Φορητός FT-NIR φασματικός αισθητήρας για την ανίχνευση
χημικών πρόδρομων εκρηκτικών ουσιών με την χρήση
ανεπτυγμένων αλγοριθμικών μοντέλων

Γραμματικάκη, Αδαμαντία Μαρία; Grammatikaki, Adamantia Maria

dc.contributor.author	Γραμματικάκη, Αδαμαντία Μαρία	el
dc.contributor.author	Grammatikaki, Adamantia Maria	en
dc.date.accessioned	2022-09-26T08:38:00Z
dc.date.available	2022-09-26T08:38:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55736
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23434
dc.rights	Default License
dc.subject	FT-NIR φασματοσκοπία	el
dc.subject	Support Vector Machine	en
dc.subject	Random Forest	en
dc.subject	Χημικοί πρόδρομοι εκρηκτικών	el
dc.subject	Φασματοσκοπία εγγύς υπερύθρου	el
dc.title	Φορητός FT-NIR φασματικός αισθητήρας για την ανίχνευση χημικών πρόδρομων εκρηκτικών ουσιών με την χρήση ανεπτυγμένων αλγοριθμικών μοντέλων	el
heal.type	bachelorThesis
heal.classification	Φωτονική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-15
heal.abstract	Στην εργασία αυτή παρουσιάζεται η ανάπτυξη και αξιολόγηση διάφορων μοντέλων κατηγοριοποίησης, με στόχο να ανιχνεύουν και να ταξινομούν συγκεκριμένους χημικούς προδρόμους εκρηκτικών. Οι πρόδρομοι που επιλέξαμε είναι το νιτρικό αμμώνιο (ammonium nitrate), η ουρία (urea), το νιτρικό κάλιο (potassium nitrate) και το νιτρικό νάτριο (sodium nitrate), οι οποίοι χρησιμοποιούνται συχνά σαν λιπάσματα ή συντηρητικά, ενώ σε πολλές χώρες η παραγωγή, χρήση και πώλησή τους υπόκεινται σε περιορισμούς. Η αξιολόγηση των ουσιών πραγματοποιείται με βάση το φάσμα τους στο εγγύς υπέρυθρο, το οποίο παράγεται με την βοήθεια ενός φορητού φασματογραφικού αισθητήρα FT-NIR. Η τεχνική Fourier-transform (FT) καθώς και η φασματοσκοπία εγγύς υπερύθρου (NIR) έχουν πολλά προτερήματα, τα οποία φαίνονται ιδιαίτερα χρήσιμα στην συγκεκριμένη εφαρμογή. Συνοπτικά, επιτρέπουν επί τόπου αναλύσεις μεγάλων ταχυτήτων, δεν χρειάζεται προηγούμενη προετοιμασία του δείγματος για την ανάλυσή του, μπορούν να αναλυθούν ουσίες σε πολλές διαφορετικές φυσικές καταστάσεις και τέλος, η σύνδεση της πηγής του αισθητήρα με μία οπτική ίνα καθιστά το σύστημα ασφαλέστερο, καθώς ο χρήστης δεν χρειάζεται να έρθει σε άμεση επαφή με την ουσία. Τα μοντέλα που αναπτύχθηκαν αφορούν τους αλγορίθμους μηχανικής μάθησης Random Forest και Support Vector Machine, μόνους αλλά και σε συνδυασμό με τον αλγόριθμο PCA για μείωση της διαστατικότητας, καθώς και με έναν αλγόριθμο βασισμένο στον συντελεστή συσχέτισης HQI. Τα NIR δεδομένα προεπεξεργάστηκαν με τις μεθόδους Standard Normal Variate και Savitzky-Golay (1 st derivative). Για την εκπαίδευση και αξιολόγηση των μοντέλων παρήχθησαν 2911 δείγματα προδρόμων αλλά και “αρνητικών ουσιών”, ενώ μετρικές αξιολόγησης αποτέλεσαν οι καμπύλες Open-Set Classification Rate και Binary Open-Set Classification Rate, καθώς και η μέγιστη ακρίβεια. Τελικά, το μοντέλο Random Forest σε συνδυασμό με την τεχνική προεπεξεργασίας Standard Normal Variate έδειξε τα καλύτερα αποτελέσματα, επιτυγχάνοντας περισσότερο από 83% Correct Classification Rate για 1% False Positive Rate και μέγιστη ακρίβεια πάνω από 96%.	el
heal.advisorName	Αβραμόπουλος, Ηρακλής	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	69 σ.	el
heal.fullTextAvailability	false