DOI: https://doi.org/10.1016/j.jece.2026.121499
تاريخ النشر: 2026-01-29
المؤلف: Andrea Della Valle وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
في هذه الدراسة، تم تطوير مجموعة بيانات تجريبية شاملة من أطياف الامتصاص بالأشعة تحت الحمراء (IR)، تشمل تسع فئات من المركبات العضوية المتطايرة (VOCs) ذات الصلة بمراقبة جودة الهواء. تحتوي مجموعة البيانات على أطياف IR بتركيزات مختلفة، من بضع إلى عشرات الأجزاء في المليون (ppm)، مما يسهل دراسات التعرف التلقائي. تم تنفيذ نهج تعلم الآلة (ML) باستخدام الشبكات العصبية التلافيفية (CNNs) لتحديد وكمية المركبات العضوية المتطايرة بناءً على هذه الأطياف. لمعالجة تحدي قلة الأمثلة للفئات غير الممثلة بشكل كافٍ من المركبات العضوية المتطايرة، تم استخدام مشفر تلقائي متغير شرطي (CVAE) لتوليد أطياف صناعية، والتي أظهرت أنها تحافظ على خصائص البيانات التجريبية وتعزز أداء الشبكات العصبية التلافيفية.
أشارت النتائج إلى أن الشبكات العصبية التلافيفية المدربة ببيانات معززة من الأطياف الصناعية تفوقت على تلك المدربة فقط على مجموعة البيانات الأصلية، مما يظهر قدرتها على تصنيف المركبات العضوية المتطايرة بدقة وتوقع تركيزاتها في الهواء. كما توفر الدراسة مجموعة بيانات متوازنة من الأطياف الصناعية لمزيد من البحث. ستركز الأعمال المستقبلية على تطبيق هذه الطريقة على أنواع وخلائط مختلفة من المركبات العضوية المتطايرة، بهدف تطوير مجموعة بيانات تجريبية جديدة تشمل قياسات تركيز موثوقة لخلائط المركبات العضوية المتطايرة، مما يوسع من قابلية تطبيق النهج المقترح في سيناريوهات الاستشعار والمراقبة في العالم الحقيقي المتنوعة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الحاجة الملحة لمراقبة فعالة لجودة الهواء في الأماكن المغلقة والهواء الطلق، خاصة فيما يتعلق بالكشف عن المركبات العضوية المتطايرة (VOCs)، التي تشكل مخاطر صحية كبيرة بسبب انتشارها في العمليات الطبيعية والبشرية. تؤكد الورقة على قيود طرق الكشف الحالية، التي غالبًا ما تفتقر إلى الحساسية والخصوصية المطلوبة للمراقبة في الوقت الحقيقي لعدة مركبات عضوية متطايرة، خاصة في ضوء التشريعات الحالية التي لا تعالج بشكل كافٍ سيناريوهات التعرض المشترك.
لمعالجة هذه التحديات، يقترح المؤلفون تطوير تقنيات تعلم الآلة المتقدمة لتحديد وكمية المركبات العضوية المتطايرة باستخدام أطياف امتصاص الأشعة تحت الحمراء (IR). يحددون نهجًا مزدوجًا يتضمن جمع مجموعة بيانات شاملة من أطياف المركبات العضوية المتطايرة من خلال مطيافية الأشعة تحت الحمراء بتحويل فورييه (FTIR) وتوليد أطياف صناعية باستخدام مشفر تلقائي متغير شرطي (CVAE). يهدف هذا الاستراتيجية إلى تعزيز تدريب الشبكات العصبية التمييزية (NNs) لتحسين الكشف عن المركبات العضوية المتطايرة وتوقع التركيز. تشير النتائج إلى أن دمج البيانات الصناعية يمكن أن يعزز بشكل كبير من قوة نماذج تعلم الآلة، مما يمهد الطريق للتطبيق المستقبلي للتعرف التلقائي على المركبات العضوية المتطايرة في أجهزة الاستشعار. كما يوفر المؤلفون مستودعًا مفتوحًا من أطياف امتصاص المركبات العضوية المتطايرة الصناعية لتسهيل المزيد من البحث في هذا المجال.
طرق
في هذا القسم، يحدد المؤلفون الطرق المستخدمة لتحليل المركبات العضوية المتطايرة (VOCs) باستخدام مطيافية الأشعة تحت الحمراء (IR) وتقنيات تعلم الآلة. يتضمن الإعداد التجريبي استخدام جهاز تداخل Bruker Vertex 70v مقترنًا بخلايا غاز متعددة الممرات من سلسلة GEMINI Mars، مما يسمح بحساسية عالية في الكشف عن تركيزات منخفضة من المركبات العضوية المتطايرة. تركز الدراسة على عدة مركبات، بما في ذلك الأسيتون، والإيثانول، وأنواع مختلفة من الزيلين، بمستويات نقاء تبلغ 99% أو أعلى. يتم جمع أطياف IR بعد إقامة توازن بين غرفة التبخر وخلايا الغاز متعددة الممرات، حيث يمثل كل طيف متوسط 64 مسحًا عبر نطاق طيفي من 400 إلى 5000 سم\(^{-1}\). يتم تسجيل الأطياف الخلفية وطرحها لإزالة التداخلات الجوية.
