Радиоволновые методы

УДК 620.179.18

ИСПОЛЬЗОВАНИЕ МИКРОВОЛНОВОГО И K^*-АЛГОРИТМОВ ДЛЯ

ОПРЕДЕЛЕНИЯ СОДЕРЖАНИЯ СПИРТА В ЖИДКОСТЯХ

¹Университет Тракия, Эдирне, Турция

^*E-mail: gurkantuna@trakya.edu.tr

Поступила в редакцию 15.05.2020; после доработки 11.06.2020

Принята к публикации 11.06.2020

Спирт сегодня широко используется в различных сферах. Передозировка спиртом и его неправильное использова-

ние способны вызвать проблемы со здоровьем. Питьевые жидкости с высокой концентрацией спирта, особенно метано-

ла, вызывают отравление, а употребление одеколонов с высокой концентрацией спирта вызывает различные кожные и

респираторные заболевания. Поэтому, для санитарно-эпидемиологического благополучия населения важно определять

тип и концентрацию спирта в напитках и других жидких продуктах. В этой статье K^*-алгоритм используется для опре-

деления и классификации жидкостей с высокой концентрацией спирта путем измерения S-параметра жидкостей в

микроволновом диапазоне частот. Для этого в качестве набора данных для обучения использовались значения

S-параметров водных растворов этанола, метанола, 1-пропанола и 2-пропанола при различных концентрациях. Для

доказательства точности предложенного подхода были проведены измерения на находящихся в продаже жидкостях с

известными концентрациями этанола и жидкостях с известными концентрациями спирта. Как показывают результаты,

предлагаемый подход позволяет успешно и с высокой точностью классифицировать спиртосодержащие жидкости и

концентрацию спирта в них.

Ключевые слова: классификация, K^*-алгоритм, микроволны, патч-антенна, векторный сетевой анализатор.

DOI: 10.31857/S0130308220080072

ВВЕДЕНИЕ

Загрязнение в результате промышленных процессов и увеличения численности населения пред-

ставляет собой серьезную угрозу для здоровья людей, растений и животных [1]. Метанол, который

является одной из опасных жидкостей, широко используется в лабораториях и промышленности в

качестве синтетического прекурсора и растворителя. Это высокотоксичное вещество. Запах метано-

ла и его контакт с кожей наносит вред здоровью человека. В последнее время дезинфицирующее

средство для рук и одеколон часто использовались для остановки распространения эпидемий коро-

навирусной инфекции. Дезинфицирующие средства на основе спирта в основном включают этанол,

изопропиловый спирт, н-пропиловый спирт или их комбинации [2]. При неправильном использова-

нии они могут быть токсичными для человека. Например, при случайном или преднамеренном

проглатывании они могут вызывать заболевания центральной нервной системы, дыхательных

путей и глаз [3]. Дезинфицирующие средства для рук не должны содержать метанол [4], а присут-

ствие метанола в дезинфицирующих средствах, имеющихся на рынке, представляет серьезную

угрозу для здоровья населения. Точно так же высокое содержание спирта в одеколонах может

вызвать проблемы с кожей и здоровьем. Кроме того, потребление незаконно произведенного алко-

голя является важной проблемой общественного здравоохранения во многих частях мира [5, 6].

Содержание спирта может быть выше ожидаемого и вредно для здоровья в алкогольных напит-

ках, которые производятся незаконно и без контроля качества в процессе производства. Кроме

того, производители могут добавлять метанол в алкогольные напитки, чтобы увеличить крепость

напитка и при этом снизить его стоимость, потому что метанол легче получить, и он дешевле, чем

этанол. Конечным продуктом разложения этанола является уксусная кислота, которая может быть

использована в нашем организме в рамках кислотно-щелочного баланса. С другой стороны, конеч-

ным продуктом метанола является муравьиная кислота, которая никак не используется в нашем

организме. Муравьиная кислота медленно выводится с мочой и через дыхательные пути. Когда она

