Температуралық бағдарламаларды градиенттік оңтайландыруға арналған таралу коэффициентіне негізделген дифференциалданатын газ хроматографиясының моделі
DOI:
https://doi.org/10.18321/cpc24(3)407-423Кілт сөздер:
газ хроматографиясы, температуралық бағдарлама, таралу коэффициентіне негізделген модель, автоматты дифференциалдау, градиенттік оңтайландыру, пиктердің ажыратымдылығы, полициклді ароматты көмірсутектерАңдатпа
Блумбергтің таралу коэффициентіне негізделген (K-centric) ұстау моделі, аналиттің миграция интегралы және Голей теңдеуіне негізделген жолақтың кеңею қабаты дифференциалданатын түрде қайта тұжырымдалды және EPA-ның 16 басым ПАК-і үшін жарияланған симуляцияға қатысты валидацияланды. Осының арқасында әрбір пик жұбының ажыратымдылығы температуралық бағдарламаның айқын дифференциалданатын функциясына айналады, ал осы ажыратымдылықтардан құралған кез келген критерийдің дәл градиенті бағдарлама параметрлерінің санына тәуелсіз түрде симулятор арқылы кері таралу жолымен алынады. Демек, бөлу шарттарын кез келген өлшемділіктегі бағдарламалар үшін мақсатты түрде таңдауға болады. Әдіс жалғыз бағдарламаны емес, «бөлу ‒ талдау уақыты» ымырасының қолжетімді фронтын қайтарады; мұнда салыстырылған мақсат функциясының үш түрі осы фронттың әртүрлі бөліктеріне шығады, сондықтан критерий тұжырымның еркін бөлігі болып қалады және нақты талдауға қарай жазылады. Ешбір бағдарлама базалық бөлінуге жеткізе алмайтын жұптар іздеудің өзінен анықталып, критерийден шығарылады. Модельге жүгіну саны тең болғанда кері дифференциалдау тікелей іздеу, эволюциялық стратегия және ақырлы айырымдар жете алмайтын мақсат функциясының мәніне жетеді. Профиль түйіндерінің саны артқан сайын қолжетімді бөлу жақсарады, бұл ретте оптимизатор бірнеше сызықтық рампадан тұратын дәстүрлі пішінді қайталамайды, ол бөлу физикасы тұрғысынан тиімді болатын жерлерде қыздыруды тегістейді. Қазіргі аспаптар қабылдайтын рампалар саны ‒ олардың басқару бағдарламалық қамтамасыз етуінің шектеуі, және ол сол колонка бере алатын бөлу сапасын шектейді
Әдебиеттер тізімі
(1) L.M. Blumberg, M.S. Klee. Optimal heating rate in gas chromatography. Journal of Microcolumn Separations 12 (2000) 508-514. Crossref
(2) M.A. Aretaki, J. Desmet, M. Viana, B.L. van Drooge. Comprehensive methodology for semi-volatile organic compound determination in ambient air with emphasis on polycyclic aromatic hydrocarbons analysis by GC–MS/MS. Journal of Chromatography A 1730 (2024) 465086. Crossref
(3) L.M. Blumberg. Temperature-Programmed Gas Chromatography. Wiley-VCH, Weinheim, 2010, 350 p. Crossref
(4) L.M. Blumberg. Distribution-centric 3-parameter thermodynamic models of partition gas chromatography. Journal of Chromatography A 1491 (2017) 159-170. Crossref
(5) T. Brehmer, B. Duong, M. Marquart, L. Friedemann, P.J. Faust, et al. Retention Database for Prediction, Simulation, and Optimization of GC Separations. ACS Omega 8 (2023) 19708-19718. Crossref
(6) GasChromatographyToolbox. RetentionData: A compilation of retention data in gas chromatography. Available online: URL
(7) L.M. Blumberg. Theory of linear focusing in chromatographic columns with exponential retention. Part 1: Basic solutions. Journal of Chromatography A 1696 (2023) 463967. Crossref
(8) L.M. Blumberg. Chromatographic parameters: Transport efficiency—A meaningful alternative to the plate number parameter. Journal of Chromatography A 1731 (2024) 465177. Crossref
(9) J. Leppert, T. Brehmer, M. Wüst, P. Boeker. Estimation of retention parameters from temperature programmed gas chromatography. Journal of Chromatography A 1699 (2023) 464008. Crossref
(10) T. Brehmer, P. Boeker, M. Wüst, J. Leppert. Relation between characteristic temperature and elution temperature in temperature programmed gas chromatography - part I: Influence of initial temperature and heating rate. Journal of Chromatography A 1707 (2023) 464301. Crossref
