Мера волновых чисел рамановских сдвигов и возможности ее применения для количественного анализа

Обложка

Цитировать

Полный текст

Аннотация

Рамановская спектроскопия в основном используется для качественного анализа, поскольку интенсивность рамановских линий зависит от прибора, на котором измерен спектр. В то же время высокая селективность рамановских спектров стимулирует интерес к поиску способов их использования также и для количественного анализа. В этой связи особую актуальность приобретает разработка способов эффективного применения рамановской спектроскопии для количественного анализа.Целью настоящего исследования являлось изучение возможностей применения для количественного анализа по рамановским спектрам разработанной в ФГБУ «ВНИИОФИ» меры, предназначенной для калибровки рамановских приборов по шкале волновых чисел рамановских сдвигов.Разработанная мера (93847-24 – регистрационный номер в Федеральном информационном фонде по обеспечению единства измерений) представляет собой полимерную пленку из полистирола с добавлением серы. Мера позволяет хранить и передавать единицу волновых чисел рамановских сдвигов для длин волн возбуждения рамановского рассеяния 532, 633 и 785 нм.В статье описано исследование, в ходе которого рассмотрена возможность применения данной меры для количественного анализа веществ за счет измерения интенсивности рамановских линий в приборно-независимых единицах. Установлено, что применение меры позволяет определять объемную долю индивидуальных веществ (на примере этанола) с относительной случайной погрешностью менее 3 % и относительной систематической погрешностью менее 6 %. Для анализа многокомпонентных смесей (спиртов, сахаров) с помощью меры строилась многомерная градуировка с применением метода частичных наименьших квадратов. При этом объемная доля компонентов в неизвестном образце определялась с относительной погрешностью, не превышающей 15 %.Практическая значимость полученных результатов исследования позволяет производить калибровку рамановских микроскопов и спектрометров по шкале волновых чисел рамановских сдвигов, а также осуществлять количественный анализ индивидуальных веществ в многокомпонентных системах с помощью рамановской спектроскопии.

Об авторах

А. А. Юшина

ФГБУ «Всероссийский научно-исследовательский институт оптико-физических измерений»

Email: yushina@vniiofi.ru

М. К. Аленичев

ФГБУ «Всероссийский научно-исследовательский институт оптико-физических измерений»

Email: alenichev@vniiofi.ru
ORCID iD: 0000-0001-6336-8900

А. В. Саакян

ФГБУ «Всероссийский научно-исследовательский институт оптико-физических измерений»

Email: saakian.av@phystech.edu
ORCID iD: 0000-0002-4012-4935

А. Д. Левин

ФГБУ «Всероссийский научно-исследовательский институт оптико-физических измерений»

