Redes neuronales artificiales aplicadas al diseño experimental para modelar sistemas complejos: una herramienta para mejorar la performance de sistemas de TS-FF-AAS

MORZAN E; STRIPEIKIS J; GOICOECHEA H C; TUDINO M

Congreso; VIII CAQA; 2015

En los últimos años los sistemas de generación de térmica de aerosol sobre horno montado en llama (TS-FF-AAS) han sido ampliamente utilizados para la determinación de varios metales pesados (Cd, Cu, Mn, Zn, Pb, entre otros) en diversas matrices debido a que mejora de las cifras de mérito alcanzadas por el análisis [1]. Sin embargo, la gran limitación de la metodología de TS-FF-AAS es su baja temperatura en el seno de la celda de atomización, lo que impide que elementos proclives a formar compuestos refractarios se atomicen eficientemente. Un ejemplo de ello, es el Mg que forma hidroxo-oxo compuestos relativamente estables a las temperaturas de funcionamiento del TS-FF-AAS. En este trabajo se mostrara una manera de ampliar la cantidad de analitos que pueden ser valorados por esta metodología utilizando magnesio como caso testigo.Una de las alternativas para extender la aplicabilidad de esta metodología, consiste en utilizar solventes orgánicos solubles en agua como sustancias transportadoras que permitan mitigar el enfriamiento de la celda de atomización debido a que su energía de vaporización es menor que la del agua. Estos solventes generan un entorno rédox más adecuado para el magnesio al reducir la concentración de oxigeno, y con ello la producción de compuestos oxigenados. Al mismo tiempo, el uso de solventes orgánicos promueve la reducción del tamaño de gota, como se demostró en varias citas de la literatura [2].En el presente trabajo se ha empleado un método de optimización multivariado que permite predecir la respuesta del magnesio a distintos caudales de solución ?carrier?, diferentes proporciones de alcoholes (metanol, etanol e isopropanol) en la mezcla con agua y diferentes estequiometrías de llama. Para esto, se presenta un diseño experimental en el que el espacio muestral se subdividió en ocho secciones idénticas sobre las que se aplicó un diseño de Box-Behnken. Luego, se ha trabajado con un método predictivo que permitiera construir un modelo empírico. Para ello, se comparó un método de predicción simple tal como el método de ajuste con funciones polinómicas con el de redes neuronales del tipo ?back-propagation? y se demuestra la mayor habilidad del último. El poder predictivo del modelado se utilizó no sólo para optimizar la señal, sino también para analizar algunos aspectos fisicoquímicos relacionados con la determinación de magnesio que aportarían evidencia sobre el mecanismo a través del cual se produce el vapor atómico.