Science >> Wetenschap >  >> Natuur

Poreuze materialen en machine learning bieden een goedkope monitoringmethode voor microplastics

Metaalschuim en een munt van 1 yen voor de schaal. Linksonder:SEM-afbeelding van een zilverschuim met macroporiën die worden gebruikt om microplastics uit de oplossing te halen. Middenonder:SEM-afbeelding van de poriën op nanoschaal die worden gebruikt om licht op te vangen en het chemische signaal van de microplastics te versterken. Rechts:SEM-opname van het metaalschuim blootgesteld aan polystyreenkorrels, PET-vezels, algen en aarde. Credit:Olga Guselnikova en Joel Henzie

Optische analyse en machinale leertechnieken kunnen nu gemakkelijk microplastics in zee- en zoetwateromgevingen detecteren met behulp van goedkope poreuze metaalsubstraten. Details van de methode, ontwikkeld door onderzoekers van de Universiteit van Nagoya met medewerkers van het National Institute for Materials Sciences in Japan en anderen, zijn gepubliceerd in het tijdschrift Nature Communications .



Het detecteren en identificeren van microplastics in watermonsters is essentieel voor milieumonitoring, maar is een uitdaging, deels vanwege de structurele gelijkenis van microplastics met natuurlijke organische verbindingen afgeleid van biofilms, algen en rottend organisch materiaal. Bestaande detectiemethoden vereisen doorgaans complexe scheidingstechnieken die tijdrovend en kostbaar zijn.

"Onze nieuwe methode kan tegelijkertijd de hoeveelheid van zes belangrijke soorten microplastics scheiden en meten:polystyreen, polyethyleen, polymethylmethacrylaat, polytetrafluorethyleen, nylon en polyethyleentereftalaat", zegt dr. Olga Guselnikova van het National Institute for Materials Science (NIMS).

P>

Het systeem maakt gebruik van een poreus metaalschuim om microplastics uit de oplossing te vangen en deze optisch te detecteren met behulp van een proces dat oppervlakte-verbeterde Raman-spectroscopie (SERS) wordt genoemd. "De verkregen SERS-gegevens zijn zeer complex", legt Dr. Joel Henzie van NIMS uit, "maar bevatten waarneembare patronen die kunnen worden geïnterpreteerd met behulp van moderne machine learning-technieken."

  • Goedkope monitoring van microplastics door middel van poreuze materialen en machinaal leren. Credit:Reiko Matsushita
  • Een onbekend vloeistofmonster met daarin verschillende microplastics (links) wordt over het poreuze metalen oppervlak geleid. Vervolgens wordt Raman-spectroscopie uitgevoerd op het metaalschuimoppervlak (rechts) en het verstrooide licht wordt geanalyseerd met een machine learning-algoritme dat is getraind om microplastics in complexe mengsels nauwkeurig te identificeren. Credit:Olga Guselnikova

Om de gegevens te analyseren, creëerde het team een ​​neuraal netwerkcomputeralgoritme genaamd SpecATNet. Dit algoritme leert de patronen in de optische metingen te interpreteren om de beoogde microplastics sneller en met een grotere nauwkeurigheid te identificeren dan traditionele methoden.

"Onze procedure heeft een enorm potentieel voor het monitoren van microplastics in monsters die rechtstreeks uit het milieu zijn verkregen, zonder dat er een voorbehandeling nodig is, terwijl we niet worden beïnvloed door mogelijke verontreinigingen die andere methoden zouden kunnen verstoren", zegt professor Yusuke Yamauchi van de Universiteit van Nagoya.

De onderzoekers hopen dat hun innovatie de samenleving enorm zal helpen bij het evalueren van de betekenis van microplasticvervuiling voor de volksgezondheid en de gezondheid van alle organismen in mariene en zoete wateromgevingen. Door goedkope microplasticsensoren en open source-algoritmen te creëren om gegevens te interpreteren, hopen ze de snelle detectie van microplastics mogelijk te maken, zelfs in laboratoria met beperkte middelen.

Momenteel leveren de materialen die nodig zijn voor het nieuwe systeem kostenbesparingen op van 90% tot 95% vergeleken met commercieel verkrijgbare alternatieven. De groep is van plan de kosten van deze sensoren nog verder te verlagen en de methoden eenvoudig te repliceren te maken zonder de noodzaak van dure faciliteiten. Bovendien hopen de onderzoekers de mogelijkheden van het SpecATNet neurale netwerk uit te breiden om een ​​breder scala aan microplastics te detecteren en zelfs verschillende soorten spectroscopische gegevens te accepteren naast SERS-gegevens.

Meer informatie: Natuurcommunicatie (2024). DOI:10.1038/s41467-024-48148-w

Journaalinformatie: Natuurcommunicatie

Aangeboden door Nagoya Universiteit