يتضمن الجانب الحسابي من البحث ثلاث مهام رئيسية لتعلم الآلة: (i) تدريب شبكة عصبية تمييزية أساسية (NN) لتحديد المركبات العضوية المتطايرة وتوقع تركيزاتها من أطياف IR، (ii) تطوير شبكة عصبية توليدية شرطية لتوليد أطياف لفئات وتركيزات محددة من المركبات العضوية المتطايرة، و(iii) تعزيز أداء النموذج من خلال شبكتين إضافيتين تمييزيتين تستخدمان إما الأطياف الصناعية أو تقنيات زيادة العينة التقليدية. تتم مقارنة فعالية هذه النماذج المحسنة بعد ذلك مع تلك الخاصة بالشبكة العصبية الأساسية، مما يوفر رؤى حول الإمكانية لتحسين تحديد المركبات العضوية المتطايرة وتوقع التركيز.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي لوحظت. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية ذات صلة، بما في ذلك قيم p وفترات الثقة، للتحقق من النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح البيانات بشكل أكثر فعالية. تساعد هذه الوسائل البصرية في تعزيز فهم القارئ للنتائج وتسهيل المقارنات بين ظروف تجريبية أو مجموعات مختلفة. بشكل عام، تسهم النتائج في الآثار الأوسع للبحث، مما يشير إلى تطبيقات محتملة أو مجالات لمزيد من التحقيق.
مناقشة
في هذه الدراسة، تم إنشاء مجموعة بيانات شاملة من 1230 طيف امتصاص بالأشعة تحت الحمراء (IR)، تشمل تسع فئات من المركبات العضوية المتطايرة (VOCs) وفئة تحكم من الهواء. تم تصميم مجموعة البيانات، التي تمتد عبر نطاق تردد من 700 سم\(^{-1}\) إلى 1300 سم\(^{-1}\)، لالتقاط أوضاع الاهتزاز الرئيسية للمركبات العضوية المتطايرة، على الرغم من أنها أظهرت عدم توازن في الفئات. لتعزيز تدريب النموذج، تم استخدام تقنيات زيادة البيانات، بما في ذلك زيادة العينة وتوليد البيانات الصناعية باستخدام مشفرات تلقائية متغيرة شرطية (CVAE). استخدمت بنية الشبكات العصبية التمييزية (NNs) هيكل شبكة عصبية تلافيفية (CNN)، مما يمكّن من استخراج الميزات تلقائيًا وتقليل التحيز البشري في اختيار الميزات.
أظهرت أداء نموذج CNN الأساسي دقة عالية في تحديد المركبات العضوية المتطايرة (99.5% دقة) ولكنه واجه صعوبة مع الفئات غير الممثلة بشكل كافٍ، خاصة الزيلين ortho و para. حسنت النماذج المعززة، المدربة على مجموعات بيانات معززة، توقعات التركيز بشكل كبير، خاصة لهذه المركبات العضوية المتطايرة غير الممثلة، حيث انخفضت الأخطاء المربعة المتوسطة (MSE) من 142 ppm\(^2\) للنموذج الأساسي إلى 26.7 ppm\(^2\) للنموذج المعزز بزيادة العينة. أكدت الدراسة أن الأطياف الصناعية التي تم توليدها بواسطة CVAE تشبه إلى حد كبير البيانات التجريبية، مما يثبت استخدامها لتدريب الشبكات العصبية التمييزية. تسلط النتائج الضوء على إمكانيات الشبكات العصبية التلافيفية المطورة للكشف والمراقبة في الوقت الحقيقي للمركبات العضوية المتطايرة، مع توجيه الأعمال المستقبلية نحو توسيع المنهجية لتشمل خلطات المركبات العضوية المتطايرة وظروف تجريبية متنوعة.
DOI: https://doi.org/10.1016/j.jece.2026.121499
Publication Date: 2026-01-29
Author(s): Andrea Della Valle et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
In this study, a comprehensive experimental dataset of infrared (IR) absorption spectra was developed, encompassing nine classes of volatile organic compounds (VOCs) relevant for air quality monitoring. The dataset features IR spectra at various concentrations, from a few to tens of parts per million (ppm), facilitating automatic recognition studies. A machine learning (ML) approach utilizing convolutional neural networks (CNNs) was implemented for the identification and quantification of VOCs based on these spectra. To address the challenge of limited examples for under-represented VOC classes, a conditional variational autoencoder (CVAE) was employed to generate synthetic spectra, which were shown to maintain the characteristics of the experimental data and enhance the performance of the CNNs.
