КОЛИЧЕСТВЕННЫЙ АНАЛИЗ СОДЕРЖАНИЯ Ca, Mg и K В КОРНЯХ angelicapubescensf. biserrata С ПОМОЩЬЮ СПЕКТРОСКОПИИ ЛАЗЕРНО-ИНДУЦИРОВАННОЙ ПЛАЗМЫ В СОЧЕТАНИИ С МЕТОДОМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Спектроскопия лазерно-индуцированной плазмы применена для количественного анализа содержания Ca, Mg, и K в корнях Angelica pubescens Maxim. f. biserrata Shan et Yuan, используемого в медицине. Для построения калибровочных моделей при проведении анализа методами внешнего стандарта и искусственных нейронных сетей выбраны спектральные линии Ca II 317.993 нм, Mg I 517.268 нм и K I 769.896 нм. Коэффициенты линейной корреляции рассчитанных и стандартных концентраций, определенныe методом искусственных нейронных сетей, для шести образцов составили 0.9896, 0.9945 и 0.9911 для Ca, Mg и K, соответственно, что лучше, чем при использовании метода внешнего стандарта. Для выбранных шести образцов метод нейронных сетей позволил также получить более точные по сравнению с методом внешнего стандарта данные для средней и максимальной относительной ошибки, средних относительных стандартных отклонений и верхнего предела относительных стандартных отклонений расчетных концентраций Ca, Mg и K. Установлено, что при количественном анализе содержания Ca, Mg и K в корнях Angelica pubescens метод искусственных нейронных сетей превосходит по характеристикам метод внешнего стандарта.

спектроскопия лазерно-индуцированной плазмы, корни Angelica pubescens, искусственные нейронные сети, количественный анализ, laser-induced breakdown spectroscopy, roots of Angelica pubescens, artificial neural networks, quantitative analysis

1. T. Fujioka, K. H. Furumi, H. Okabe, Chem. Pharm. Bull., 47, 96-100 (1999).

2. M. Senila, A. Drolc, A. Pintar, J. Anal. Sci. Technol., 5, 1-9 (2014).

3. X. D. Yuan, K. H. Ling, C. W. Keung, Phytochem. Anal., 20, 293-297 (2009).

4. S. Arpadjan, G. Çelik, S. Taşkesen, Food Chem. Toxicol., 46, 2871-2875 (2008).

5. P. C. Zheng, H. D. Liu, J. M. Wang, Anal. Methods, 6, 2163-2169 (2014).

6. S. Kashiwakura, K. Wagatsuma, Anal. Sci., 29, 1159-1164 (2013).

7. B. Chen, H. Kano, M. Kuzuya. Anal. Sci., 24, 289-291 (2008).

8. M. Y. Yao, L. Huang, J. Zheng, Opt. Laser Technol., 52, 70-74 (2013).

9. L. Huang, M. Y. Yao, J. L. Lin, J. Appl. Spectrosc., 80, 957-961 (2014).

10. P. C. Zheng, H. D. Liu, J. M. Wang, J. Anal. At. Spectrom., 30, 867-874 (2015).

11. Y. Li, Y. Lu, R. E. Zheng, Spectrosc. & Spectr. Anal., 32, 582-585 (2012).

12. M. Yao, J. Lin, M. Liu, Appl. Opt., 51, 1552-1557 (2012).

13. L. Huang, M. Yao, Y. Xu, M. Liu, Appl. Phys. B, 111, 45-51 (2013).

14. D. Zhu, J. Chen, J. Lu, Anal. Methods, 4, 819-823 (2012).

15. Y. Cai, P. C. Chu, S. K. Ho, Front. Phys., 7, 670-678 (2012).

16. Y. Wang, W. L. Liu, Y. F. Song, Chem. Phys., 447, 30-35 (2015).

17. E. Jobiliong, H. Suyanto, A. M. Marpaung, J. Appl. Spectrosc., 69, 115-123 (2015).

18. Y. Zhang, G. Xiong, S. Li, Combust. Flame, 160, 725-733 (2013).

19. Y. Yuan, S. Li, Q. Yao, Proc. Combust. Inst., 35, 2339-2346 (2015).

20. Y. Zhang, S. Li, Y. Ren, Q. Yao, Proc. Combust. Inst., 35, 3681-3688 (2015).

21. E. C. Ferreira, D. M. Milori, E. J. Ferreira, Spectrochim. Acta, B, 63, 1216-1220 (2008).

22. P. Inakollu, T. Philip, A. K. Rai, Spectrochim. Acta, B, 64, 99-104 (2009).

23. L. X. Sun, H. B. Yu, Z. B. Cong, Acta Opt. Sin., 30, 2757-2765 (2010).

24. V. Motto-Ros, A. S. Koujelev, G. R. Osinski, J. Europ. Opt. Soc. Rapid Publ., 3, 08011 (2008).

25. S. Y. Oh, F. Y. Yueh, J. P. Singh, Appl. Opt., 49, C36-C41 (2010).

26. P. C. Zheng, M. J. Shi, J. M. Wang, Plasma Sci. Technol, 17, 664-670 (2015).

27. J. B. Sirven, B. Bousquet, L. Canioni, Anal. Bioanal.Chem., 385, 256-262 (2006).

28. R. Beale, T. Jackson, Neural Computing - An Introduction, CRC Press, Florida, USA (1990).