накапливается в крови, это вызывает ацидоз. По этой причине при употреблении незаконно про-

изведенных напитков, содержащих метанол, могут возникнуть проблемы со зрением или смерть

из-за накопления в крови формальдегида и муравьиной кислоты в результате разложения метано-

ла. Поскольку напитки, содержащие высокие концентрации метанола, могут вызывать серьезные

проблемы со здоровьем или смертельные исходы при употреблении [7], а потребление токсичных

алкогольных напитков является основной причиной смерти и заболеваний во всем мире [8], нали-

чие метанола в напитках должно быть под запретом [9].

Использование микроволнового и K^*-алгоритмов для определения содержания спирта...

Влияние этих химических веществ на окружающую среду рассматривается в виде загрязнения

питьевой воды, воздуха и моря. Чтобы устранить или минимизировать это, используются различ-

ные подходы очистки воды [10]. Такие жидкости как метанол, этанол, 2-пропанол токсичны не

только для человека, но и для водных организмов [11]. Загрязнение морей и озер приводит к исто-

щению кислорода в воде и, как следствие, может угрожать жизни под водой. Поэтому оценка

экологической токсичности химических веществ может сыграть ключевую роль в получении поро-

говых значений с точки зрения безопасности и приемлемых концентраций, но необходимо учиты-

вать надежность и пригодность получаемых данных [12].

Микроволновые методы измерения являются быстрыми, недорогими и неопасными и не зави-

сят от условий окружающей среды [13, 14]. Они обычно используются для измерения значений

относительной магнитной проницаемости материалов. Для этой цели была предложена модель,

оптимизированная по алгоритму искусственной пчелиной колонии (ИПК-алгоритм) для расчета

относительной проницаемости материалов с использованием микроволнового метода [15]. В лите-

ратуре сообщалось о ряде микроволновых методов, которые использовались на практике для жид-

костей. Их можно разделить на две основные группы: метод открытого конца коаксиального зонда

[14] и метод свободного пространства [16]. Каждая группа имеет свои преимущества, недостатки

и типы применений. Например, метод коаксиального зонда подвержен ошибкам, вызванным

неправильным контактом зонда с поверхностью материала (например, воздушными зазорами или

пузырьками воздуха). Динамические рефлектометры являются дорогими [17]. С другой стороны,

особое внимание следует уделить выбору рупорной антенны, конструкции держателя образца и

геометрии образца и местоположения для метода свободного пространств [18].

Методы классификации и группировки обычно используются в экологических приложениях.

Общая концентрация тяжелых металлов в осадке сточных вод, полученном на установках механо-

биологической очистки сточных вод, была определена с помощью иерархического кластерного

анализа [19]. Кроме того, кластерный анализ был использован для исследования элементных кон-

центраций в речных отложениях [20]. Для обнаружения никеля в растворе использовались кварце-

вые нановесы и метод главных компонентов [21]. Наряду с методом главных компонент было

проведено селективное определение этилацетата, ацетона, этанола и метилэтилкетона с использо-

ванием кварцевых нановесов [22]. Концентрации этанола и метанола изучали с помощью измере-

ний скорости ультразвука в смесях этанол—вода и метанол—вода [23]. Помимо этого были опре-

делены параметры бутилированных водно-спиртовых растворов методом терагерцовой (ТГц)

спектроскопии [24].

ЭКСПЕРИМЕНТАЛЬНАЯ УСТАНОВКА, ОПИСАНИЕ МЕТОДИКИ И РЕЗУЛЬТАТЫ

Параметры рассеяния или S-параметры (элементы матрицы рассеяния или S-матрицы) описы-

вают электрические свойства линейных электрических сетей при воздействии различных постоян-

ных воздействий посредством электрических сигналов. S₁₁ — коэффициент отражения, а S₂₁ —

коэффициент передачи. В исследовании были проведены измерения S₁₁ для различных жидкостей.

