Loading...
Identification and characterization of plastics and microplastics: A spectroscopic, machine learning, and chemometric analysis approach
García Tovar, María P.
García Tovar, María P.
Citations
Altmetric:
Abstract
This research addresses the detection of plastics using spectroscopic techniques, machine learning, and chemometric analysis. In the first stage, six types of plastics were characterized using Attenuated Total Reflectance Fourier-Transform Infrared (ATR-FTIR), Near Infrared spectroscopy (NIR), and Raman spectroscopy (RS). A MATLAB-based model achieved correct classification rates (CCR) of 100% for RS, 99.46% for ATR-FTIR, and 94.66% for NIR. The second stage focused on the characterization of polyethylene terephthalate (PET) microplastics using surface-enhanced Raman spectroscopy (SERS) and chemometric analysis. The detection of 0.3 μm particles is validated with multivariate analysis, highlighting Principal Component Analysis (PCA) and Partial Least Squares (PLS). The PLS model demonstrates strong predictive capability with Root Mean Square Error of Calibration (RMSEC) = 0.62 and Root Mean Square Error of cross-validation (RMSECV) = 1.39. In the third stage, the formation of PET microplastics by aqueous dispersion and sonication was studied. Particles down to 0.17 μm were detected by Raman spectroscopy, clearly identifying the PET bands. The results suggest that microplastics can be easily generated in water and could be more present in natural aqueous systems than previously estimated.
Esta investigación aborda la detección de plásticos mediante técnicas espectroscópicas, aprendizaje automático y análisis quimiométrico. En la primera etapa, se caracterizaron seis tipos de plásticos utilizando Infrarrojo de transformada de Fourier de reflectancia total atenuada (ATR-FTIR, por sus siglas en inglés), Espectroscopia de infrarrojo cercano (NIR, por sus siglas en inglés) y Espectroscopia Raman (RS, por sus siglas en inglés). Un modelo basado en MATLAB logró tasas de clasificación correctas (CCR, por sus siglas en inglés) del 100 % para RS, del 99,46 % para ATR-FTIR y del 94,66 % para NIR. La segunda etapa se centró en la caracterización de microplásticos de Tereftalato de Polietileno (PET, por sus siglas en inglés) mediante espectroscopía Raman mejorada en superficie (SERS, por sus siglas en inglés) y análisis quimiométrico. Se detectaron partículas de hasta 0,3 μm y se validó con análisis multivariable, destacando el Análisis de Componentes Principales (PCA, por sus siglas en inglés) y los Mínimos Cuadrados Parciales (PLS, por sus siglas en inglés). El modelo PLS demuestra una gran capacidad predictiva con un error cuadrático medio de calibración (RMSEC) = 0,62 y un error cuadrático medio de validación cruzada (RMSECV) = 1,39. En la tercera etapa, se estudió la formación de microplásticos PET por dispersión acuosa y sonicación. Partículas de hasta 0,17 μm se detectaron mediante espectroscopía Raman, identificando claramente las bandas de PET. Los resultados sugirieron que los microplásticos pueden generarse fácilmente en el agua y podrían estar más presentes en los sistemas acuosos naturales de lo que se había estimado anteriormente.
Esta investigación aborda la detección de plásticos mediante técnicas espectroscópicas, aprendizaje automático y análisis quimiométrico. En la primera etapa, se caracterizaron seis tipos de plásticos utilizando Infrarrojo de transformada de Fourier de reflectancia total atenuada (ATR-FTIR, por sus siglas en inglés), Espectroscopia de infrarrojo cercano (NIR, por sus siglas en inglés) y Espectroscopia Raman (RS, por sus siglas en inglés). Un modelo basado en MATLAB logró tasas de clasificación correctas (CCR, por sus siglas en inglés) del 100 % para RS, del 99,46 % para ATR-FTIR y del 94,66 % para NIR. La segunda etapa se centró en la caracterización de microplásticos de Tereftalato de Polietileno (PET, por sus siglas en inglés) mediante espectroscopía Raman mejorada en superficie (SERS, por sus siglas en inglés) y análisis quimiométrico. Se detectaron partículas de hasta 0,3 μm y se validó con análisis multivariable, destacando el Análisis de Componentes Principales (PCA, por sus siglas en inglés) y los Mínimos Cuadrados Parciales (PLS, por sus siglas en inglés). El modelo PLS demuestra una gran capacidad predictiva con un error cuadrático medio de calibración (RMSEC) = 0,62 y un error cuadrático medio de validación cruzada (RMSECV) = 1,39. En la tercera etapa, se estudió la formación de microplásticos PET por dispersión acuosa y sonicación. Partículas de hasta 0,17 μm se detectaron mediante espectroscopía Raman, identificando claramente las bandas de PET. Los resultados sugirieron que los microplásticos pueden generarse fácilmente en el agua y podrían estar más presentes en los sistemas acuosos naturales de lo que se había estimado anteriormente.
Description
Date
2025-07-03
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Plastic pollution, Microplastics, Vibrational Techniques, Machine Learning, Chemometric Analysis