Chia sẻ bài viết
Cách các đường chuẩn dựng sẵn hỗ trợ triển khai nhanh chóng trên thiết bị Quang phổ cận hồng ngoại NIRS
Bài viết trình bày các trường hợp thiết bị Quang Phổ Cận Hồng Ngoại NIRS có thể được thực hiện trực tiếp trong phòng thí nghiệm của bạn mà không cần phát triển phương pháp. Điều này có nghĩa là đối với những ứng dụng này, thiết bị của bạn sẽ hoạt động ngay lập tức để mang lại kết quả chính xác - ngay từ ngày đầu tiên. Bài viết sẽ giúp bạn hiểu rõ về phương cách và tối ưu hóa đường chuẩn dựng sẵn, đồng thời cung cấp tổng quan về một số ứng dụng mà bạn có thể nhận được kết quả ngay từ đầu.
Các chủ đề sau sẽ được đề cập trong phần còn lại của bài đăng này (nhấp để chuyển sang chủ đề):
1. Ưu điểm của đường chuẩn dựng sẵn
Tìm đọc những bài viết trước của chúng tôi (Cách triển khai thiết bị quang phổ cận hồng ngoại trong quy trình làm việc tại phòng thí nghiệm của bạn), chúng tôi đề cập về cách một máy quang phổ cận hồng ngoại NIR có thể hoạt động như thế nào với một ví dụ ứng dụng thực tế. Quá trình này được mô tả ở đây trong Hình 1.
Phần lớn công việc bao gồm tạo một bộ phổ hiệu chuẩn. Khoảng 40–50 mẫu trong phạm vi thông số dự kiến phải được đo bằng phương pháp chính và các giá trị kết quả cần được liên kết với phổ cận hồng ngoại được ghi lại cho các mẫu tương tự (Hình 1: Bước 1).
Sau đó, một mô hình dự đoán cần được tạo ra bằng cách xác định trực quan các thay đổi phổ và tương quan những thay đổi này với các giá trị thu được từ phương pháp chính (Hình 1: Bước 2). Sau khi xác nhận bằng phần mềm, một mô hình dự đoán có sẵn để sử dụng trong các phép đo thông thường.
Quá trình được mô tả ở trên đòi hỏi một số nỗ lực và kéo dài đáng kể vì trong nhiều trường hợp, các mẫu nằm trong dải nồng độ trước tiên cần được sản xuất và thu thập. Do đó, sẽ rất có lợi nếu bỏ qua bước 1 và bước 2 để có thể sử dụng máy phân tích ngay từ ngày đầu tiên.
Đây không chỉ là mơ tưởng mà là thực tế cho các ứng dụng cụ thể với việc sử dụng các đường chuẩn dựng sẵn.
2. Đường chuẩn dựng sẵn là gì?
Các đường chuẩn dựng sẵn trong quang phổ cận hồng ngoại (NIR) là các mô hình dự đoán có thể sử dụng ngay lập tức và mang lại kết quả đáng hài lòng từ ban đầu. Các mô hình này được xây dựng dựa trên một lượng lớn phổ thực tế của sản phẩm (khoảng từ 100–600 phổ), bao gồm một phạm vi thông số rộng.
Điều này có nghĩa là việc tạo bộ dữ liệu hiệu chuẩn, xây dựng và xác nhận mô hình dự đoán (Hình 1: Bước 1 và 2) không còn cần thiết. Thay vào đó, mô hình dự đoán dựa trên đường chuẩn dựng sẵn có thể được sử dụng trực tiếp cho phân tích thường quy các mẫu chưa biết, như minh họa trong Hình 2.
3. Đường chuẩn dựng sẵn hoạt động thế nào?
Mỗi đường chuẩn dựng sẵn được cung cấp dưới dạng tệp kỹ thuật số cần được nhập vào phần mềm NIR, chẳng hạn như phần mềm Metrohm Vision Air.
- Cài đặt thiết bị NIR mới (bao gồm cả phần mềm Vision Air).
- Tạo một phương pháp với các cài đặt cụ thể, như nhiệt độ đo và loại bình chứa mẫu được sử dụng.
- Nhập đường chuẩn dựng sẵn và liên kết nó với phương pháp.
Đó là tất cả những gì cần thiết!
Thiết bị hiện đã sẵn sàng để cung cấp kết quả đáng tin cậy cho các phép đo thông thường. Nên đo một vài mẫu đối chứng với các giá trị đã biết để xác nhận rằng việc đường chuẩn dựng sẵn cung cấp kết quả chấp nhận được.
4. Tối ưu hóa đường chuẩn dựng sẵn
Trong một số trường hợp, kết quả thu được trên các mẫu đối chứng có hiệu chuẩn trước là không hoàn toàn chấp nhận được. Có thể có nhiều lý do khác nhau cho điều này và nói chung, có thể phân biệt ba trường hợp khác nhau:
- Kết quả thu được với các mẫu đối chứng chỉ sai lệch một chút so với các giá trị mong đợi.