Как показано на рис. 1, измерительное устройство состоит из векторного сетевого анализатора

Векторный

сетевой

анализатор

Патч-антенна

Бутылка

5 мм

Рис. 1. Экспериментальная установка для классификации жидкостей.

Дефектоскопия

№ 8

2020

Эбру Эфеоглу, Гуркан Туна

Испытываемое

Падающий луч

устройство

100 мм

Отраженный луч

Источник

55 мм

Падающий луч

Отраженный луч

(R)

(A)

Подложка

Приемник / Детектор

1,6 мм

Зонд

Процессор / Дисплей

Экран

Рис. 2. Конструкция сетевого анализатора и антенны.

(ВСА) и круглой патч-антенны. Измерения жидкости можно проводить в закрытых емкостях, а

также погружением в саму жидкость для емкостей более 10 см. Резонансная частота антенны,

питаемой через 50-омный коаксиальный электрический соединитель, составляет 1,5 ГГц.

На рис. 2 показана схема конструкции сетевого анализатора и антенны.

Часть сигнала от источника передается, а часть отражается. Коэффициент отражения опреде-

ляется как отношение амплитуды отраженного сигнала к амплитуде передаваемого сигнала и рас-

считывается по формуле (1).

Коэффициент отражения = Отраженный луч / Падающий луч (A/R).

(1)

Два разных экспериментальных исследования были проведены в данной работе. В первом из

них было определено, содержит ли измеряемая жидкость спирт или нет, и какой именно это спирт.

На втором этапе определялись как тип, так и концентрация спирта в жидкости. Принцип метода

показан на рис. 3.

Измерение (S-параметр)

??? Неизвестная жидкость

Определение типа жидкости

Определение типа жидкости и

концентрации спирта

Этанол

% (10, 20, 30, 40, 50, 60, 70, 80, 90, 100)

Этанол

Безалкогольная

Метанол

жидкость

Метанол

% (10, 20, 30, 40, 50, 60, 70, 80, 90, 100)

1-пропанол

2-пропанол

1-пропанол

% (10, 20, 30, 40, 50, 60, 70, 80, 90, 100)

2-пропанол

% (10, 20, 30, 40, 50, 60, 70, 80, 90, 100)

Рис. 3. Принцип метода для классификации типа жидкости и концентрации спирта.

Дефектоскопия

№ 8

2020

Использование микроволнового и K^*-алгоритмов для определения содержания спирта...

K^*-АЛГОРИТМ

K^*-алгоритм использует измерение энтропийного расстояния, чтобы определить спектраль-

ное расстояние или схожесть между данными [25]. Это расстояние основано на теории передачи

информации. В теории передачи информации энтропия — это мера неопределенности относи-

тельно случайных величин [26], оценка расстояния между данными — это сложность преобра-

зования одних данных в другие. Эта сложность рассчитывается в два этапа. На первом этапе

определяется конечное число наборов преобразований, которые определяются как преобразова-

ния между объектами. На втором этапе преобразование одного признака (a) в другой признак (b)

определяется как ряд ограниченных преобразований, которые начинаются в (a) и заканчиваются

в (b) [25]. K*-алгоритм вычисляет кратчайшее расстояние, которое соединяет два объекта,

используя расстояние Колмогорова. В этом случае K^* расстояние является суммой всех возмож-

ных преобразований между двумя свойствами [27].

Функция вероятности P^*, как вероятность всех путей от свойства a до свойства b при t преоб-

разований:

^*(

)

p t ).

∑

(2)

t∈Pt (a)=

Тогда K^*-функция определяется как

(b / a) = -log

(b / a).

