Naslov
Primjena neuronskih mreža za procjenu koncentracije otopine ksilometazolin hidroklorida u n-butanolu korištenjem in situ ATR-FTIR spektroskopije
(Application of neural networks to estimate the concentration of xylometazoline hydrochloride solution in n-butanol using in situ ATR-FTIR spectroscopy)

Autori
Herceg, Tesa ; Ujević Andrijić, Željka ; Gavran, Matea ; Sacher, Josip ; Vrban, Ivan ; Bolf, Nenad

Vrsta, podvrsta
Radovi u časopisima, znanstveni

Izvornik
Kemija u industriji : časopis kemičara i tehnologa Hrvatske (2023)

Status rada
Poslan

Ključne riječi
Kristalizacija, Procesna analitička tehnologija, ATR-FTIR spektroskopija ; Strojno učenje ; Ksilometazolin hidroklorid
(Crystallization, Process analytical technology, ATR-FTIR spectroscopy, Machine learning, Xylometazoline hydrochloride)

Sažetak
Procesna analitička tehnologija (PAT) sve se češće primjenjuje u procesu kristalizacije za kontinuirano praćenje neke od ključnih procesnih veličina i značajki kvalitete proizvoda. Vrlo bitne procesne varijable za kristalizaciju hlađenjem su temperatura i koncentracija otopine. Kontinuirano mjerenje koncentracije omogućeno je naprednim in situ spektroskopskim instrumentima. U takve metode spada i prigušena prigušena ukupna reflektancija Fourier transformacijske infracrvene spektroskopije (engl. Attenuated Total Reflectance Fourier Transform Infrared Spectroscopy, ATR- FTIR), korištena u ovom istraživanju. U ovom radu razvijeni su kemometrijski modeli za kontinuiranu procjenu koncentracije otopine u stvarnom vremenu metodama strojnog učenja. Cilj ovog rada bio je razviti i ispitati modele parcijalne regresije metodom najmanjih kvadrata (engl. Partial Least Squares Regression, PLSR) i modele neuronskih mreža (engl. Neural Networks, NN) za modeliranje ovisnosti koncentracije djelatne tvari, ksilometazolin hidroklorid, u n-butanolu, o temperaturi i spektralnim podacima dobivenih mjerenjima ATR-FTIR spektrometrom. U radu je provedena predobrada prikupljenih podataka tehnikom MSC (engl. Multiplicative Scatter Correction), te je provedeno skaliranje podataka prema Min-Max i Z-score normalizaciji. Analiziran je broj neurona u prvom i drugom skrivenom sloju, broj skrivenih slojeva, vrsta primijenjenog algoritma učenja (ADAM, NADAM, RMSprop) kao i utjecaj vrste prijenosne funkcije (ReLU, sigmoid, tanh) na kvalitetu razvijenih neuronskih mreža. Razvijeni modeli na sva četiri skupa podataka dali su jako dobre rezultate s obzirom na iznose koeficijenta determinacije i srednje kvadratne pogreške. Modelom neuronske mreže dobiveni su koeficijenti determinacije u rasponu vrijednosti od 0, 9979 do 0, 9989, dok je srednja kvadratna pogreška od 0, 0020 do 0, 0011. PLSR modelom dobiveni su koeficijenti determinacije od 0, 9990 do 0, 9995, odnosno srednja kvadratna pogreške od 0, 0009 do 0, 0005. Dobiveni rezultati pokazali su kako predobrada podataka i dodavanje drugoga skrivenog sloja neuronske mreže u ovoj studiji nisu imali velikoga utjecaja na konačne rezultate. Ovakav način praćenja i kontrole procesa rezultira efikasnijom proizvodnjom uz smanjenu vjerojatnost pogreške, što u konačnici omogućuje farmaceutskoj industriji brže plasiranje proizvoda na tržište.

Izvorni jezik
Hrvatski

Znanstvena područja
Kemijsko inženjerstvo

POVEZANOST RADA