您的位置:首页 >生活 >

多孔材料和机器学习提供了廉价的微塑料监测方法

导读 现在,光学分析和机器学习技术可以使用廉价的多孔金属基底轻松检测海洋和淡水环境中的微塑料。该方法由名古屋大学的研究人员与日本国家材料...

现在,光学分析和机器学习技术可以使用廉价的多孔金属基底轻松检测海洋和淡水环境中的微塑料。该方法由名古屋大学的研究人员与日本国家材料科学研究所等机构的合作者共同开发,其详细信息已发表在《自然通讯》杂志上。

检测和识别水样中的微塑料对于环境监测至关重要,但由于微塑料与来自生物膜、藻类和腐烂有机物的天然有机化合物的结构相似,因此颇具挑战性。现有的检测方法通常需要复杂的分离技术,耗时且成本高昂。

国家材料科学研究所(NIMS)的OlgaGuselnikova博士说:“我们的新方法可以同时分离和测量六种主要类型的微塑料的丰度——聚苯乙烯、聚乙烯、聚甲基丙烯酸甲酯、聚四氟乙烯、尼龙和聚对苯二甲酸乙二醇酯。”

该系统使用多孔金属泡沫从溶液中捕获微塑料,并使用称为表面增强拉曼光谱(SERS)的过程对其进行光学检测。“获得的SERS数据非常复杂,”NIMS的JoelHenzie博士解释说,“但它包含可辨别的模式,可以使用现代机器学习技术进行解释。”

为了分析数据,该团队创建了一种名为SpecATNet的神经网络计算机算法。该算法学习如何解释光学测量中的模式,从而比传统方法更快、更准确地识别目标微塑料。

名古屋大学的山内佑介教授表示:“我们的程序在监测直接从环境中获取的样本中的微塑料方面具有巨大的潜力,无需预处理,而且不受可能干扰其他方法的污染物的影响。”

研究人员希望他们的创新将极大地帮助社会评估微塑料污染对公众健康和海洋和淡水环境中所有生物健康的影响。通过创建廉价的微塑料传感器和开源算法来解释数据,他们希望即使在资源有限的实验室中也能快速检测微塑料。

目前,与市面上现有的替代品相比,新系统所需的材料可节省90%至95%的成本。该团队计划进一步降低这些传感器的成本,并使这些方法易于复制,而无需昂贵的设施。此外,研究人员希望扩展SpecATNet神经网络的能力,以检测更广泛的微塑料,甚至除了SERS数据外,还接受不同类型的光谱数据。

免责声明:本文由用户上传,如有侵权请联系删除!