(3)

K^*-функция может использоваться для числовых или символьных наборов данных. При

использовании функции для значений численного класса параметр x₀определяется пользователем

до начала обучения. В обоих случаях число выборок, включенных в распределение вероятностей,

варьируется от значения 1 до значения N для распределения ближайшего соседства, где все выбор-

ки имеют одинаковый вес [25]. Эффективное число образцов для любой функции P^*:





^*(



∑







(4)

≤

∑

(

Здесь N обозначает количество всех обучающих выборок, а n₀ указывает количество обучаю-

щих выборок из обучающей выборки на кратчайшем расстоянии. K^*-алгоритм определяет значе-

ние a для параметров x₀ и s, выбирая значение между n₀ и N. Таким образом, выбранное n₀ дает

алгоритм ближайшего соседства и количество N выборок с равным весом. Пригодность этих опре-

деленных чисел определяется с помощью параметра смешивания (b). Параметр смешивания

варьируется от b = 0 % (для n₀), b = 100 % (для N).

ПОКАЗАТЕЛИ ЭФФЕКТИВНОСТИ

Существуют некоторые показатели эффективности, используемые при оценке производитель-

ности алгоритмов распознавания и классификации. Наиболее популярными из них являются точ-

ность, среднеквадратическое отклонение (СКО) и коэффициент Каппа.

Точность показывает количество правильно классифицированных образцов:

Истинно положительное + Истинно отрицательное

Точность =

(5)

Количество значений

СКО используется для масштабирования разницы между фактическими и прогнозируемыми

значениями. Рассчитывается как

(

−

)+...

−

)

СКО =

(6)

где P — расчетные значения и a — истинные значения. Когда значение СКО приближается к

нулю, точность прогнозирующей модели увеличивается, а при удалении СКО от нуля точность

прогнозирующей модели уменьшается. Следовательно, желательно, чтобы СКО было очень

близким к нулю.

Дефектоскопия

№ 8

2020

Эбру Эфеоглу, Гуркан Туна

Величина параметра Каппа используется для измерения соответствия между прогнозируемым

и наблюдаемым распределениями в группе данных. Параметр Каппа рассчитывается по формуле:

P a)-

P e)

(7)

P e)

где P(a) обозначает точность алгоритма, а P(e) представляет собой средневзвешенную величину

ожидаемой точности алгоритма, по которому производится расчет на одном и том же наборе дан-

ных. Чем ближе значение к 1, тем лучше соответствие.

РЕЗУЛЬТАТЫ

В первом эксперименте, целью которого было определить, содержит ли жидкость спирт или

нет, было использовано 14 различных жидкостей, 10 из которых — это напитки, которые мы пьем

повседневно, а также жидкости, которые находятся в контакте с человеческой кожей, например,

мыло для рук, гель для душа и т.д. Были использованы четыре различных спирта. Названия жид-

костей приведены в табл. 1.

Таблица

Жидкости, использованные в эксперименте

Жидкости (Безалкогольные)

Спирты

Вишневый сок

Гель для душа

Этанол

Кола

Жидкое мыло

Метанол

Молоко

Шампунь

1-пропанол

Пахта

Лосьон для тела

2-пропанол

Вода

Холодный чай

Параметры S₁₁ для жидкостей показаны на рис. 4. На этом рисунке вертикальная ось показы-

вает амплитуду параметров S₁₁, а горизонтальная ось показывает частоту в ГГц. Как видно из

рисунка, жидкость с наибольшим значением амплитуды представляет собой 1-пропанол, а жид-

кость с наименьшим значением амплитуды представляет собой метанол. Как видно из рис. 5, без-

алкогольные напитки были также сгруппированы в отдельный класс.

Этанол

Метанол

-1

1-пропанол

2-пропанол

-2

Кола

-3

Жидкое мыло

Шампунь

-4

Вода

Молоко

-5

Лосьон для тела

Гель для душа

-6

Пахта

Холодный чай

-7

Вишневый сок

-8

-9

1,42

1,44

1,46

1,48

1,50

1,52

1,54

Частота, ГГц

Рис. 4. Параметры S₁₁ жидкостей, использованных в эксперименте.

