Том 39, номер 04, статья № 6

Аннотация:

Развитие технологий неразрывно связано с увеличением экологической нагрузки. Для оперативного мониторинга состояния водных сред необходимо создание сенсора, который смог бы определять наличие и концентрацию в водной среде нескольких ионов одновременно. В работе используются углеродные точки в качестве люминесцентных наносенсоров для детектирования ионов тяжелых металлов в водных средах. Применение методов машинного обучения к спектрам фотолюминесценции наночастиц в многокомпонентных водных растворах солей позволило одновременно измерить концентрации искомых веществ (катионы тяжелых металлов). Путем сравнительного анализа оценено качество решения обратной задачи с помощью многослойных персептронов и рекуррентной нейронной сети; показано, что рекуррентные нейронные сети менее эффективны. Сравнение результатов применения нейронных сетей и рентгенофлуоресцентного анализа для определения ионного состава заводских технологических сред свидетельствует, что точность разработанного наносенсора полностью удовлетворяет требованиям контроля и мониторинга состава сточных и технологических вод. Результаты работы подтверждают возможность использования углеродных точек в качестве наносенсора, одновременно определяющего семь ионов в жидкой среде.

Ключевые слова:

углеродная точка, наносенсор, фотолюминесценция, метод машинного обучения, нейронная сеть, персептрон, рекуррентная нейронная сеть

Иллюстрации:

Список литературы:

