Caracterização potenciométrica simultânea em fluxo, de espécies aniônicas, empregando análise das componentes principais e redes neurais artificiais

Abstract

Foi montado um sistema potenciométrico composto por 6 eletrodos seletivos à íons (ISE) de brometo, iodeto, nitrato, nitrito, sulfeto e cianeto. Os seis eletrodos foram colocados em linha, permitindo fazer determinações potenciométricas em fluxo contínuo. As variáveis, o controle de fluxo e a estabilização das leituras foram verificados através de um programa computacional desenvolvido em linguagem Delphi. Com a utilização deste sistema, foram desenvolvidas técnicas instrumentais de calibração, através da quimiometria, capazes de separar as respostas dos diferentes íons. As técnicas de análise multivariada utilizadas foram a análise das componentes principais (PCA) e as redes neurais artificiais. Com o uso do planejamento experimental cúbico de rede simplex lattice foi possível obter 63 misturas contendo os seis ânions descritos com concentrações que variaram entre 10-2 mol L-1 a 1,33x10-3 mol L-1, outras 3 misturas foram utilizadas para validação. Foram ainda coletadas 8 amostras de águas em diferentes ambientes. Estas ficaram separadas em um grupo no gráfico da PCA, o que parece indicar a presença de íons diferentes dos seis que foram analisados. As demais misturas foram separadas pela PCA de acordo com a concentração e com os interferentes, sendo que a PC1 explicou 79,09% da variância e a PC2 explicou 10,28% da variância. A arquitetura das redes neurais artificiais foi otimizada, tendo sido obtidos os menores erros quadrado médio de previsão (RMSEP). A arquitetura utilizada foi composta por três camadas, sendo a camada de entrada com 6 neurônios, a intermediária com 13 neurônios e a de saída com 6 neurônios. Foram utilizadas como função de transferências para a camada intermediária a tangente sigmoidal e na camada de saída a linear. O erro estimado pela rede neural foi da ordem de 10-3, o que mostra uma considerável interferência dos ânions, ocasionando uma previsão inadequada pela rede. As amostras de água coletadas não puderam ser submetidas à previsão pela rede neural artificial, pois as concentrações dos ânions podem ter valores que extrapolam o intervalo de treinamento da rede neural artificial.

A potentiometric system was mounted. It was composed of 6 electrodes, ion selective (ISE) of bromide, iodide, nitrate, nitrite, sulfate and cyanide. These electrodes had been placed in line, allowing it to do potentiometric determination in continuous flow. The variables, flow control, and the stabilization of readouts had been verified through a developed computational program in Delphi language. With the use of this system, instrumental techniques of calibration had been developed, through chemometric, capable to separate answers of different ions. The techniques of multivariate analysis used had been the principal components analysis (PCA) and the artificial neural networks. With the use of the cubical experimental planning of net simplex lattice , it was possible to get 63 mixtures with the six described anions with concentrations that had varied between 10-2 mol L-1 to 1,33x10-3 mol L-1, others 3 mixtures had been used for validation. Also, in different environments, 8 samples of water had been collected. These samples had been separated in a group in the graph of PCA, which seems to indicate the presence of different ions from the six that had been analyzed. The other mixtures had been separate by the PCA according to the concentration and the interferings. The PC1 explained 79.09% of the variance and the PC2 explained 10.28% of the variance. The architecture of the artificial neural networks was optimized, and the minors mid square-errors of forecast (RMSEP) had been obtained. The used architecture has three layers. The entrance layer has 6 neurons, the intermediate layer has 13 neurons and the exit layer has 6 neurons. As a post of transferences, the sigmoidal tangent was used for the intermediate layer, and the linear tangent was used for the exit layer. The estimate error by the neural networks was in a order of 10-3, which shows a considerable interference of anions, causing an inadequate forecast by the net. The samples of collected water could not have been submitted to the forecast by the artificial neural networks because the concentrations of anions may have values that surpass the interval of training of the artificial neural networks.