Во втором эксперименте было использовано 45 различных жидкостей, и были предсказаны как

типы жидкостей, так и концентрации спирта в них. Были приготовлены водные растворы спиртов

этанола, метанола, 1-пропанола и 2-пропанола (10 %, 20 %, … , 100 % объемных) различных кон-

центраций, и в качестве обучающих данных были использованы параметры S₁₁ жидкостей этих

Дефектоскопия

№ 8

2020

Использование микроволнового и K^*-алгоритмов для определения содержания спирта...

Безалкогольная

2-пропанол

1-пропанол

Метанол

Этанол

Метанол

1-пропанол

2-пропанол

Безалкогольная

Расчитанное значение

Рис. 5. Распределение жидкостей по типам.

жидких растворов. Точность алгоритма была затем проверена с использованием фирменных алко-

гольных напитков (красное вино, виски, водка и белое вино) и жидкостей с различной концентра-

цией спирта. Параметры S₁₁ образцов водно-спиртовых растворов с различными концентрациями

спирта показаны на рис. 6. Точность предлагаемого подхода для этих жидкостей представлена

%10

% 20

-1

% 30

-1

% 40

-2

% 50

-2

% 60

-3

% 70

% 80

-3

% 80

% 90

-4

% 100

-4

-5

-6

-7

-6

1,42

1,44

1,46

1,48

1,50

1,52

1,54

1,42

1,44

1,46

1,48

1,50

1,52

1,54

Частота, ГГц

%10

-1

% 20

-1

% 20

% 30

-2

% 40

-2

% 40

% 50

-3

% 60

-3

% 60

% 70

-4

% 80

-4

% 80

% 90

-5

% 100

-5

% 100

-6

-7

-8

-9

1,42

1,44

1,46

1,48

1,50

1,52

1,54

1,42

1,44

1,46

1,48

1,50

1,52

1,54

Частота, ГГц

Рис. 6. Параметры S₁₁ водно-спиртовых растворов различных концентраций:

а — этанол; б — метанол; в — 1-пропанол; г —2-пропанол.

Дефектоскопия

№ 8

2020

Эбру Эфеоглу, Гуркан Туна

Таблица

Точность предложенного подхода для различных жидкостей

Спирт/

Реальное значение, %

Расчетное значение, %

Правда/Ложь

Алкоголь

Красное вино

12 % Этанол

10 % Этанол

Правда

Водка

40 % Этанол

Правда

Виски

40 % Этанол

Правда

Белое вино

12 % Этанол

10 % Этанол

Правда

(10, 20, 30, 40, 50, 60, 70, 80, 90, 100) %

Этанол

Правда

Этанол

(10, 20, 30, 40, 50, 60, 70, 80, 90, 100) %

Метанол

Правда

Метанол

(10, 20, 30, 40, 50, 60, 70, 80, 90, 100) %

1-пропанол

Правда

1-пропанол

1- пропанол

(10, 20, 30, 50, 60, 70, 80, 90, 100) %

2-пропанол

Правда

2-пропанол

2- пропанол

2-пропанол

% 40 2-пропанол

% 100 Метанол

Ложь

в табл. 2. Как видно, за исключением случая 40 %-го 2-пропанола, точность предлагаемого под-

хода достаточно высока, очень близка к 100 %.

Общая эффективность предлагаемого подхода показана на рис. 7. Как видно, алгоритм пра-

вильно классифицировал все 14 жидкостей (синим цветом) и 45 из 46 жидкостей (красного цвета).

Он имеет точность 100 % при определении типа жидкости и точность 97 % при определении типа

и концентрации спирта. Кроме того, значение Каппа равно 1 при определении типа жидкости и

0,977 при определении типа и концентрации спирта. И в том, и в том случае СКО довольно близко

к нулю: 0,001 и 0,023 соответственно.