Email: levin-ad@vniiofi.ru
ORCID iD: 0000-0001-9087-952X

Список литературы

  1. Benattia F. K., Arrar Z., Dergal F. Methods and applications of Raman spectroscopy: a powerful technique in modern research, diagnosis, and food quality control // Current Nutrition & Food Science. 2024. Vol. 20, № 1. P. 41–61. https://doi.org/10.2174/1573401319666230503150005
  2. Xiao L., Feng S., Lu X. Raman spectroscopy: Principles and recent applications in food safety // Advances in Food and Nutrition Research. 2023. Vol. 106. P. 1–29. https://doi.org/10.1016/bs.afnr.2023.03.007
  3. Khristoforova Y., Bratchenko L., Bratchenko I. Raman-based techniques in medical applications for diagnostic tasks: a review // International Journal of Molecular Sciences. 2023. Vol. 24, № 21. P. 15605. https://doi.org/10.3390/ijms242115605
  4. Raman spectroscopy for viral diagnostics / J. Lukose// Biophysical Reviews. 2023. Vol. 15, № 2. P. 199–221. https://doi.org/10.1007/s12551-023-01059-4
  5. Recent advancements and applications of Raman spectroscopy in pharmaceutical analysis / K. C. Shah// Journal of Molecular Structure. 2023. Vol. 1278. P. 134914. https://doi.org/10.1016/j.molstruc.2023.134914
  6. Ott C. E., Arroyo L. E. Transitioning surface-enhanced Raman spectroscopy (SERS) into the forensic drug chemistry and toxicology laboratory: Current and future perspectives // Wiley Interdisciplinary Reviews: Forensic Science. 2023. Vol. 5, № 4. P. e1483. https://doi.org/10.1002/wfs2.1483
  7. Chauhan S., Sharma S. Applications of Raman spectroscopy in the analysis of biological evidence // Forensic Science, Medicine and Pathology. 2024. Vol. 20, № 3. P. 1066–1090. https://doi.org/10.1007/s12024–023–00660-z
  8. Recent progresses in machine learning assisted Raman spectroscopy / Y. Qi// Advanced Optical Materials. 2023. Vol. 11, № 14. P. 2203104. https://doi.org/10.1002/adom.202203104
  9. Berghian-Grosan C., Magdas D. A. Application of Raman spectroscopy and Machine Learning algorithms for fruit distillates discrimination // Scientific reports. 2020. Vol. 10, № 1. P. 21152. https://doi.org/10.1038/s41598-020-78159-8
  10. Using Raman spectroscopy as a fast tool to classify and analyze Bulgarian wines-A feasibility study / V. Deneva// Molecules. 2019. Vol. 25, № 1. P. 170. https://doi.org/10.3390/molecules25010170
  11. Learning algorithms for identification of whisky using portable Raman spectroscopy / K. J. Lee// Current Research in Food Science. 2024. Vol. 8. P. 100729. https://doi.org/10.1016/j.crfs.2024.100729
  12. Black Carbon characterization with Raman spectroscopy and machine learning techniques: first results for urban and rural area / L. Drudi// Global NEST International Conference on Environmental Science & Technology: Collection of works 18th International Conference on Environmental Science and Technology CEST 2023, Athens, Greece, 30 August to 2 September 2023. https://doi.org/10.30955/gnc2023.00088
  13. Machine-learning models for Raman spectra analysis of twisted bilayer graphene / N. Sheremetyeva// Carbon. 2020. Vol. 169. P. 455–464. https://doi.org/10.1016/j.carbon.2020.06.077
  14. Raman spectroscopy combined with machine learning algorithms to detect adulterated Suichang native honey / S. Hu// Scientific reports. 2022. Vol. 12, № 1. P. 3456. https://doi.org/10.1038/s41598-022-07222-3
  15. Machine learning assisted Raman spectroscopy: A viable approach for the detection of microplastics / M. Sunil// Journal of Water Process Engineering. 2024. Vol. 60. P. 105150. https://doi.org/10.1016/j.jwpe.2024.105150
  16. Machine learning-assisted raman spectroscopy and SERS for bacterial pathogen detection: clinical, food safety, and environmental applications / M. H. U. Rahman// Chemosensors. 2024. Vol. 12, № 7. P. 140. https://doi.org/10.3390/chemosensors12070140
  17. Qi Y., Liu Y., Luo J. Recent application of Raman spectroscopy in tumor diagnosis: from conventional methods to artificial intelligence fusion // PhotoniX. 2023. Vol. 4, № 1. P. 22. https://doi.org/10.1186/s43074-023-00098-0
  18. Machine learning analysis of Raman spectra to quantify the organic constituents in complex organic-mineral mixtures / M. Zarei// Analytical Chemistry. 2023. Vol. 95, № 43. P. 15908–15916. https://doi.org/10.1021/acs.analchem.3c02348
  19. Аленичев М. К., Юшина А. А. Мера волновых чисел рамановских сдвигов широкого диапазона на основе полимерного материала обучения // Измерительная техника. (В печати.)
  20. Kumar K. Partial least square (PLS) analysis: Most favorite tool in chemometrics to build a calibration model // Resonance. 2021. Vol. 26. P. 429–442. https://doi.org/10.1007/s12045-021-1140-1
  21. Саакян А. В., Левин А. Д. Программное обеспечение для обработки спектральных данных методами хемометрики и машинного обучения // Аналитика. 2024. Т. 14, № 2. C. 154–160. https://doi.org/10.22184/2227–572X.2024.14.2.154.160

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).