Detección y cuantificación por espectroscopia láser
de infrarrojo medio de explosivos en suelos mediante
análisis multivariante e inteligencia artificial

Se utilizó un espectrómetro de láser de cascada cuántica sintonizable (QCL) para desarrollar métodos de detección y cuantificación de explosivos altos (HE) en el suelo basados en análisis multivariante (MVA) e inteligencia artificial (IA). Para la cuantificación, mezclas de 2,4-dinitrotolueno (DNT) de concentraciones de 0% a 20% p / pcon muestras de suelo. Se utilizaron tres tipos de suelos, bentonita, suelo sintético y suelo natural. Se generó un modelo de regresión de mínimos cuadrados parciales (PLS) para predecir las concentraciones de DNT. Para aumentar la selectividad, el modelo se entrenó y evaluó utilizando analitos adicionales como interferencias, incluidos otros HEs como tetranitrato de pentaeritritol (PETN), trinitrotolueno (TNT), ciclotrimetilentrinitramina (RDX) y no explosivos como ácido benzoico e ibuprofeno. Para los experimentos de detección, se utilizaron mezclas de diferentes explosivos con suelos para implementar dos estrategias de IA. En la primera estrategia, los espectros de las muestras se compararon con los espectros de suelos almacenados en una base de datos para identificar los suelos más similares basados en espectroscopía QCL. 

Próximo, Se aplicó un preprocesamiento basado en mínimos cuadrados clásicos (Pre-CLS) a los espectros de suelos seleccionados de la base de datos. El parámetro obtenido en base a la suma de los pesos de Pre-CLS se utilizó para generar un modelo de discriminación binario simple para distinguir entre suelos contaminados y no contaminados, logrando una precisión de 0.877. En la segunda estrategia de IA, el mismo parámetro se agregó a una matriz de componentes principales obtenida a partir de datos espectrales de muestras y se utilizó para generar modelos de clasificación múltiple basados en diferentes algoritmos de aprendizaje automático. Un modelo forestal aleatorio funcionó mejor con una precisión de 0,996 y permitió distinguir entre suelos contaminados con DNT, TNT o RDX y suelos no contaminados. 

El parámetro obtenido en base a la suma de los pesos de Pre-CLS se utilizó para generar un modelo de discriminación binario simple para distinguir entre suelos contaminados y no contaminados, logrando una precisión de 0.877. En la segunda estrategia de IA, el mismo parámetro se agregó a una matriz de componentes principales obtenida a partir de datos espectrales de muestras y se utilizó para generar modelos de clasificación múltiple basados en diferentes algoritmos de aprendizaje automático. Un modelo forestal aleatorio funcionó mejor con una precisión de 0,996 y permitió distinguir entre suelos contaminados con DNT, TNT o RDX y suelos no contaminados. 

El parámetro obtenido en base a la suma de los pesos de Pre-CLS se utilizó para generar un modelo de discriminación binario simple para distinguir entre suelos contaminados y no contaminados, logrando una precisión de 0.877. En la segunda estrategia de IA, el mismo parámetro se agregó a una matriz de componentes principales obtenida a partir de datos espectrales de muestras y se utilizó para generar modelos de clasificación múltiple basados en diferentes algoritmos de aprendizaje automático. Un modelo forestal aleatorio funcionó mejor con una precisión de 0,996 y permitió distinguir entre suelos contaminados con DNT, TNT o RDX y suelos no contaminados. 

El mismo parámetro se agregó a una matriz de componentes principales obtenida a partir de datos espectrales de muestras y se utilizó para generar modelos de clasificación múltiple basados en diferentes algoritmos de aprendizaje automático. Un modelo forestal aleatorio funcionó mejor con una precisión de 0,996 y permitió distinguir entre suelos contaminados con DNT, TNT o RDX y suelos no contaminados. el mismo parámetro se agregó a una matriz de componentes principales obtenida a partir de datos espectrales de muestras y se utilizó para generar modelos de clasificación múltiple basados en diferentes algoritmos de aprendizaje automático. Un modelo forestal aleatorio funcionó mejor con una precisión de 0,996 y permitió distinguir entre suelos contaminados con DNT, TNT o RDX y suelos no contaminados.