Kompakte optische Sensorsysteme zur parallelen Detektion der Freone R22 und R134a -
Ein entscheidender Beitrag zum Kühlmittel-Recycling

 

3. Ergebnisse

3.2 Multivariate Datenanalyse von binären Gemischen mit Neuronalen Netzen

Die multivariate Datenanalyse soll im folgenden die Untersuchung von binären Gemischen der beiden Freo-ne R22 und R134a beobachten. Dazu wurde ein sechsstufiger voll faktorieller Versuchsplan für 2 Analyte ausgearbeitet, anhand dessen die Messungen vorgenommen wurden. Es wurden für beide Analyte jeweils 6 Stufen (0; 2; 4; 6; 8; 10 Vol.-%) in jeder Mischungskombination vermessen. Von jeder Kombination der Analytkonzentrationen wurden 4 Wiederholungsmessungen durchgeführt. Die Reihenfolge der Messungen war vollständig statistisch verteilt. Die Topologie der verwendeten Neuronalen Netze besteht aus 6 Eingabe-neuronen, 4 verdeckten Neuronen und einem Ausgabeneuron. Es wurde nur ein Ausgabeneuron benutzt, weil für jeden Analyt ein eigenes Netz trainiert wurde. Als Lernalgorithmus wurde der Rprop-Algorithmus und für die Aktivierungsfunktion der Neuronen der tanh sowie eine lineare Funktion ausgewählt. Es wurden ins-gesamt 36 verschiedene Gemischzusammensetzungen vermessen und davon 4 Wiederholungsmessungen durchgeführt. Dies ergab 144 gemessene Konzentrationsmischungen, die für beide Sensorsystemen in einen Kalibrationsdatensatz und einen Testdatensatz aufgeteilt. Der Kalibrationsdatensatz bestand aus 108 Mes-sungen, der Testdatensatz aus 36 Gemischen, die unabhängig vom Kalibrationsdatensatz waren.

Bild 3: True-Predicted-Plots der Testdaten für a) das Sensorarray und b) für das 4 l-System

Für die Auswertung der Sensorarraymessungen wurden aus den Datensätzen 9 Konzentrationsstufen mit 4 Wiederholungen statistisch verteilt als Testdaten herausgezogen und 1 Neuronales Netz mit den Kalibrati-onsdaten trainiert. Es wurden insgesamt 20 Wiederholungen der Berechnung durchgeführt. Dies ergab 720 Vorhersagewerten, die im True-Predicted-Plot in Bild 4 unter a) für die beiden Analyte statistisch verteilt aufgetragen sind. Für die Auswertung der Messungen mit dem 4 l-System wurden aus den Datensätzen 5 Konzentrationsstufen mit 2 Wiederholungen als Testdaten statistisch verteilt herausgezogen, 1 Neuronales Netz trainiert und dies insgesamt 20 mal wiederholt. Die Berechnung ergab für den Testdatensatz 200 Vor-hersagewerte, die in Bild 3 unter b) statistisch verteilt aufgetragen sind. Eine gute Übereinstimmung der vor-hergesagten Konzentration zur wahren Konzentration findet man dann, wenn die Werte der unabhängigen Datensätze in den True-Predicted-Plots auf der Diagonalen liegen. Mit beiden beschriebenen Sensorsyste-men waren reversible Messungen unterhalb von 10 Minuten über einen Konzentrationsbereich von jeweils 0-10 Vol.-% möglich. Der Root Mean Square Error (RMSE) für die Vorhersage der Testdaten der Messungen mit dem Sensorarray betrug für den Analyt R22 0.19 Vol.-% und für R134a 0.63 Vol.-%. Die Messungen mit dem 4 l-System ergaben einen RMSE für den Analyt R22 von 0.319 Vol.-% und für R134a 1.161 Vol.-%. Das Limit of Detection (LOD) wurde für das Sensorarray mit sechs Sensoren für den Analyt R22 auf 0.50 Vol.-% und für R134a auf 1.75 Vol.-% errechnet. Das LOD für das 4 l-System beträgt für R22 0.44 Vol.-% und für R134a 4.9 Vol.-%.
Zusammenfassend lässt sich schlussfolgern, dass mit den untersuchten sensitiven Schichten die Konzentrati-onen von binären Gemischen, insbesondere bei niedrigen Analytkonzentrationen, gut quantifiziert und vor-hergesagt werden können. Bei der Ausarbeitung des Versuchsplans hin zu kleineren Konzentrationen in Kombination mit der weiteren Optimierung der Polymerauswahl wird es mit diesen Sensorsystemen möglich sein, sehr kleine Mengen der Freone nachzuweisen.

 

zurück