Тип жидкости

Тип спирта и концентрация

120

100

Все случаи

Верно

Неверно

Точность

определенные

Тип жидкости

Тип спирта и концентрация

1,2

0,977

0,8

0,6

0,4

0,2

0,001

0,023

Коэффициент Каппа

СКО

Рис. 7. Показатели эффективности алгоритма.

Дефектоскопия

№ 8

2020

Использование микроволнового и K^*-алгоритмов для определения содержания спирта...

ЗАКЛЮЧЕНИЕ

Недопущение высоких концентраций спиртов и их ненадлежащего использования важно для

минимизации и устранения рисков, угрожающих здоровью человека. В этом исследовании была

разработана и изготовлена патч-антенна для измерения коэффициентов отражения, которые

используются при классификации жидкостей. Параметры S₁₁, полученные с помощью антенны,

подключенной к векторному сетевому анализатору, обрабатывались с использованием алгоритма

K^*. Как показывают результаты классификации, предлагаемый подход позволяет классифициро-

вать жидкости, содержащие спирт и его концентрации успешно и с высокой точностью. Прототип

системы, который основан на предложенном подходе и который достаточно легкий, может быть

практически использован на практике, находится в стадии разработки.

СПИСОК ЛИТЕРАТУРЫ

1. Valavanidis A., Fiotakis K., Vlachogianni T. Airborne particulate matter and human health:

toxicological assessment and importance of size and composition of particles for oxidative damage and

carcinogenic mechanisms // Journal of Environmental Science and Health. Part C. 2008. V. 26 (4).

P. 339—362.

2. Pires D., de Kraker M.E.A., Tartari E., Abbas M., Pittet D. Fight antibiotic resistance — It’s in your

hands: call from the World Health Organization for 5th may 2017 // Clinical Infectious Diseases. 2017. V. 64

(12). P. 1780—1783.

3. Slaughter R., Mason R., Beasley D., Vale J., Schep L. Isopropanol poisoning // Clinical toxicology. 2014.

V. 52 (5). P. 470—478.

4. Chan A.P., Chan T.Y. Methanol as an unlisted ingredient in supposedly alcohol-based hand rub can pose

serious health risk // International journal of environmental research and public health. 2018. V. 15 (7). P. 1440.

5. Lachenmeier D.W., Rehm J., Gmel G. Surrogate alcohol: what do we know and where do we go? //

Alcoholism: Clinical and Experimental Research. 2007. V.31 (10). P. 1613—1624.

6. Rehm J., Kailasapillai S., Larsen E., Rehm M.X., Samokhvalov A.V., Shield K.D., Roerecke M.,

Lachenmeier D.W. A systematic review of the epidemiology of unrecorded alcohol consumption and the

chemical composition of unrecorded alcohol // Addiction. 2014. V. 109 (6). P. 880—893.

7. Destanoğlu O., İsmail A. Determination and Evaluation of Methanol, Ethanol and Higher Alcohols in

Legally and Illegally Produced Alcoholic Beverages // Journal of the Turkish Chemical Society. Section A:

Chemistry. 2019. V. 6 (1). P. 21—28.

8. Organization W.H. Global status report on alcohol and health 2018. World Health Organization: 2019.

9. Zamani N., Rafizadeh A., Hassanian-Moghaddam H., Akhavan-Tavakoli A., Ghorbani-Samin M.,

Akhgari M., Shariati S. Evaluation of methanol content of illegal beverages using GC and an easier modified

Chromotropic acid method, a cross sectional study // Substance Abuse Treatment, Prevention, and Policy.

2019. V. 14 (1). P. 56.

10. Chowdhary P., Raj A., Bharagava R.N. Environmental pollution and health hazards from distillery

wastewater and treatment approaches to combat the environmental threats: a review // Chemosphere. 2018.

V. 194. P. 229—246.

11. Network D.R., Bishop R.E. Chemical and Biological Hazards Posed by Drilling Exploratory Shale Gas

Wells in Pennsylvania’s Delaware River Basin Report for the Delaware River Basin Commission Exploratory

Well Hearing. 2010.

