Optimizando la fusión de datos para la estimación de la distribución del tamaño de partículas. Análisis computacional paramétrico

GLORIA L. FRONTINI; FERNANDO A. OTERO

Jornada; I I J O R N A D A D E J Ó V E N E S B I O N A N O C I E N T Í F I C X S ( J o B i o N ); 2020

Los sistemas de partículas son caracterizados morfológicamente a través de su distribución detamaño de partículas (PSD). La misma puede definir varias propiedades finales del material,razón por la cual es de fundamental importancia obtener una estimación lo más exacta yprecisa posible. Sin embargo, no existe una única técnica experimental capaz de brindarnosuna completa descripción de la PSD [1]. Esta razón motiva el presente trabajo que es el deanalizar la optimización de combinar mediciones de diferentes técnicas en un proceso que seconoce como fusión de datos. Este trabajo en particular analiza varios elementos del procesode fusión de datos para optimizar la performance de la estimación de la PSD aplicados a lacombinación de micrografías de SEM con mediciones de luz dispersada de SLS. El esquemaaplicado es el de una inferencia Bayesiana donde la información a priori se deduce de lasmicrografías de SEM y las mediciones son los datos provenientes de SLS. Se analiza elrendimiento de las estimaciones en función de elementos tales como: i) parametrización de laPSD; ii) método de generación de la distribución a priori de SEM; iii) método deimplementación de la inferencia Bayesiana; iv) combinación de variables del experimento comoPartículas por Micrografía (PPM) y ruido experimental en SLS; v) medidas de Información encorrelación con bondades de los métodos de generación y de inferencia. En este trabajo, elanálisis desarrollado supone que la PSD es descripta en términos estadísticos exactamente poruna función log-normal con motivos de simplificar el análisis computacional. La influencia de laparametrización de modelos (elección de parámetros que describen la PSD) es un elementoclave para definir términos estadísticos inferenciales como el Máximo A Posteriori (MAP) y estáconectada asimismo con la elección de la distribución a priori [2]. En este sentido, si bien enprincipio las estimaciones deben ser idénticas para toda parametrización, lo cual se compruebaen el trabajo, su influencia es fundamental en el manejo computacional así como en lavisualización de datos