• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Natura
    I materiali porosi e l’apprendimento automatico forniscono un metodo economico per il monitoraggio della microplastica
    Schiuma metallica e una moneta da 1 yen come bilancia. In basso a sinistra:immagine SEM di una schiuma argentata che mostra i macropori utilizzati per catturare le microplastiche dalla soluzione. In basso al centro:immagine SEM dei pori su scala nanometrica utilizzati per catturare la luce e migliorare il segnale chimico delle microplastiche. A destra:immagine SEM della schiuma metallica esposta a perle di polistirene, fibre PET, alghe e terreno. Crediti:Olga Guselnikova e Joel Henzie

    Le tecniche di analisi ottica e di apprendimento automatico possono ora rilevare facilmente le microplastiche in ambienti marini e di acqua dolce utilizzando substrati metallici porosi economici. I dettagli del metodo, sviluppato dai ricercatori dell'Università di Nagoya con collaboratori dell'Istituto nazionale per le scienze dei materiali in Giappone e altri, sono pubblicati sulla rivista Nature Communications .



    Rilevare e identificare le microplastiche nei campioni di acqua è essenziale per il monitoraggio ambientale, ma è impegnativo in parte a causa della somiglianza strutturale delle microplastiche con i composti organici naturali derivati ​​da biofilm, alghe e materia organica in decomposizione. I metodi di rilevamento esistenti generalmente richiedono tecniche di separazione complesse che richiedono molto tempo e sono costose.

    "Il nostro nuovo metodo può separare e misurare simultaneamente l'abbondanza di sei tipi chiave di microplastiche:polistirene, polietilene, polimetilmetacrilato, politetrafluoroetilene, nylon e polietilene tereftalato", afferma la dott.ssa Olga Guselnikova dell'Istituto nazionale per la scienza dei materiali (NIMS).

    Il sistema utilizza una schiuma metallica porosa per catturare le microplastiche dalla soluzione e rilevarle otticamente utilizzando un processo chiamato spettroscopia Raman potenziata dalla superficie (SERS). "I dati SERS ottenuti sono molto complessi", spiega il dottor Joel Henzie del NIMS, "ma contengono modelli distinguibili che possono essere interpretati utilizzando le moderne tecniche di apprendimento automatico."

    • Monitoraggio economico della microplastica attraverso materiali porosi e machine learning. Credito:Reiko Matsushita
    • Un campione liquido sconosciuto contenente varie microplastiche (a sinistra) viene fatto passare sulla superficie metallica porosa. La spettroscopia Raman viene quindi eseguita sulla superficie della schiuma metallica (a destra) e la luce diffusa viene analizzata con un algoritmo di apprendimento automatico addestrato per identificare accuratamente le microplastiche in miscele complesse. Credito:Olga Guselnikova

    Per analizzare i dati, il team ha creato un algoritmo informatico di rete neurale chiamato SpecATNet. Questo algoritmo impara come interpretare i modelli nelle misurazioni ottiche per identificare le microplastiche target più rapidamente e con maggiore precisione rispetto ai metodi tradizionali.

    "La nostra procedura ha un immenso potenziale per il monitoraggio delle microplastiche in campioni ottenuti direttamente dall'ambiente, senza necessità di pretrattamento, e al tempo stesso non è influenzata da possibili contaminanti che potrebbero interferire con altri metodi", afferma il professor Yusuke Yamauchi dell'Università di Nagoya.

    I ricercatori sperano che la loro innovazione possa aiutare notevolmente la società a valutare l’importanza dell’inquinamento da microplastiche sulla salute pubblica e sulla salute di tutti gli organismi negli ambienti marini e di acqua dolce. Creando sensori di microplastica poco costosi e algoritmi open source per interpretare i dati, sperano di consentire il rilevamento rapido delle microplastiche, anche in laboratori con risorse limitate.

    Attualmente, i materiali necessari per il nuovo sistema consentono un risparmio sui costi dal 90% al 95% rispetto alle alternative disponibili in commercio. Il gruppo prevede di ridurre ulteriormente il costo di questi sensori e di rendere i metodi semplici da replicare senza la necessità di strutture costose. Inoltre, i ricercatori sperano di espandere la capacità della rete neurale SpecATNet di rilevare una gamma più ampia di microplastiche e persino di accettare diversi tipi di dati spettroscopici oltre ai dati SERS.

    Ulteriori informazioni: Comunicazioni sulla natura (2024). DOI:10.1038/s41467-024-48148-w

    Informazioni sul giornale: Comunicazioni sulla natura

    Fornito dall'Università di Nagoya




    © Scienza https://it.scienceaq.com