Machine Learning e infravermelho próximo-NIR.pptx

uso do Machine Learning e espectroscopia no infravermelho próximo-NIR

1. 8 Do inglês “ Green Chemistry ”, também conhecida como: Química auto-sustentável , Química limpa, Química sustentável e Química ambientalmente benigna. Pode ser definida como a utilização de técnicas químicas através do desenvolvimento de novas metodologias de análises, e implementação de produtos químicos e processos que reduzem ou eliminam o uso de solventes, reagentes ou a geração de produtos que são nocivos á saúde humana ou ao meio ambiente. 1. INTRODUÇÃO Química Verde

2. 9 1- Prevenção; 2- Economia de átomos; 3- Síntese Segura; 4- Desenvolvimento de Produtos Seguros; 5- Diminuição de Solventes e Auxiliares; 6- Eficiência Energética; 7- Uso de Fontes de Matéria-Prima Renováveis; 8- Evitar a formação de Derivados; 9- Catálise; 10- Produtos Degradáveis; 11- Análise em tempo real para Prevenção de Poluição; 12- Química Segura para a Prevenção de Acidentes. 1. INTRODUÇÃO

3. ESPECTROSCOPIA NO INFRAVERMELHO 400 nm 780 nm 1.000.000 nm FIR MIR NIR 780nm 2.500nm 50.000nm 1.000.000nm Região Frequência (Hz) Número de onda (cm -1 ),  Comprimento de onda ( nm ),  Próximo (NIR) 3,8 x 10 14 a 1,2 x 10 14 12.800 a 4.000 780 a 2.500 Médio (MIR) 1,2 x 10 14 a 6,0 x 10 12 4.000 a 200 2.500 a 50.000 Distante (FIR) 6,0 x 10 12 a 3,0 x 10 11 200 a 10 50.000 a 1.000.000 10

4. A radiação NIR foi detectada primeiro que a radiação no MIR, porém foi negligenciada pelos espectroscopistas pois não havia atrativos, as bandas eram largas, sobrepostas e com baixo valor de absorção. A radiação no MIR tornou bastante popular após Coblentz (1900) demonstrar a possibilidade de usar esta radiação para identificar grupos funcionais de compostos orgânicos. Em 1938 Ellis e Bath descreveram o trabalho pioneiro sobre o uso da espectroscopia NIR na determinação de água em gelatina. Somente a partir da década de 1980 é que f oi observado um rápido desenvolvimento da espectroscopia NIR impulsionado pelo desenvolvimento computacional de Análise Multivariada. 11 Infravermelho Próximo 1. INTRODUÇÃO

5. Figura 02 - Configuração da instrumentação básica do NIR: a) Transmitância; b) Reflectância. 12 1. INTRODUÇÃO NIR - Instrumentação

6. Figura 03 - Representação da reflexão especular e difusa de uma onda eletromagnética em uma amostra particulada . Fonte: MESSERSCHMIDT, 1999. p. 17. NIR Reflectância 13 NIR - Reflectância 1. INTRODUÇÃO

7. NIR É utilizado para realizações de medidas de vibrações de overtones (primeiro, segundo e terceiro sobretons ) e bandas de combinações de vibrações fundamentais. Muito rápida amostras ( in natura) Não destrutiva Não produz resíduo Economica-mente viável para indúst. Rotina de controle de qualidade Espectroscopia NIR Agricultura (Alimentos); Polímeros; Indústria do Petróleo (combustíveis); Indústria Têxtil; Meio Ambiente; Indústria Farmacêutica (Cosméticos); Medicina 14 1. INTRODUÇÃO

8. São ferramentas que fazem uso de algoritmos com intuito de otimizar as informações obtidas em procedimentos experimentais. Estatística Matemática Computação Quimiometria Engenharia Biologia Agronomia Química NIR QUIMIOMETRIA Gerar informações Extrair e empregar a informação Geologia Medicina Farmácia Ciência forense Indústria 15 1. INTRODUÇÃO Quimiometria

9. LEE e CHOUNG ( 2011), realizaram uma pesquisa para avaliar o potencial da espectroscopia infravermelha na região NIR na classificação de sementes de soja geneticamente modificada (GM) e não modificada geneticamente. 16 SANTOS, M. B. H. (2013), na sua pesquisa de doutorado, intitulada “ Fenotipagem não-destrutiva usando espectroscopia no infravermelho próximo e quimiometria em sementes de mamona”, desenvolveu modelos de classificação de duas diferentes cultivares comerciais de mamona. VASCONCELOS, M. C. (2016), defendeu a tese de doutorado sobre a diferenciação de cultivares de girassol por espectroscopia infravermelha na região próximo, utilizando sementes e óleo. PANERO e colaboradores (2018), realizaram a discriminação de 6 diferentes cultivares de soja, cultivadas em um mesmo tipo de solo. T ipificação de sementes e grãos - NIR 1. INTRODUÇÃO

10. Matematicamente, decompõe a matriz X Não altera as relações entre as amostras, apenas projeta dados em dimensão menor; Proporciona a interpretação visual das possíveis relações existentes entre as amostras através das PCs; Útil em detecção de comportamento atípico de amostras e, consequen-temente , no controle de processos industriais. 18   scores T (representa as relações entre as amostras) loadings L (relações entre as variáveis)   matriz de resíduos ( infor-mações não relevantes) Desafio Mineração dos dados PCA – Análise de componentes principais QUIMIOMETRIA Reconhecimento de Padrão 1. INTRODUÇÃO

11. Matematicamente, a determinação do quanto uma amostra é semelhante a outra se dá por meio do cálculo da distância entre elas; Método de reconhecimento de padrão não supervisionado; Proporciona a interpretação visual por meio de dendrogramas ; Útil para detecção de similaridade entre as amostras e no controle de processos industriais. 19   Desafio Mineração dos dados QUIMIOMETRIA HCA – Análise de agrupamento hierárquico Reconhecimento de Padrão 1. INTRODUÇÃO

12. As técnicas de reconhecimento de padrões supervisionadas, ou também denominadas métodos de classificação, são técnicas utilizadas em Machine Learning , que é um subcampo da inteligência artificial (ROZA, 2016). A tarefa principal de uma técnica de classificação é predizer a classe de uma amostra que está em análise, sendo necessário existir um supervisor, na qual é fornecido pelo registro dos valores das variáveis de saída, que são as variáveis ou classes que se deseja predizer a partir dos dados existentes. 20 Desafio Mineração dos dados QUIMIOMETRIA Classificação Predição Machine Learning 1. INTRODUÇÃO

13. A amostra excluída é classificada conforme a maioria dos “votos” de seus vizinhos mais próximos. Desafio Mineração dos dados KNN – K- ésimo Vizinho mais Próximo Técnica baseada em instâncias, atribuir uma classe a cada amostra desconhecida, na qual utiliza o conceito de semelhança de forma direta para identificar a classe; QUIMIOMETRIA Método de reconhecimento de padrão supervisionado; Predição Matriz de erro ou matriz de consistência; 21 Machine Learning 1. INTRODUÇÃO

14. Possibilita a realização de testes (de amostras desconhecidas) a fim de verificar sua capacidade de previsão; Desafio Mineração dos dados SIMCA – Modelagem por analogia de classes Resultando em amostra: A - uma categoria A - nenhuma categoria A A - mais de uma categoria Basicamente desenvolve modelos de PCs para cada categoria de conjunto de treinamento de amostras conhecidas; QUIMIOMETRIA Método de reconhecimento de padrão supervisionado; Predição 22 1. INTRODUÇÃO Machine Learning