Predictive Classification of Contaminants Encountered During the Distillation of Shochu,a Distilled Beverage Native to Japan

Význam tématu

Shochu je tradiční japonský destilát vyráběný destilací rýže, ječmene, brambor nebo cukrové řepy. Kvalitní zajištění produktů je klíčové pro udržení spokojenosti zákazníků a dodržení regulačních požadavků. Rychlá a spolehlivá detekce kontaminantů ve výrobním procesu umožňuje předcházet distribuci vadných šarží a minimalizovat ekonomické ztráty.

Cíle a přehled studie

Cílem studie bylo připravit vzorky Shochu kontaminované detergenty, strojním olejem a částicemi z gumových rukavic a vyvinout prediktivní model pro klasifikaci těchto kontaminantů. Pomocí multivariační analýzy dat z GC/MS se hodnotila schopnost rozlišit jednotlivé typy kontaminace a předpovědět je u neznámých vzorků.

Použitá metodika a instrumentace

Pro extrakci těkavých sloučenin se využila technika SPME s vláknem 100 μm PDMS při 40 °C. Chromatografická analýza proběhla na Gerstel MPS2 v kombinaci s Agilent 7890 GC a 5975C MSD. Deconvoluce a identifikace složek byly provedeny v AMDIS, zarovnání entit a multivariační zpracování pak v Mass Profiler Professional.

• SPME vlákno 100 μm PDMS (Supelco 57341 U)
• Gerstel MPS2 Multiple Purpose Sampler
• Agilent 7890 GC s DB Wax 10 m × 0,18 mm × 0,18 μm
• Agilent 5975C MSD, ionizace EI 70 eV
• Mass Profiler Professional

Hlavní výsledky a diskuse

Analýza ukázala 330 až 380 komponent na vzorek. Pro zvýšení spolehlivosti byly použity tři filtry entit: filtr podle frekvence výskytu, statistická významnost po ANOVA (p < 0,05) a variabilní koeficient CV < 45 %. Po aplikaci filtrů PCA score ploty jasně oddělily vzorky podle typu kontaminantu. Pro klasifikaci se testovalo pět algoritmů – decision tree, naively bayes, neural network, partial least square discriminant a support vector machine. Nejvyšší přesnosti (100 %) dosáhly support vector machine a decision tree po optimalizaci filtrů.

Přínosy a praktické využití metody

Navržený přístup umožňuje rychlou a robustní detekci kontaminantů ve výrobním procesu Shochu. Implementace modelů ve výrobních laboratořích zvyšuje kvalitu kontroly, snižuje riziko distribuce kontaminovaných šarží a zrychluje rozhodování v QA a QC.

Budoucí trendy a možnosti využití

• Automatizace předzpracování dat a výběru entit
• Real time monitoring procesů pomocí inline GC MS
• Rozšíření metody na další destiláty a fermentované nápoje
• Integrace s moderními platformami strojového učení pro lepší klasifikaci
• Minimalizace spotřeby vzorku a zkrácení doby analýzy

Závěr

Prediktivní klasifikace založená na SPME GC MS datech a multivariační analýze poskytuje spolehlivý nástroj pro odhalení a identifikaci různých typů kontaminantů ve Shochu. Optimalizace filtrů entit a volba vhodného algoritmu vedly k přesným výsledkům, které lze efektivně využít v prostředí QA a QC.