Pourquoi limiter la plage de longueurs d'onde ?
Les spectromètres de processus modernes (comme le ProLine2550) collectent des données sur toute la gamme du proche infrarouge (1 350 à 2 550 nm), produisant des centaines de variables de longueur d'onde hautement corrélées. Bien que l’ajustement d’un modèle de régression des moindres carrés partiels (PLS) sur l’ensemble du spectre soit standard, il s’agit rarement de l’approche la plus robuste. Le spectre complet comprend des régions qui ne contiennent aucune information chimique sur votre analyte cible, comme le bruit de fond, l'atténuation du capteur ou les fortes bandes d'absorption d'eau qui saturent le détecteur.
Construire des étalonnages avec des longueurs d'onde inutiles augmente le risque de surajustement, rend les modèles sensibles aux changements de température ambiante et nécessite un nombre plus élevé de variables latentes (LV), ce qui dégrade la transférabilité de l'étalonnage entre les instruments.
"La sélection des longueurs d'onde optimales est une forme d'ingénierie de fonctionnalités multivariées. En supprimant les bandes dominées par le bruit, nous créons un étalonnage plus simple et plus robuste qui se généralise à différents spectromètres."
Intervalle PLS (iPLS) : sélection systématique de la grille
L'intervalle PLS (iPLS) est un algorithme systématique qui divise l'intégralité du spectre prétraité en un ensemble d'intervalles de longueur d'onde plus petits et sans chevauchement (généralement 10 à 40 intervalles). L'algorithme construit un modèle PLS local pour chaque intervalle individuel et calcule l'erreur quadratique moyenne de validation croisée (RMSECV).
En comparant le RMSECV de tous les modèles locaux au modèle global à spectre complet, iPLS identifie l'intervalle spécifique (ou la combinaison d'intervalles) qui génère l'erreur de prédiction la plus faible. Ceci est très efficace pour isoler des nuances moléculaires distinctes (par exemple, les bandes N-H dans les protéines ou les bandes CH dans les graisses).
Algorithmes génétiques : sélection évolutive
Lorsque le produit chimique cible a des bandes d’absorption réparties sur plusieurs régions, les recherches de grille basées sur des intervalles sont insuffisantes. Les algorithmes génétiques (AG) utilisent une stratégie de recherche évolutive pour trouver des bandes optimales :
- Chromosomes :Les longueurs d'onde sont représentées sous forme de chaînes binaires (1 pour sélectionner, 0 pour exclure).
- Population initiale :Un pool de départ de combinaisons de longueurs d'onde aléatoires est créé.
- Fonction de remise en forme :Chaque combinaison construit un modèle PLS. L'adéquation est évaluée en minimisant RMSECV et en minimisant le nombre de variables latentes.
- Sélection et mutation :Les combinaisons les plus performantes sont associées pour créer une progéniture, avec des mutations aléatoires introduites pour éviter les pièges des minima locaux.
Ce processus se répète pendant 50 à 100 générations, produisant une sélection de longueur d'onde clairsemée et hautement optimisée.
Impact de la sélection de la longueur d'onde
La sélection de bandes de longueurs d'onde optimales améliore considérablement les performances d'étalonnage, comme le démontre cette étude sur les étalonnages de la valeur d'hydroxyle des polyols (OHV) :
| Configuration du modèle | Longueurs d'onde actives (nm) | Variables latentes (LV) | Erreur de validation (RMSEP) |
|---|---|---|---|
| Global PLS (gamme complète) | 1350 – 2550 nm (complet) | 10 LV | ± 2,45 mg KOH/g |
| iPLS Sélectionné | 1680 – 1740 et 2200 – 2260 nm | 5 LV | ≤ 1,12 mg KOH/g |
| GA sélectionné | Bandes sélectionnées dans les régions C-H/O-H | 4 LV | ≤ 1,05 mg KOH/g |
Optimisation de la longueur d'onde en caliXSuite
Pour optimiser vos modèles en caliXSuite:
- Ouvrez votre modèle d'étalonnage et accédez au menu « Sélection des fonctionnalités ».
- Sélectionnez « Intervalle PLS » pour exécuter une recherche dans la grille, ou « Algorithme génétique » pour une optimisation évolutive.
- Définissez votre limite cible de variable latente pour éviter le surajustement (par exemple, un maximum de 5 LV).
- Exécutez l'optimiseur. Une fois terminé, cliquez sur « Appliquer la sélection » et validez le calibrage simplifié avant le déploiement.
Conclusion
La sélection de bandes de longueurs d'onde à l'aide de iPLS et d'algorithmes génétiques fait passer la construction de modèles chimiométriques de la régression en boîte noire à l'ingénierie de fonctionnalités ciblées. En isolant les bandes harmoniques moléculaires clés, les ingénieurs peuvent réduire la complexité de l'étalonnage, éviter les dérives de température et créer des modèles qui se transfèrent de manière transparente sur plusieurs spectromètres.
Références
- ISO 12099 -Lignes directrices pour l’application de la spectrométrie proche infrarouge.
- Nørgaard, L. et al., "Régression des moindres carrés partiels par intervalles (iPLS) : un outil pour la sélection de la longueur d'onde",Spectroscopie appliquée, 2000.
- Leardi, R., "Application d'un algorithme génétique à la sélection de longueur d'onde en spectroscopie proche infrarouge",Journal de chimiométrie, 2001.