The results indicated that CNNs trained with augmented data from synthetic spectra outperformed those trained solely on the original dataset, demonstrating their capability to accurately classify different VOCs and predict their concentrations in the air. The study also provides a balanced dataset of synthetic spectra for further research. Future work will focus on applying this method to various VOC species and mixtures, with the goal of developing a new experimental dataset that includes reliable concentration measurements for VOC mixtures, thereby expanding the applicability of the proposed approach in diverse real-world sensing and monitoring scenarios.
Introduction
The introduction of the research paper highlights the urgent need for effective monitoring of indoor and outdoor air quality, particularly concerning the detection of Volatile Organic Compounds (VOCs), which pose significant health risks due to their prevalence in both natural and anthropogenic processes. The paper emphasizes the limitations of current detection methods, which often lack the sensitivity and specificity required for real-time monitoring of multiple VOCs, particularly in light of existing legislation that does not adequately address co-exposure scenarios.
To address these challenges, the authors propose the development of advanced machine learning (ML) techniques for the identification and quantification of VOCs using their infrared (IR) absorption spectra. They outline a two-pronged approach that involves collecting a comprehensive dataset of VOC spectra through Fourier-Transform IR (FTIR) spectroscopy and generating synthetic spectra using a conditional variational autoencoder (CVAE). This strategy aims to enhance the training of discriminative neural networks (NNs) for improved VOC detection and concentration prediction. The findings suggest that the integration of synthetic data can significantly bolster the robustness of ML models, paving the way for the future implementation of automatic VOC recognition in sensing devices. The authors also provide an open repository of synthetic VOC absorption spectra to facilitate further research in this area.
Methods
In this section, the authors outline the methods employed for analyzing volatile organic compounds (VOCs) using infrared (IR) spectroscopy and machine learning techniques. The experimental setup involves the use of a Bruker Vertex 70v interferometer coupled with a GEMINI Mars Series multipass gas cell, allowing for high sensitivity in detecting low concentrations of VOCs. The study focuses on several compounds, including acetone, ethanol, and various xylenes, with purity levels of 99% or higher. The IR spectra are collected after establishing equilibrium between an evaporation chamber and the multipass gas cell, with each spectrum representing an average of 64 scans across a spectral range of 400 to 5000 cm\(^{-1}\). Background spectra are recorded and subtracted to eliminate atmospheric interferences.
The computational aspect of the research involves three primary machine learning tasks: (i) training a basic discriminative neural network (NN) to identify VOCs and predict their concentrations from the IR spectra, (ii) developing a conditional generative NN to synthesize spectra for specific VOC classes and concentrations, and (iii) enhancing the model’s performance through two additional discriminative NNs that utilize either synthetic spectra or conventional oversampling techniques. The effectiveness of these enhanced models is subsequently compared to that of the basic NN, providing insights into the potential for improved VOC identification and concentration prediction.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points and trends observed. The results are often accompanied by relevant statistical analyses, including p-values and confidence intervals, to validate the findings.
Additionally, the section may include visual representations such as graphs or tables to illustrate the data more effectively. These visual aids serve to enhance the reader’s understanding of the results and facilitate comparisons between different experimental conditions or groups. Overall, the findings contribute to the broader implications of the research, suggesting potential applications or areas for further investigation.
Discussion
In this study, a comprehensive dataset of 1230 infrared (IR) absorption spectra was created, encompassing nine classes of volatile organic compounds (VOCs) and a control class of air. The dataset, spanning a frequency range of 700 cm\(^{-1}\) to 1300 cm\(^{-1}\), was designed to capture key vibrational modes of the VOCs, although it exhibited class imbalance. To enhance model training, data augmentation techniques were employed, including oversampling and synthetic data generation using conditional variational autoencoders (CVAE). The architecture of the discriminative neural networks (NNs) utilized a convolutional neural network (CNN) structure, enabling automatic feature extraction and minimizing human bias in feature selection.
The performance of the basic CNN model demonstrated high accuracy in VOC identification (99.5% accuracy) but struggled with underrepresented classes, particularly ortho- and para-xylene. The enhanced models, trained on augmented datasets, significantly improved concentration predictions, particularly for these underrepresented VOCs, with mean squared errors (MSE) decreasing from 142 ppm\(^2\) for the basic model to 26.7 ppm\(^2\) for the oversample-enhanced model. The study confirmed that synthetic spectra generated by the CVAE closely resembled experimental data, thus validating their use for training discriminative NNs. The findings underscore the potential of the developed CNNs for real-time VOC detection and monitoring, with future work aimed at expanding the methodology to include VOC mixtures and varying experimental conditions.