzung wurde eine matrixspezifische Kalibrierung durch univariate und multivariate Datenanalyse durchgeführt. Die analytischen Güteziffern zeigen, dass ein robusteres Kalibriermodell mit vernachlässigbaren Matrixeffekten durch einen multivariaten Ansatz unter Verwendung der partiellen Regression kleinster Quadrate (PLSR) erhalten werden kann. Verschiedene Faktoren können die erhaltenen Kalibriermodelle beeinflussen, wie z. B. Feuchtigkeit und Partikelgrößenverteilung, was aufgrund der späteren online-Analyse besonders wichtig ist. In ersten Studien wurde der Einfluss von Feuchtigkeit auf den Nährstoffnachweis untersucht. Mit zunehmendem Wassergehalt nehmen die charakteristischen Fluoreszenzpeaks ab und beginnen bei einem Wassergehalt von 15% wieder anzusteigen. Bei geringerem Feuchtigkeitsgehalt agglomeriert der Boden, was zu einer geringeren Packung der Probe führt, dementsprechend zu einer raueren Oberfläche, die die Signale negativ beeinflusst. Bei höherem Wassergehalt bilden sich keine Agglomerate. Dadurch kann die Probe enger gepackt werden, wodurch eine glattere Oberfläche und eine bessere Homogenität erhalten wird. Darüber hinaus führt die Partikelgrößenverteilung beim Vergleich von gemahlenen und nicht gemahlenen Proben zu signifikant höheren Unsicherheiten und niedrigeren Signalen. Beide Faktoren müssen in die chemometrische PLSR einbezogen werden, um zuverlässige Kalibrierungsmodelle für jeden Nährstoff zu erhalten.