Estudo comparativo entre tecnicas de inteligencia artificial e modelos lineares em determinações quantitativas no infravermelho proximo

Neste trabalho foi realizado um estudo comparativo entre o desempenho de métodos baseados em inteligência artificial e dois métodos de calibração multivariada linear (regressão linear múltipla (RLM) e mínimos quadrados parciais (PLS)), para determinações quantitativas na região do infravermelho próximo em três diferentes sistemas analíticos. As técnicas de inteligência artificial pertencem à classe de mapeamento não linear que utiliza algoritmos inteligentes para modelagem de forma adaptativa de um determinado sistema. As técnicas de inteligência artificial estudada foram: algoritmo genético, rede neural, assim como sistemas híbridos como Neuro-Fuzzy e neurogenético. Este trabalho reporta os resultados alcançados na modelagem de três sistemas bem diversos: 1- determinação do grau Brix e Pol em soluções de caldo de cana de açúcar; 2- determinação de um mineral contido num polímero; 3- determinação de glicose, colesterol total e triglicerídeos em amostras de plasma humano. O estudo das amostras de cana de açúcar consistiu em estabelecer uma correlação entre os espectros na região no infravermelho próximo e o valor do grau Brix e Pol. O grau Brix e Pol são parâmetros utilizados para estimar a qualidade do açúcar. O melhor modelo de calibração multivariada para este sistema apresentou um erro padrão de previsão para o grau Brix e Pol de 0,35 e 0,55, respectivamente. Para o estudo quantitativo do mineral presente em um polímero foi empregada a espectroscopia de reflectância difusa no infravermelho próximo. O objetivo desta análise foi determinar a percentagem do mineral contido no polímero, o qual confere propriedades especiais a este. Para esta análise, foi obtido um erro padrão de previsão de 0,009%. Para concluir este trabalho, foi realizada uma análise quantitativa de glicose, colesterol total e triglicerídeos em amostras de plasma humano utilizando a espectroscopia no infravermelho próximo. Para as amostras de glicose, colesterol total e triglicerídeos foram obtidos erros padrão de previsão de 6,54, 13,39 e 14,73 mg dL, respectivamente.In this work it was done a comparative study among the performances of different artificial intelligence techniques and two multivariate linear calibration methods (Multiple Linear Regression and Partial Least Squares), in three different chemical systems for quantitative determination in the near infrared region. The artificial intelligence techniques are a particular case of a non-linear models, which use intelligent algorithms to describe the behavior of one system in an iterative way. The artificial intelligence techniques studied were: genetic algorithm, neural network and Fuzzy logic, as well as hibrid systems as neurogenetic and Neuro-Fuzzy. This thesis shows the results obtained from three different chemical systems: 1- solutions of sugar cane juice; 2- a mix between powders of a polymer and one special mineral; 3- determination of glucose, cholesterol and triglycerides in human plasma. It was established a correlation betwen near infrared spectrum and Pol and Brix degrees, both parameters are used to evaluate the sugar quality. For this analysis, the best calibration model gave a standard error of prediction for Brix and Pol of 0.35 and 0.55, respectively. For the second system, it was used the diffuse reflectance in the near infrared range to analyse the mineral content in a polymer. The aim of this analysis was to determine the mineral concentration in this solid mix because it provides special chemical and physical properties to the polymer. The near infrared analyses provided very good results: it was obtained a standard error of prediction of 0.009%. To conclude this work, it was done quantitative analysis of glucose, cholesterol and triglycerides in human plasma. For glucose, total cholesterol and triglycerides it was obtained standard errors of prediction of 6.54, 13.39 and 14.73 mg dL, respectively