(11) T. Brehmer, P. Boeker, M. Wüst, J. Leppert. Relation between characteristic temperature and elution temperature in temperature programmed gas chromatography – Part II: Influence of column properties. Journal of Chromatography A 1728 (2024) 464997. Crossref
(12) T. Brehmer, P. Boeker, M. Wüst and J. Leppert. Simulation of gas chromatographic separations and estimation of distribution-centric retention parameters using linear solvation energy relationships. Journal of Chromatography A 1717 (2024) 464665. Crossref
(13) J. Leppert. GasChromatographySimulator.jl. Journal of Open Source Software 7 (2022) 4565. Crossref
(14) J. Leppert, P.J. Müller, M.D. Chopra, L.M. Blumberg, P. Boeker. Simulation of spatial thermal gradient gas chromatography. Journal of Chromatography A 1620 (2020) 460985. Crossref
(15) H.D. Tolley, S. Avila, B.D. Iverson, A.R. Foster, A.R. Hawkins, et al. Simulating Capillary Gas Chromatographic Separations including Thermal Gradient Conditions. Analytical Chemistry 93 (2021) 2291-2298. Crossref
(16) J. Leppert, T. Brehmer, M. Wüst. Prediction of Thermal Modulated Comprehensive Two-Dimensional Gas Chromatographic Separation Using a Modular, Graph-Based Simulation Platform. Journal of Separation Science 49 (2026) e70351. Crossref
(17) M. Gaida, P.-H. Stefanuto, J.-F. Focant. Theoretical modeling and machine learning-based data processing workflows in comprehensive two-dimensional gas chromatography - A review. Journal of Chromatography A 1711 (2023) 464467. Crossref
(18) P.G. Boswell, P.W. Carr, J.D. Cohen, A.D. Hegeman. Easy and accurate calculation of programmed temperature gas chromatographic retention times by back-calculation of temperature and hold-up time profiles. Journal of Chromatography A 1263 (2012) 179-188. Crossref
(19) Restek Corporation. ProEZGC Chromatogram Modeler. Available online: URL
(20) C. Qu, B.I. Schneider, A.J. Kearsley, W. Keyrouz, T.C. Allison. Predicting Kováts Retention Indices Using Graph Neural Networks. Journal of Chromatography A 1646 (2021) 462100. Crossref
(21) T. Vrzal, M. Malečková, J. Olšovská. DeepReI: Deep learning-based gas chromatographic retention index predictor. Analytica Chimica Acta 1147 (2021) 64-71. Crossref
(22) A. Anjum, J. Liigand, R. Milford, V. Gautam, D.S. Wishart. Accurate prediction of isothermal gas chromatographic Kováts retention indices. Journal of Chromatography A 1705 (2023) 464176. Crossref
(23) J. Lin, L. Song, Y. Chen, C. Liu, S. Chen, et al. Multimodal learning in synthetic chemistry applications: gas chromatography retention time prediction and isomer separation optimization. Digital Discovery 4 (2025) 2465-2477. Crossref
(24) V. Bártů, S. Wičar, G.-J. Scherpenzeel, P.A. Leclercq. Optimization of temperature programming in gas chromatography with respect to separation time: I. Temperature programme optimization fundamentals. Journal of Chromatography A 370 (1986) 219-234. Crossref
(25) H. Snijders, H.-G. Janssen, C. Cramers. Optimization of temperature-programmed gas chromatographic separations I. Prediction of retention times and peak widths from retention indices. Journal of Chromatography A 718 (1995) 339-355. Crossref
(26) J. Boelrijk, B. Ensing, P. Forré, B.W.J. Pirok. Closed-loop automatic gradient design for liquid chromatography using Bayesian optimization. Analytica Chimica Acta 1242 (2023) 340789. Crossref
(27) B. Huygens, K. Efthymiadis, A. Nowé, G. Desmet. Application of evolutionary algorithms to optimise one- and two-dimensional gradient chromatographic separations. Journal of Chromatography A 1628 (2020) 461435. Crossref
(28) T.S. Bos, J. Boelrijk, S.R.A. Molenaar, B. van ’t Veer, L.E. Niezen, et al. Chemometric Strategies for Fully Automated Interpretive Method Development in Liquid Chromatography. Analytical Chemistry 94 (2022) 16060-16068. Crossref
(29) E. Bosten, M. Pardon, K. Chen, V. Koppen, G. Van Herck, et al. Assisted Active Learning for Model-Based Method Development in Liquid Chromatography. Analytical Chemistry 96 (2024) 13699-13709. Crossref
(30) J. Boelrijk, S.R.A. Molenaar, T.S. Bos, T.A. Dahlseid, B. Ensing, et al. Enhancing LC×LC separations through multi-task Bayesian optimization. Journal of Chromatography A 1726 (2024) 464941. Crossref
(31) T.M. Dixon, J. Williams, M. Besenhard, R.M. Howard, J. MacGregor, et al. Operator-free HPLC automated method development guided by Bayesian optimization. Digital Discovery 3 (2024) 1591-1601. Crossref
(32) G.B. van Henten, J. Boelrijk, C. Kattenberg, T.S. Bos, B. Ensing, et al. Comparison of optimization algorithms for automated method development of gradient profiles. Journal of Chromatography A 1742 (2025) 465626. Crossref
(33) L.E. Niezen, G. Desmet. A new chromatographic response function with automatically adapting weight factor for automated method development. Journal of Chromatography A 1727 (2024) 465008. Crossref
(34) A.G. Baydin, B.A. Pearlmutter, A.A. Radul, J.M. Siskind. Automatic differentiation in machine learning: a survey. Journal of Machine Learning Research 18 (2018) 1-43. Crossref
(35) R.T.Q. Chen, Y. Rubanova, J. Bettencourt, D.K. Duvenaud. Neural Ordinary Differential Equations. Advances in Neural Information Processing Systems 31 (2018) 6571-6583. Crossref
(36) Y. Hu, L. Anderson, T.-M. Li, Q. Sun, N. Carr, et al. DiffTaichi: Differentiable Programming for Physical Simulation. 8th International Conference on Learning Representations (ICLR), Addis Ababa, 2020. Crossref
(37) S. Molesky, Z. Lin, A.Y. Piggott, W. Jin, J. Vučković, et al. Inverse design in nanophotonics. Nature Photonics 12 (2018) 659-670. Crossref
(38) G.E. Karniadakis, I.G. Kevrekidis, L. Lu, P. Perdikaris, S. Wang, et al. Physics-informed machine learning. Nature Reviews Physics 3 (2021) 422-440. Crossref
(39) D. Kochkov, J.A. Smith, A. Alieva, Q. Wang, M.P. Brenner, et al. Machine learning-accelerated computational fluid dynamics. Proceedings of the National Academy of Sciences of the United States of America 118 (2021) e2101784118. Crossref
(40) M.F. Kasim, S. Lehtola, S.M. Vinko. DQC: A Python program package for differentiable quantum chemistry. The Journal of Chemical Physics 156 (2022) 084801. Crossref
(41) E.C.W. Clarke, D.N. Glew. Evaluation of thermodynamic functions from equilibrium constants. Transactions of the Faraday Society 62 (1966) 539-547. Crossref
(42) X. Glorot, A. Bordes and Y. Bengio. Deep sparse rectifier neural networks. Proceedings of the 14th International Conference on Artificial Intelligence and Statistics (AISTATS), Fort Lauderdale, 2011, pp. 315-323.
(43) M.J.E. Golay. Theory of chromatography in open and coated tubular columns with round and rectangular cross-sections. In: Gas Chromatography 1958, D.H. Desty (Ed.), Butterworths, London, 1958, pp. 36-55.
(44) E.N. Fuller, K. Ensley and J.C. Giddings. Diffusion of halogenated hydrocarbons in helium. The effect of structure on collision cross sections. The Journal of Physical Chemistry 73 (1969) 3679-3685. Crossref
(45) D.P. Kingma, J. Ba. Adam: A Method for Stochastic Optimization. 3rd International Conference on Learning Representations (ICLR), San Diego, 2015. Crossref
(46) J.A. Nelder, R. Mead. A Simplex Method for Function Minimization. The Computer Journal 7 (1965) 308-313. Crossref
(47) N. Hansen, A. Ostermeier. Completely derandomized self-adaptation in evolution strategies. Evolutionary Computation 9 (2001) 159-195. Crossref
(48) C.C. Margossian. A review of automatic differentiation and its efficient implementation. WIREs Data Mining and Knowledge Discovery 9 (2019) e1305. Crossref
(49) Agilent Technologies. Agilent 8890 Gas Chromatograph. Data sheet 5994-0492EN. Available online: URL
(50) Thermo Fisher Scientific. TRACE 1300 Series Gas Chromatograph. Specifications. Available online: URL
Жүктеулер
Жарияланды
Журналдың саны
Бөлім
Лицензия
Авторлық құқық (c) 2026 Я.С. Жигаленок, В.А. Дубровский, Т.В. Кан, А.К. Галеева, А.А. Стародубцева
Бұл жұмыс Creative Commons атрибуты бойынша лицензияланған. 4.0 Халықаралық лицензия.
Дәйексөзді қалай келтіруге болады
