論文の概要: Machine Learning of polymer types from the spectral signature of Raman
spectroscopy microplastics data
- arxiv url: http://arxiv.org/abs/2201.05445v1
- Date: Fri, 14 Jan 2022 13:34:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-17 14:54:10.516525
- Title: Machine Learning of polymer types from the spectral signature of Raman
spectroscopy microplastics data
- Title(参考訳): ラマン分光法マイクロプラスチックデータのスペクトルシグネチャによる高分子タイプの機械学習
- Authors: Sheela Ramanna and Danila Morozovskii and Sam Swanson and Jennifer
Bruneau
- Abstract要約: 環境風化因子によって劣化したマイクロプラスチックは、風化過程に曝されていないマイクロプラスチックのサンプルよりも分析的確実性が少ない可能性がある。
機械学習ツールと技術は、マイクロプラスチック分析における確実性のための研究ツールのキャリブレーションを向上します。
- 参考スコア(独自算出の注目度): 3.441021278275805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The tools and technology that are currently used to analyze chemical compound
structures that identify polymer types in microplastics are not well-calibrated
for environmentally weathered microplastics. Microplastics that have been
degraded by environmental weathering factors can offer less analytic certainty
than samples of microplastics that have not been exposed to weathering
processes. Machine learning tools and techniques allow us to better calibrate
the research tools for certainty in microplastics analysis. In this paper, we
investigate whether the signatures (Raman shift values) are distinct enough
such that well studied machine learning (ML) algorithms can learn to identify
polymer types using a relatively small amount of labeled input data when the
samples have not been impacted by environmental degradation. Several ML models
were trained on a well-known repository, Spectral Libraries of Plastic
Particles (SLOPP), that contain Raman shift and intensity results for a range
of plastic particles, then tested on environmentally aged plastic particles
(SloPP-E) consisting of 22 polymer types. After extensive preprocessing and
augmentation, the trained random forest model was then tested on the SloPP-E
dataset resulting in an improvement in classification accuracy of 93.81% from
89%.
- Abstract(参考訳): 現在、マイクロプラスチック中のポリマータイプを識別する化合物構造を分析するためのツールや技術は、環境に優しいマイクロプラスチックには適していない。
環境風化因子によって劣化したマイクロプラスチックは、風化過程に晒されていないマイクロプラスチックのサンプルよりも分析的確実性が低い。
機械学習ツールと技術は、マイクロプラスチック分析における確実性のための研究ツールのキャリブレーションを向上します。
本稿では,サンプルが環境劣化の影響を受けていない場合に,比較的少量のラベル付き入力データを用いて,機械学習(ML)アルゴリズムがポリマーのタイプを識別できるように,署名(ラマンシフト値)が十分に異なるかどうかを検討する。
いくつかのMLモデルは、ラマンシフトと様々なプラスチック粒子の強度を含む、よく知られたSLOPP(Spectral Libraries of Plastic Particles)で訓練され、その後、22種類のポリマーからなる環境劣化プラスチック粒子(SloPP-E)で試験された。
大規模な前処理と増補の後、訓練されたランダム森林モデルがSloPP-Eデータセットでテストされ、93.81%の分類精度が89%から改善された。
関連論文リスト
- Microplastic Identification Using AI-Driven Image Segmentation and GAN-Generated Ecological Context [0.09636431845459936]
試料中のマイクロプラスチックの同定法は費用がかかり、専門家による分析が必要である。
顕微鏡画像中のマイクロプラスチックを自動的に識別する深層学習セグメンテーションモデルを提案する。
論文 参考訳(メタデータ) (2024-10-25T14:57:09Z) - Morphological Detection and Classification of Microplastics and Nanoplastics Emerged from Consumer Products by Deep Learning [1.21387493410444]
プラスチック汚染は世界的な問題となり、健康や環境システムに影響を及ぼす。
これらの汚染物質を研究する伝統的な方法は、労働集約的で時間を要する。
本稿では,マイクロ・ナノプラスチックの自動検出と分類を目的とした,新しいオープンソースデータセットであるMiNaとマイクロ・ナノプラスチックについて紹介する。
論文 参考訳(メタデータ) (2024-09-20T17:56:25Z) - Mono/Multi-material Characterization Using Hyperspectral Images and
Multi-Block Non-Negative Matrix Factorization [0.0]
多材料およびモノマテリアルプラスチックは包装の機能性を高めるために広く利用されている。
業界 4.0 は、プラスチック包装をスピードと精度でソートする材料を大幅に改善した。
ハイパースペクトルイメージング (Hyperspectral Imaging, NIRHSI) は、試料準備なしで、自動化され、高速で、正確な材料特性を提供する。
非負行列因子化(NMF)はハイパースペクトル画像の化学分解能に広く用いられている。
MBNMFと異なる化学種の制約の対応は、特定のポリマー種の存在または欠如を評価するために用いられる。
論文 参考訳(メタデータ) (2023-08-15T10:00:53Z) - PLASTIC: Improving Input and Label Plasticity for Sample Efficient
Reinforcement Learning [54.409634256153154]
強化学習(RL)では, サンプル効率の向上が重要である。
原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。
本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
論文 参考訳(メタデータ) (2023-06-19T06:14:51Z) - Using evolutionary machine learning to characterize and optimize
co-pyrolysis of biomass feedstocks and polymeric wastes [14.894507238371768]
共熱分解は、結果の液体燃料の量および品質パラメータを改善するための有望な戦略である。
機械学習(ML)は、既存のデータを活用することで、このような問題に対処する機能を提供する。
本研究は, バイオマス-ポリマー共熱分解プロセスの生成物を定量化するために, 進化的MLアプローチを導入することを目的とする。
論文 参考訳(メタデータ) (2023-05-24T19:59:21Z) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳(メタデータ) (2023-03-22T07:51:32Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - Combination of Raman spectroscopy and chemometrics: A review of recent
studies published in the Spectrochimica Acta, Part A: Molecular and
Biomolecular Spectroscopy Journal [0.0]
本稿では,ラマン分光法とケモメトリックスを併用して,試料とその異なる因子による変化について検討する。
我々は、分類モデルを作成するための最良の戦略を要約し、化学計測技術の適用に関して、いくつかの共通の欠点を強調した。
論文 参考訳(メタデータ) (2022-10-18T13:08:20Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - Classification of PS and ABS Black Plastics for WEEE Recycling
Applications [63.942632088208505]
本研究の目的は,ポリスチレン (PS) 型とアクリロニトリルブタジエン (ABS) 型の黒色プラスチックを用いて,異なる種類のプラスチックを分類できるシステムを作ることである。
畳み込みニューラルネットワークのテストと再訓練が行われ、95%の精度が得られた。
別個のテストセットを使用して平均精度は86.6%まで低下するが、結果を見てみるとABS型が100%正確に分類されていることが分かるため、すべてのエラーを蓄積するPS型である。
論文 参考訳(メタデータ) (2021-10-20T12:47:18Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳(メタデータ) (2021-02-02T09:34:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。