1. Ochieng E.Z., Lalah J.O., Wandiga S.O. Analysis of heavy metals in water and surface sediment in five rift valley lakes in Kenya for assessment of recent increase in anthropogenic activities // Bull. Environ. Contamination Toxicol. 2007. V. 79, N 5. P. 570–576. DOI: 10.1007/s00128-007-9286-4.
2. Bhuyan Md.S., Haider S.M.B., Meraj G., Bakar M.A., Islam Md.T., Kunda M. Siddique Md.A.B., Ali M.M., Mustary S., Mojumder I.A., Bhat M.A. Assessment of heavy metal contamination in beach sediments of Eastern St. Martin’s Island, Bangladesh: Implications for environmental and human health risks // Water. 2023. V. 15, N 13. P. 2494. DOI: 10.3390/w15132494.
3. Dong Y., Gao Z., Di J., Wang D., Yang Z., Wang Y., Xie Z. Study on the effectiveness of sulfate reducing bacteria to remove heavy metals (Fe, Mn, Cu, Cr) in acid mine drainage // Sustainability. 2023. V. 15, N 6. P. 5486. DOI: 10.3390/su15065486.
4. Mahey S., Kumar R., Sharma M., Kumar V., Bhardwaj R. A critical review on toxicity of cobalt and its bioremediation strategies // Appl. Sci. 2020. V. 2, N 7. DOI: 10.1007/s42452-020-3020-9.
5. Kadadou D., Tizani L., Alsafar H., Hasan S.W. Analytical methods for determining environmental contaminants of concern in water and wastewater // MethodsX. 2024. V. 12, N 102582. DOI: 10.1016/j.mex.2024.102582.
6. Long X., Li R., Xiang J., Wu S., Wang J. Ultrabright carbon dots as a fluorescent nano sensor for Pb²⁺ detection // RSC Adv. 2022. V. 12, N 37. P. 24390–24396. DOI: 10.1039/d2ra03591j.
7. Dolenko S.A., Laptinskiy K.A., Korepanova A.A., Burikov S.A., Dolenko T.A. Intelligent control of the synthesis of luminescent carbon dots with the desired photoluminescence quantum yield using machine learning // Opt. Memory Neural Networks. 2025. V. 34, N 1. P. 18–29. DOI: 10.3103/s1060992x24700887.
8. Szapoczka W.K., Olla C., Carucci C., Truskewycz A.L., Skodvin T., Salis A., Carbonaro C.M., Holst B., Thomas P.J. Ratiometric fluorescent pH sensing with carbon dots: Fluorescence mapping across pH levels for potential underwater applications // Nanomaterials. 2024. V. 14, N 17. P. 1434. DOI: 10.3390/nano14171434.
9. Sarmanova O.E., Laptinskiy K.A., Khmeleva M.Yu., Burikov S.A., Dolenko S.A., Tomskaya A.E., Dolenko T.A. Development of the fluorescent carbon nanosensor for pH and temperature of liquid media with artificial neural networks // Spectrochim. Acta Part A: Mol. Biomol. Spectrosc. 2021. V. 258, N 119861. DOI: 10.1016/j.saa.2021.119861.
10. Döring A., Qiu Y., Rogach A.L. Improving the accuracy of carbon dot temperature sensing using multi-dimensional machine learning // ACS Appl. Nano Materials. 2024. V. 7, N 2. P. 2258–2269. DOI: 10.1021/acsanm.3c05688.
11. Vervald A.M., Laptinskiy K.A., Chugreeva G.N., Burikov S.A., Dolenko T.A. Quenching of photoluminescence of carbon dots by metal cations in water: Estimation of contributions of different mechanisms // J. Phys. Chem. C. 2023. V. 127, N 44. P. 21617–21628. DOI: 10.1021/acs.jpcc.3c05231.
12. Biomass derived carbon quantum dots synthesized via a continuous hydrothermal flow process: Pat. WO2021130501A1. Great Britain. Kellici S., Baragau А. (01.07.2021).
13. Carbon dot fluorescent probe based high sensitive and high selective method for detecting trace silver nano particles in water and/or environment: Pat. CN106053408A. China. (26.10.2016).
14. Лаптинский К.А., Буриков С.А., Вервальд А.М., Гуськов А.А., Пластинин И.В., Сарманова О.Э., Утегенова Л.С., Доленко Т.А. Определение содержания вредных примесей в воде с помощью лазерной спектроскопии комбинационного рассеяния и методов машинного обучения // Оптика атмосф. и океана. 2024. Т. 37, № 4. С. 287–293. DOI: 10.15372/AOO20240404.
15. Лаптинский К.А., Буриков С.А., Сарманова О.Э., Вервальд А.М., Утегенова Л.С., Пластинин И.В., Доленко Т.А. Диагностика вредных примесей в водных средах с помощью спектроскопических методов и алгоритмов машинного обучения // Опт. и спектроскоп. 2023. Т. 131, № 6. С. 810. DOI: 10.21883/os.2023.06.55915.106-23.
16. Dolenko S.A. I.G. Persiantsev’s Scientific School at the Lomonosov Moscow State University, Skobeltsyn Institute of Nuclear Physics: History of development and overview of key works // Pattern Recognit. Image Anal. 2023. V. 33, N 4. P. 1564–1586. DOI: 10.1134/s1054661823040132.
17. Lou X.-T., Zhan L., Chen B.-B. Recent progress of carbon dots in fluorescence sensing // Inorganics. 2025. V. 13, N 8. P. 256. DOI: 10.3390/inorganics13080256.
18. Daniel S. Characterization of carbon dots // Carbon Dots in Analytical Chemistry. Amsterdam: Elsevier, 2023. 348 p. DOI: 10.1016/b978-0-323-98350-1.00015-3.
19. Лакович Дж. Основы флуоресцентной спектроскопии. М.: Мир, 1986. 496 с.
20. Kurdekar A., Chunduri L.A.A., Bulagonda E.P., Haleyurgirisetty M.K., Kamisetti V., Hewlett I.K. Comparative performance evaluation of carbon dot-based paper immunoassay on Whatman filter paper and nitrocellulose paper in the detection of HIV infection // Microfluid. Nanofluid. 2016. V. 20, N 7. DOI: 10.1007/s10404-016-1763-9.
21. Zhang M., Long X., Ma Y., Wu S. Re-discussion on the essence of the ultra-bright fluorescent carbon dots synthesized by citric acid and ethylenediamine // Opt. Mater. 2023. V. 135, N 113311. DOI: 10.1016/j.optmat.2022.113311.
22. Zhang W., Kasun L.C., Wang Q.J., Zheng Y., Lin Z. A review of machine learning for near-infrared spectroscopy // Sensors. 2022. V. 22, N 24. P. 9764. DOI: 10.3390/s22249764.
23. Penfold T., Watson L., Middleton C., David T., Verma S., Pope T., Kaczmarek J., Rankine C. Machine-learning strategies for the accurate and efficient analysis of x-ray spectroscopy // Mach. Learn.: Sci. Technol. 2024. V. 5, N 2. P. 021001. DOI: 10.1088/2632-2153/ad5074.
24. Wu X., Zhao Z., Tian R., Niu Y., Gao S., Liu H. Total synchronous fluorescence spectroscopy coupled with deep learning to rapidly identify the authenticity of sesame oil // Spectrochim. Acta Part A: Mol. Biomol. Spectrosc. 2021. V. 244. P. 118841. DOI: 10.1016/j. saa.2020.118841.
25. Zhang X., Zhang Y., Yang X., Wang Z., Liu X. Biochemical oxygen demand prediction based on three-dimensional fluorescence spectroscopy and machine learning // Sensors. 2025. V. 25, N 3. P. 711. DOI: 10.3390/s25030711.