Φορητός FT-NIR φασματικός αισθητήρας για την ανίχνευση χημικών πρόδρομων εκρηκτικών ουσιών με την χρήση ανεπτυγμένων αλγοριθμικών μοντέλων

Abstract

Στην εργασία αυτή παρουσιάζεται η ανάπτυξη και αξιολόγηση διάφορων μοντέλων κατηγοριοποίησης, με στόχο να ανιχνεύουν και να ταξινομούν συγκεκριμένους χημικούς προδρόμους εκρηκτικών. Οι πρόδρομοι που επιλέξαμε είναι το νιτρικό αμμώνιο (ammonium nitrate), η ουρία (urea), το νιτρικό κάλιο (potassium nitrate) και το νιτρικό νάτριο (sodium nitrate), οι οποίοι χρησιμοποιούνται συχνά σαν λιπάσματα ή συντηρητικά, ενώ σε πολλές χώρες η παραγωγή, χρήση και πώλησή τους υπόκεινται σε περιορισμούς. Η αξιολόγηση των ουσιών πραγματοποιείται με βάση το φάσμα τους στο εγγύς υπέρυθρο, το οποίο παράγεται με την βοήθεια ενός φορητού φασματογραφικού αισθητήρα FT-NIR. Η τεχνική Fourier-transform (FT) καθώς και η φασματοσκοπία εγγύς υπερύθρου (NIR) έχουν πολλά προτερήματα, τα οποία φαίνονται ιδιαίτερα χρήσιμα στην συγκεκριμένη εφαρμογή. Συνοπτικά, επιτρέπουν επί τόπου αναλύσεις μεγάλων ταχυτήτων, δεν χρειάζεται προηγούμενη προετοιμασία του δείγματος για την ανάλυσή του, μπορούν να αναλυθούν ουσίες σε πολλές διαφορετικές φυσικές καταστάσεις και τέλος, η σύνδεση της πηγής του αισθητήρα με μία οπτική ίνα καθιστά το σύστημα ασφαλέστερο, καθώς ο χρήστης δεν χρειάζεται να έρθει σε άμεση επαφή με την ουσία. Τα μοντέλα που αναπτύχθηκαν αφορούν τους αλγορίθμους μηχανικής μάθησης Random Forest και Support Vector Machine, μόνους αλλά και σε συνδυασμό με τον αλγόριθμο PCA για μείωση της διαστατικότητας, καθώς και με έναν αλγόριθμο βασισμένο στον συντελεστή συσχέτισης HQI. Τα NIR δεδομένα προεπεξεργάστηκαν με τις μεθόδους Standard Normal Variate και Savitzky-Golay (1 st derivative). Για την εκπαίδευση και αξιολόγηση των μοντέλων παρήχθησαν 2911 δείγματα προδρόμων αλλά και “αρνητικών ουσιών”, ενώ μετρικές αξιολόγησης αποτέλεσαν οι καμπύλες Open-Set Classification Rate και Binary Open-Set Classification Rate, καθώς και η μέγιστη ακρίβεια. Τελικά, το μοντέλο Random Forest σε συνδυασμό με την τεχνική προεπεξεργασίας Standard Normal Variate έδειξε τα καλύτερα αποτελέσματα, επιτυγχάνοντας περισσότερο από 83% Correct Classification Rate για 1% False Positive Rate και μέγιστη ακρίβεια πάνω από 96%.