Analytische Chemie
Filtern
Dokumenttyp
- Vortrag (3)
Referierte Publikation
- nein (3)
Schlagworte
- Multivariate Datenanalyse (3) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
Der Beitrag beinhaltet die Vorstellung eines gemeinsamen Projekts zwischen der BAM und der TU Berlin (Process Dynamics and Operations Group). Mittels Raman Spektroskopie werden Hydroformylierungsreaktionen in einer Miniplant der TU prozessbegleitend untersucht. Kalibrationsstrategien, Laboruntersuchungen sowie Vorhersagen von Prozessmessungen basierend auf chemometrischen Modellen werden vorgestellt. Zum gegenwärtigen Zeitpunkt wird die Strategie als erfolgsversprechend bewertet, jedoch sind weitere Untersuchungen insbesondere zum Einfluss der Microemulsion auf die Ramanspektren notwendig.
Die Wettbewerbsfähigkeit der Prozessindustrie basiert auf der Sicherung der geforderten Produktqualität bei einer optimalen Nutzung von Anlagen, Rohstoffen und Energie. Ein Weg zur wissensbasierten Produktion führt über die Betrachtung der wesentlichen Apparate-, Prozess- und Freigabedaten aus Betrieben und Labors. Das Potenzial dieser Daten wird heute vielfach noch nicht konsequent für ein umfassendes Verständnis der Produktion genutzt.
Neben Fragen zur Datenerfassung, Datenkonnektivität und Datenintegrität müssen solche Daten für eine ganzheitliche Prozessanalyse zunächst mit Kontextinformationen zusammengebracht werden. Datenquellen enthalten Zeitwertpaare, aber auch diskrete Daten aus LIMS (Laboratory Information Management Systems) oder ELN (Electronic Laboratory Notebooks) und werden zunehmend durch 2D- und 3D-Daten aus der Chromatographie-Massenspektrometrie oder bildbasierter Analytik ergänzt.
Für die automatisierte Merkmalsextraktion, etwa zur Extraktion chemischer Informationen aus den oben genannten Datenquellen werden multivariate Werkzeuge und Algorithmen genutzt. Multivariate Statistiken wie PCA (Principle Component Analysis), PLS (Partial Least Squares) und LDA (Latent Discriminant Analysis) bilden die erste Grundlage für die Datenanalyse. Für diese Verfahren sind heute Datenvorbehandlungsschritte nötig. Die Modellbildung geschieht manuell und ist sehr aufwendig.
Können diese Daten im Zeitalter von ML (Machine Learning) und KI (Artificial Intelligence) anderweitig sinnvoll genutzt werden und ohne klassische Modellbildung? Die Bezeichnung „Big Data“ als Voraussetzung für datengetriebene Auswerteverfahren ist für die Prozessindustrie allerdings unpassend, denn auch bei mengenmäßig großen Datensätzen liegen für Kampagnen typischerweise nur Informationen über einige Batches mit einer Serie von Messdaten vor, die genügend Varianz für eine datengetriebene Auswertung aufweisen – nicht vergleichbar mit den Datenmengen im WWW oder von großen Internet-Konzernen.
The increasing enrichment of water bodies and soils with plastic waste leads to the accumulation of microscopic plastic particles, so-called microplastics (MP). There is an urgent need for analytical methods that help to identify and quantify MP. At present, mainly thermo-analytical and microscopic methods such as micro-infrared spectroscopy or micro-Raman are used for this purpose. The latter are usually tied to time-consuming sample enrichment and preparation, only small sample quantities (micrograms) can be examined and the evaluation of the obtained spectra can be demanding. In the context of this presentation, two approaches are presented which, via the multi-variate analysis of spectroscopic data, allow i) a new methodological approach to screening MP in contaminated soils and ii) an alternative evaluation of large (micro)-spectroscopic data sets.
First, a NIR spectroscopic method is presented which allows MP consisting of polyethylene, polyethylene terephthalate, polypropylene and polystyrene to be detected in the range of up to 0.5 mass percent. Due to short measurement times and robust technology, this approach has the potential, in contrast to thermo-analytical and micro-spectroscopic methods, to examine larger sample quantities with minimal pre-treatment.
The second approach deals with the evaluation of large data sets, as typically obtained as a result of micro-FTIR using modern FPA detectors. The micro-FTIR technique is based on the spectral recording, imaging and subsequent identification of vibration bands typical of synthetic polymers. The image data sets are large and contain spectra of numerous particles of natural and synthetic origin. Exploratory multivariate data analysis has been tested to complement existing approaches based on e.g. spectrum library searches. The core concept used was dimensionality reduction. The results not only represent an orthogonal method for checking the results obtained by an automated library search, but also revealed a group of spectra that were not recorded in the existing spectrum libraries.