Raman স্পেকট্রা খুব কমই স্পেকট্রোমিটার থেকে সরাসরি কোনো মডেলে যায়। পরিমাণগত তথ্য বের করার আগে সাধারণত এদের প্রিপ্রসেসিং প্রয়োজন, যার মধ্যে রয়েছে কার্যকর স্পেকট্রাল অঞ্চল কেটে নেওয়া, স্পাইক অপসারণ, বেসলাইন বিয়োগ এবং ডেটা নর্মালাইজ করা। এই টিউটোরিয়ালে "Process monitoring of zeolite crystallization: Bridging in situ Raman spectroscopy, ex situ XRD, and predictive machine learning models" শীর্ষক প্রকাশনার প্রকৃত Raman স্পেকট্রা ব্যবহার করে এই কর্মপ্রবাহটি ব্যাখ্যা করা হয়েছে।
জিওলাইট সংশ্লেষণের সময় আন্তঃজিওলাইট রূপান্তর ঘটে, যখন একটি স্ফটিক দশা অন্য দশায় রূপান্তরিত হয়, তাই সময়ের সাথে প্রতিটি দশার অবদান অনুসরণ করা মূল্যবান। Raman স্পেকট্রোস্কোপি এই প্রক্রিয়াটি অনুসরণ করতে পারে, তবে স্পেকট্রাকে ডিকনভোলিউশন করতে হয়। Non-Negative Least Squares (NNLS) এই কাজের জন্য উপযুক্ত: পরিমাপকৃত স্পেকট্রামকে আলাদা দশাগুলোর রেফারেন্স স্পেকট্রার একটি অঋণাত্মক সমন্বয় হিসেবে বর্ণনা করা হয়। এই টিউটোরিয়ালটি Raman ডেটা প্রসেসিং এবং NNLS-এর ওপর মনোযোগ দেয়, কাঁচা স্পেকট্রা থেকে শুরু করে স্ফটিকীকরণের সময় faujasite (FAU) ও gismondine (GIS)-এর আপেক্ষিক বিবর্তন পুনরুদ্ধার করে।
সম্পূর্ণ ডেটাসেটটি Zenodo-তে Nexus/HDF5 ফরম্যাটে উন্মুক্তভাবে পাওয়া যায় এবং টিউটোরিয়ালটি একটি Jupyter নোটবুক হিসেবে দেওয়া হয়েছে। Nexus ফরম্যাট সুবিধাজনক, কারণ স্পেকট্রা এবং স্ফটিকীকরণের সময়সহ পরীক্ষামূলক মেটাডেটা একসাথে সংরক্ষিত থাকে। ০ ও ১৬ ঘণ্টায় নেওয়া স্পেকট্রা বাদ দেওয়া হয়েছে, কারণ জিওলাইটের Raman বৈশিষ্ট্যগুলো তখনও যথেষ্ট তথ্যপূর্ণ ছিল না; তাই বিশ্লেষণ ১৮ ঘণ্টা থেকে শুরু হয়।
প্রথম প্রিপ্রসেসিং ধাপে স্পেকট্রাকে 250–1250 cm⁻¹ অঞ্চলে কেটে নেওয়া হয়। যেহেতু স্পেকট্রাগুলো ঠিক একই Raman-শিফট অক্ষে রেকর্ড করা হয়নি, তাই একটি একক ডেটা ম্যাট্রিক্সে সংযুক্ত করার আগে প্রতিটিকে একটি সাধারণ অক্ষে ইন্টারপোলেট করা হয়। কাটা এবং ইন্টারপোলেশন স্পাইক অপসারণ ও বেসলাইন বিয়োগের আগে করা হয়, যাতে সেই অ্যালগরিদমগুলো শুধু প্রাসঙ্গিক, সুসংগত সংকেতের ওপর কাজ করে।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing