WikiEdge:ArXiv速遞/2024-08-29

ArXiv-2408.16413v1

• 標題：Chemometrics-aided Surface-enhanced Raman spectrometric detection and quantification of GH and TE hormones in blood
• 中文標題：化學計量學輔助的表面增強拉曼光譜檢測和定量血液中的生長激素和睾酮激素
• 發佈日期：2024-08-29 10:20:32+00:00
• 作者：Annah M. Ondieki, Zephania Birech, Kenneth A. Kaduki, Peter W. Mwangi, Moses Juma, Boniface M. Chege
• 分類：physics.med-ph, physics.optics
• 原文連結：http://arxiv.org/abs/2408.16413v1

摘要：這項工作探討了將表面增強拉曼光譜（SERS）與人工神經網絡（ANN）模型相結合，以檢測和定量施加於斯普拉格-道利（SD）大鼠血液中的生長激素（GH）和睾酮（TE）。使用785 nm激光激發，從注射了GH、TE、兩種激素及未注射對照的SD大鼠血樣中記錄了SERS光譜。樣本與在蒸餾水中合成的銀納米顆粒（AgNPs）混合，塗抹在顯微鏡載玻片上並風乾。結果顯示的SERS光譜在不同激素的情況下表現出相似的特徵，強度變化揭示了在658、798、878、914、932、1064、1190、1354、1410和1658 cm-1處的特定譜帶。主成分分析（PCA）表明，圍繞1378 cm-1（所有組）、658和1614 cm-1（GH注射大鼠）等譜帶的強度變化是時間依賴的，其他譜帶則對應不同的激素組合。這些變化反映了激素注射引起的微妙生化變化。ANN模型在用不同激素濃度摻雜的血液的六個PCA得分上訓練後，顯示出高準確性，決定係數大於87.71%，均方根誤差（RMSE）值低於0.6436。注射大鼠的激素水平最初增加，隨後下降，這一趨勢得到了ELISA試劑盒的確認。儘管ELISA和SERS產生了相似的結果，但SERS提供了快速分析（約兩分鐘）、簡單的樣本準備、小樣本體積和對激素的非特異性等優勢。這表明，結合ANN模型的SERS可以用於檢測外源性運動興奮劑。這些發現擴展了SERS在運動科學、臨床診斷和生物醫學研究中的潛在應用。

ArXiv-2408.16709v1

• 標題：Hydrogen reaction rate modeling based on convolutional neural network for large eddy simulation
• 中文標題：氫反應速率建模基於卷積神經網絡的大渦模擬
• 發佈日期：2024-08-29 17:05:10+00:00
• 作者：Quentin Malé, Corentin J Lapeyre, Nicolas Noiray
• 分類：cs.CE
• 原文連結：http://arxiv.org/abs/2408.16709v1

摘要：這篇論文建立了一個基於數據驅動的建模框架，用於稀氫（H2）-空氣反應速率的湍流反應流的大渦模擬（LES）。這特別具有挑戰性，因為H2分子的擴散速度遠快於熱量，導致燃燒速率的巨大變化、亞濾波尺度上的熱擴散不穩定性以及複雜的湍流-化學反應相互作用。我們基於數據驅動的方法利用卷積神經網絡（CNN），訓練以近似從模擬的LES數據中獲得的濾波燃燒速率。首先，計算五種不同的稀混合湍流H2-空氣火焰的直接數值模擬（DNS），每種都有獨特的全局當量比。其次，DNS快照被濾波和下採樣，以模擬LES數據。第三，訓練CNN以近似燃燒速率，作為LES標量量的函數：進展變量、局部當量比和由於濾波導致的火焰加厚。最後，評估CNN模型在訓練過程中從未見過的測試解上的表現。該模型以非常高的準確度檢索燃燒速率。它還在兩個濾波和下採樣參數以及兩個全局當量比上進行了測試，這些比率在訓練過程中未使用。對於這些插值案例，儘管這些案例未包含在訓練數據集中，模型仍以低誤差近似燃燒速率。這項先驗研究表明，所提出的數據驅動機器學習框架能夠應對建模稀混合H2-空氣燃燒速率的挑戰。這為碳中和氫燃燒系統的模擬開闢了一種新的建模範式。