- Kết quả có thể chấp nhận được, nhưng sai số tiêu chuẩn có phần lớn hơn.
- Kết quả sai lệch đáng kể.
Chúng tôi sẽ xem xét từng trường hợp này dưới đây và đưa ra các đề xuất.
Trường hợp 1: Các kết quả thu được với các mẫu đối chứng chỉ sai lệch một chút so với các giá trị mong đợi.
Nếu giá trị thu được từ các mẫu đối chứng chỉ sai lệch một chút, giải pháp hiệu chỉnh slope-bias correction là giải pháp được khuyến nghị. Quá trình này được minh họa trong Hình 3.
Trong sơ đồ trên cùng, bạn thấy rằng các giá trị từ hiệu chuẩn trước luôn sai lệch trong toàn bộ phạm vi. Trong tình huống này, có thể thực hiện hiệu chỉnh độ lệch độ dốc trên mô hình được đo trong phần mềm Vision Air. Sau khi điều này đã được thực hiện, kết quả rất phù hợp (Hình 3 - dưới cùng).
Trường hợp 2: Các kết quả có thể chấp nhận được, nhưng sai số có phần lớn hơn.
Trong hầu hết các trường hợp, trường hợp này được quan sát nếu phạm vi của đường chuẩn dựng sẵn lớn hơn nhiều so với phạm vi mà nhà phân tích quan tâm.
Xem xét phép đo giá trị ở cuối phạm vi đo. Sai số của đường chuẩn dựng sẵn được tính toán trên toàn bộ phạm vi và do đó tác động của sai số trung bình (SECV = sai số thẩm định chéo) lớn hơn nhiều đối với các giá trị ở đầu dưới so với các giá trị ở giữa phạm vi đo. Điều này được minh họa trong Hình 4 và Bảng 1.
Table 1. Figures of merit for the different regions of the pre-calibration from Figure 4. Note the much smaller SECV for the range 0–36 compared to the SECV for the full range of 0–200.
| Range | R2 | SEC | SECV |
| 0–200 | 0.996 | 3.8 | 3.9 |
| 0–36 | 0.994 | 0.77 | 0.81 |
| 32–109 | 0.986 | 3.3 | 3.8 |
| 91–200 | 0.977 | 3.6 | 3.7 |
The recommended action in this case is to remove certain ranges of the pre-calibration, leaving in only the range of interest.
From Table 1, it is clear that the SECV for the whole range (0–200) is much higher than the SECV of the smaller range (0–36). This means that when removing the samples corresponding to the higher ranges from the pre-calibration (leaving only the range of 0–36 in), the resulting modified pre-calibration gives a lower SECV.
Case 3: The results deviate significantly
There can be several reasons behind an unsatisfying prediction performance. We will discuss two reasons.
In the first example, consider the possibility that the samples provided for analysis are proprietary. For instance, certain manufacturers produce unique, patented polyols. These proprietary substances are not included among the standard collection of sample spectra in the pre-calibration. Thus, the pre-calibration does not provide acceptable results for such proprietary samples.
Another example is shown in Figure 5. It can be observed that the values from the primary method (blue data points) deviate significantly from the values obtained from the pre-calibration model.
This example is taken from a real customer case which we have observed. At first, we were a bit puzzled when checking the measurement results, but the reason became clear after speaking with our customer. They had chosen to measure the primary values (hydroxyl number) via manual titration and not, as recommended, with an automatic titrator from Metrohm.
Therefore, the reason for the unsatisfying performance is the poor accuracy of manual titration of the control samples and has nothing to do with the quality of the pre-calibration.
For more information about manual titration, read our blog post below about the main error sources:
NIR spectroscopy pre-calibrations from Metrohm
Metrohm offers a selection of pre-calibrations for a diverse collection of applications. These are listed in Table 2 together with the most important parameters of the pre-calibration. Click on the links to get more information.
Table 2. Overview of available pre-calibrations for the Metrohm Vision Air software.
| Pre-calibration | Selected Important Parameters |
| Polyols | Hydroxyl number (ASTM D6342) |
| Gasoline | RON, MON, anti-knock index, aromatics, benzene, olefins |
| Diesel | Cetane index, density, flash point |
| Jet Fuel | Cetane, index, density, aromatics |
| Palm oil | Iodine value, free fatty acids, moisture |
| Pulp and Paper | Kappa number, density, strength parameters |
| Polyethylene (PE) | Density, intrinsic viscosity |
| Polypropylene (PP) | Melt Flow Rate |
| Polyethylene Terephthalate (PET) | Intrinsic viscosity, acid number, and others |
| Polyamide (PA 6) | Intrinsic viscosity, NH2 and COOH end groups |
| Cannabis | THC, CBD, and CBG content; moisture |
| Stool analysis | Fat, calorie, and nitrogen content; moisture |
Conclusion
Pre-calibrations are prediction models based on a large number of real product spectra. These allow users to skip the initial model development part and make it possible to use the instrument from day one, saving both time and money.
