基于人工智能的分析化学与智能化学计量计算技术，用于环境系统中化学化合物的多传感器检测

《Microchemical Journal》：AI-based analytical chemistry and smart chemometric computing for multisensor detection of chemical compounds in environmental systems

AI集成化学计量框架实现多组分环境污染物同步检测，通过智能信号处理与机器学习建模有效克服传感器非线性及基质干扰问题，显著提升检测灵敏度和选择性，降低试剂消耗与能耗达70%，构建了可持续近实时环境监测新范式。

　　

陈胜波

重庆工商职业学院人工智能学院，中国重庆

摘要

随着环境中污染程度的增加，需要可持续、快速且先进的实时分析系统来应对各种成分和非线性传感器行为。在这项研究中，我们提出了一种集成分析化学与人工智能（AI）的框架，该框架利用多传感器检测平台，在样品分析过程中同时定量铅离子（Pb²⁺）、镉离子（Cd²⁺）和硝酸根离子（NO?^?）。该分析框架通过信号预处理、化学计量特征开发以及基于机器学习（ML）的预测建模来运行；此外，还采用智能数据融合技术来应对基质干扰和传感器响应重叠带来的影响。非线性回归建模的结果表明，该框架在预测准确性、鲁棒性和泛化能力方面优于传统的化学计量方法。结合特征级的多传感器数据融合提高了分析选择性，并在广泛的异质/环境条件下更好地区分了分析物化合物。此外，该框架具有较高的重复性，并能在多种样品基质中实现痕量级灵敏度，从而验证了其作为可靠分析方法的可行性。除了系统功能的提升外，这一新解决方案还通过减少试剂使用、降低能耗以及实现去中心化的近实时环境监测，为分析实践提供了可持续性支持。模块化和可扩展的架构使得能够扩展对其他污染物的检测，为智能、基于数据的化学传感技术的发展铺平了道路。这项工作通过绿色工程设计原则和下一代环境技术，提供了一种增强AI驱动的分析化学方法，以实现多组分环境监测的可持续性和智能化。

引言

有毒无机污染物（如铅(II)（Pb²⁺）、镉(II)（Cd²⁺）和硝酸根（NO?^?）对环境的影响令人担忧，这些污染物的来源包括工业废弃物、采矿和农业活动。即使是非常少量的这些污染物也会对人类健康和环境造成风险。因此，监管机构需要灵敏、选择性强且可重复的分析方法，以便在复杂环境条件下测量这些污染物，无论是地表水、地下水还是土壤渗滤液中的低浓度污染物[1]。

电感耦合等离子体质谱（ICP–MS）、原子吸收光谱（AAS）和离子色谱（IC）都是具有优异灵敏度和选择性的传统分析技术示例；然而，这些方法通常需要大规模的集中式实验室、复杂的样品制备过程、大量的试剂以及高度训练有素的人员来进行分析。由于使用大量溶剂和分析过程中的能耗较高，这些方法在快速、去中心化和可持续的环境监测方面的应用受到限制。

近年来，由于传感器制造材料的新发展以及电化学和固态传感器技术的进步，传感器技术取得了显著进步。这些多传感器“系统”允许人们快速从多个不同传感器收集数据，无需大量试剂，甚至可以在现场环境中进行数据采集。虽然这些技术具有许多优势（如便携性更强、所需试剂更少、运行成本更低），但对于历史上的传感器科学家来说，确定传感器测量的具体分析物及其浓度仍然颇具挑战性，尤其是在处理异质环境样品中的多种不同分析物时。由于信号之间的相互作用、交叉反应以及许多传感器的非线性特性，同时比较多个传感器的数据变得非常困难。

随着我们量化测量能力的大幅提升，对新型化学计量和基于AI的功能的需求也在增加，以帮助分析这些数据。与传统的线性回归或多重回归方法不同，基于AI的化学计量技术能够发现传感器测量信号与相应分析物浓度之间的复杂非线性关系。基于AI的机器学习方法（如人工神经网络（ANNs）、支持向量回归（SVR等）使化学家/传感器专业人员能够从来自多个不同传感器的大规模多维数据集中提取特征，并同时构建预测模型。然而，许多过去的基于AI的环境监测研究并未对其结果进行充分的分析验证，也没有量化其可持续性方面的效益，也未与传统的化学计量方法进行充分比较[2]。

根据绿色分析化学（GAC）的原则，可持续性现在是与分析性能同样重要的考虑因素。可以开发基于传感器的分析平台，这些平台消耗更少的溶剂、产生更少的化学废物、运行所需的能量更少，并支持局部化监测。然而，关于这些平台可持续性的声明需要通过以下方面的定量比较来支持：

• 1. 使用的试剂；
• 2. 消耗的能量；
• 3. 与传统实验室技术的运营成本比较。

在本文中，我们描述了一种基于AI的集成化学计量框架的实验评估方法，该方法利用多传感器数据检测和定量环境水样中的Pb²⁺、Cd²⁺和NO?^?。该系统包括一个预校准的多传感器阵列，配备有专门的信号预处理程序以生成标准化数据集，以及一组经过训练的机器学习模型，用于构建预测量化模型。

通过使用三组定义的训练和验证数据集系统地评估了化学计量分析的整体有效性，并通过交叉验证协议与传统模型进行了对比。评估了量化分析性能指标，包括决定系数（R²）、均方根误差（RMSE）、检测限（LOD）和模型对基质变化的鲁棒性。同时，还比较了所提出的化学计量框架与传统实验室测量技术的结果，以评估其可持续性[3]。

本研究结合了多传感器分析化学和可解释的人工智能（AI）化学计量建模，提供了一种可重复且可量化的可持续环境监测方法，适用于智能和先进分析技术的应用。

部分摘录

传统上，环境样品中重金属/硝酸根的定量分析通常依赖于AAS、ICP/MS或IC等实验室方法，这些方法的检测限为微克/升（μg/L）级别，因为它们高度依赖集中式仪器、大量的样品制备、大量的试剂以及高能耗。

总体研究设计和系统架构

该项目旨在创建一个由AI驱动的综合性分析化学系统，整合多种分析技术，用于识别/检测复杂环境（如废水、地下水/地表水和农业径流）中的特定污染物（Pb²⁺、Cd²⁺、NO?^?）。整体方法论结合了电化学传感、先进的信号分析、基于AI的化学计量技术以及可持续性考虑。

多传感器信号行为和数据质量评估

由于测量环境的不同，多传感器阵列产生了Pb²⁺、Cd²⁺和NO?^?的独特但重叠的电化学信号。每个传感器都表现出不同的特征，例如响应浓度和基质成分时的峰值偏移和幅度变化。与空间非同时分析（NCA）不同，NCA中还考虑了电化学机制和表面吸附效应。

结论

在这个研究项目中，我们设计了一个新的框架，该框架结合了基于AI的分析化学技术和智能化学计量方法，用于同时检测不同环境基质中的Pb²⁺、Cd²⁺和NO?^?。多传感器数据采集策略、创新的特征工程方法和智能的基于机器学习的预测有效地解决了多组分检测和传感器非线性行为等主要分析问题。

CRediT作者贡献声明

陈胜波：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、调查、正式分析、数据整理、概念化。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。