12. Moermond C.T., Kase R., Korkaric M., Ågerstrand M. CRED: Criteria for reporting and evaluating

ecotoxicity data // Environmental Toxicology and Chemistry. 2016. V. 35 (5). P. 1297—1309.

13. Kharkovsky S., Zoughi R. Microwave and millimeter wave nondestructive testing and evaluation-

Overview and recent advances // IEEE Instrumentation & Measurement Magazine. 2007. V. 10 (2). P. 26—38.

14. Li Z., Haigh A., Soutis C., Gibson A., Sloan R. Microwaves sensor for wind turbine blade inspection //

Applied Composite Materials. 2017. V. 24 (2). P. 495—512.

15. Tekbas M., Toktas A., Ustun D. In A Formulaic Model Calculating the Permittivity of Testing Materials

Placed on a Circular Patch Antenna / 2019 XXIVth International Seminar/Workshop on Direct and Inverse

Problems of Electromagnetic and Acoustic Wave Theory (DIPED), 2019 // IEEE. 2019. P. 88—92.

16. Jose K., Varadan V., Varadan V. Wideband and noncontact characterization of the complex permittivity

of liquids // Microwave and Optical Technology Letters. 2001. V. 30 (2). P. 75—79.

17. Venkatesh M., Raghavan G. An overview of dielectric properties measuring techniques // Canadian

biosystems engineering. 2005. V. 47 (7). P. 15—30.

18. Li Z., Haigh A., Soutis C., Gibson A., Sloan R. Evaluation of water content in honey using microwave

transmission line technique // Journal of Food Engineering. 2017. V. 215. P. 113—125.

19. Gusiatin Z.M., Kulikowska D., Klik B.K., Hajdukiewicz K. Ecological risk assessment of sewage sludge

from municipal wastewater treatment plants: A case study // Journal of Environmental Science and Health. Part

A. 2018. V. 53 (13). P. 1167—1176.

Дефектоскопия

№ 8

2020

Эбру Эфеоглу, Гуркан Туна

20. Ewa I., Oladipo O., Dim L. Cluster analysis of elemental concentrations of cored Nigerian river

sediments // Journal of Environmental Science & Health. Part A. 1992. V. 27 (1). P. 1—11.

21. Mirmohseni A., Shojaei M., Feizi M.A.H., Azhar F.F., Rastgouye-Houjaghan M. Application of quartz

crystal nanobalance and principal component analysis for detection and determination of nickel in solution //

Journal of Environmental Science and Health, Part A. 2010. V. 45 (9). P. 1119—1125.

22. Mirmohseni A., Razzaghi M., Pourata R., Rastgouye-Hojagan M., Zavareh S. Selective determination

of ethyl acetate, acetone, ethanol, and methyl ethyl ketone using quartz crystal nanobalance combined with

principle component analysis // Journal of Environmental Science and Health. Part A. 2009. V. 44 (9).

P. 847—853.

23. Vatandas M., Koc A.B., Koc C. Ultrasonic velocity measurements in ethanol—water and methanol—

water mixtures // European Food Research and Technology. 2007. V. 225 (3—4). P. 525—532.

24. Jepsen P.U., Jensen J.K., Møller U. Characterization of aqueous alcohol solutions in bottles with THz

reflection spectroscopy // Optics express. 2008. V. 16 (13). P. 9318—9331.

25. Cleary J.G., Trigg L.E. K^*: An instance-based learner using an entropic distance measure / In Machine

Learning Proceedings, 1995. Elsevier: 1995. P. 108—114.

26. Shannon C.E. A mathematical theory of communication // Bell system technical journal. 1948. V. 27

(3). P. 379—423.

27. Piramuthu S., Sikora R.T. Iterative feature construction for improving inductive learning algorithms //

Expert Systems with Applications. 2009. V. 36 (2). P. 3401—3406.

Дефектоскопия

№ 8

2020