Optimización de mediciones LIBS mediante agregado de nanopartículas y campo eléctrico

BOGGIO ,NORBERTO GABRIEL; NONINO, DARÍO; JUAN VOROBIOFF; GLECER, BRUNO; CHECOZZI,FEDERICO; CARLOS A. RINALDI

San Martín,Buenos Aires

Workshop; 1st Argentinean High Power Laser Ablation (HPLA) Symposium: Workshop on LIBS; 2019

Fundación Argentina de Nanotecnología - UNSAM

En el presente trabajo se presentan los resultados relacionados con el estudio de dos técnicas aplicadas a la optimización de mediciones LIBS (Laser Induced Breakdown Spectroscopy). Por una parte, mediante el agregado de nanopartículas (NPs) se aumenta la intensidad de las señales y se analizan los resultados mediante técnicas quimiométricas. Por otro lado, se investiga el efecto de aplicar un campo eléctrico en la zona del impacto del láser sobre la muestra. Una de las limitaciones para la detección de elementos en bajas concentraciones mediante espectroscopía LIBS, es la baja intensidad de la señal. Se realizó un estudio comparativo en el cual se analizaron muestras con agregado de NPs en superficie, NPs en bulk y sin NPs. Se reporta un aumento en la intensidad de las señales de calcio producida por efecto del agregado superficial de NPs de ZnO a una matriz de zinc metálico. Por otro lado, se presenta el desarrollo de un sistema para modificar la intensidad de la señal utilizando un campo eléctrico. Se investiga la influencia del campo eléctrico en 0, 60 y 120 V / cm aplicado en las cercanías de la muestra analizada. Como resultado se obtiene un aumento de la señal del 100% correspondiente a iones Zn (I), mientras que el aumento en las señales de emisión de iones Ca (II) es de un orden de magnitud aproximadamente. Se comparan estos resultados con el incremento de la intensidad de señales de LIBS por el agregado de Nanopartículas (NE-LIBS) estudiado precedentemente. También se cuenta con un software propietario para análisis quimiométrico de las mediciones. Este software cuenta con una interfaz amigable para la selección de diferentes algoritmos de procesamiento de señales, que permite fácilmente variar sus parámetros y comparar la respuesta de los distintos métodos. De esta manera, se determinan los mejores métodos a utilizar. Estos algoritmos están compuestos por técnicas de Reconocimiento de Patrones basadas en el Análisis Multivariado de datos, Análisis de Componentes Principales (PCA), Inteligencia Computacional y Redes Neuronales.