DESENVOLVIMENTO DE UM ALGORITMO INSPIRADO NOS MORCEGOS PARA SELEÇÃO DE VARIÁVEIS EM CALIBRAÇÃO MULTIVARIADA NÃO LINEAR

Descrição

IDENTIFICAÇÃO DA SUBÁREA DE PESQUISA A pesquisa envolvida neste projeto se enquadra na subárea Química Analítica, especificamente no campo da Quimiometria – que consiste na utilização de técnicas matemáticas e estatísticas no planejamento e otimização de experimentos, bem como na análise multivariada de dados. DESCRIÇÃO DO PROJETO A calibração é um conceito fundamental em técnicas instrumentais visto que as análises quantitativas requerem, usualmente, a construção de modelos para estabele-cer uma relação matemática entre os sinais medidos e a concentração do analito (HOLLER, F. J. et al., 2009). Nesse sentido, convém ressaltar os tipos de modelos – nomeadamente, de calibração de ordem zero (univariada), de primeira ordem (multivariada) e de ordem superior – em função da natureza dos dados instrumentais que são usados na modelagem (VALDERRAMA, P et al., 2009). Em modelagem de calibração multivariada (BEEBE, K. R. et al., 1998), utiliza-se comumente a regressão em componentes principais (PCR-Principal Component Regression) e por mínimos quadrados parciais (PLS-Partial Least Squares), assim como a regressão linear múltipla (Multiple Linear Regression-MLR. Na calibração PCR e PLS, é realizada uma transformação do domínio de dados ((BEEBE, K. R. et al., 1998). Conseqüentemente, os modelos resultantes não permitem, geralmente, a realização de uma interpretação (físico, química, etc) direta do comportamento do sistema. A técnica MLR, por outro lado, não somente opera no domínio original, mas também possibilita a construção de modelos mais simples e fáceis de interpretar. A despeito das vantagens, a calibração MLR é muito susceptível a problemas de multicolinearidade, ou seja, informações redundantes entre os sinais medidos em diferentes variáveis (por exemplo, espectrais). Para superar esse problema, têm sido desenvolvidos algoritmos (ou estratégias) para seleção de variáveis em calibração multivariada envolvendo medidas instrumentais (usualmente, espectrométricas). Entre essas estratégias, destacam-se o algoritmo genético (GA-Genetic Algorithm) e o algoritmo das projeções sucessivas (SPA-Successive Projections Algorithm), pois são largamente reportados na literatura do campo da Quimiometria (WALMSLEY, A.D., 1997; POPPI, R.J.; COSTA, P.A.D., 2002); ARAUJO, M.C.U., et al., 2001; GALVÃO, R.K.H. et al., 2001; BREITKREITZ, M.C. et al., 2003). Ao contrário do GA, o SPA é um algoritmo determinístico e usado em calibração MLR baseada em dados de diversas técnicas espectrométricas, tais como, UV-Vis (ARAUJO, M.C.U., et al., 2001), ICP-OES (GALVÃO, R.K.H. et al., 2001) e NIR (BREITKREITZ, M.C. et al., 2003). Em todos esses trabalhos, o SPA permitiu a obtenção de modelos MLR com uma capacidade de predição melhor (erros menores nas estimativas dos parâmetros de interesse) que os modelos PCR ou PLS utilizando os espectros completos. O SPA também selecionou, ao contrário do algoritmo estocástico (GA), variáveis geralmente com informação química e de maneira reprodutível (maior robustez) (ARAUJO, M.C.U., et al., 2001; GALVÃO, R.K.H. et al., 2001; BREITKREITZ, M.C. et al., 2003). Todavia, o algoritmo SPA pode apresentar maior susceptibilidade a problemas de artefato – isto é, na escolha recorrente de comprimento(s) de onda não informativo(s) e que é(são) decorrente(s) de, por exemplo, mudança da fonte de radiação ou fotodetector durante a obtenção de espectros. A calibração multivariada, baseada na regressão linear múltipla (Multiple Linear Regression-MLR), atua no domínio original dos dados, o que facilita uma interpretação química direta – sobretudo, quando realizada a seleção das variáveis mais informativas e não redundantes para o estabelecimento da relação matemática (modelo) entre os sinais e o parâmetro de interesse. Todavia, o uso da MLR necessita que os sinais (por exemplo, espectroanalíticos) apresentem uma relação linear com a propriedade modelada. Do contrário, a calibração multivariada por MLR não possibilitará a obtenção de modelos satisfatórios e que possam ser utilizados para a estimação (ou previsão) do parâmetro de interesse com exatidão. O objetivo central projeto consiste em desenvolver um novo algoritmo BA (Bat Algorithm) (YANG, Xin-She, 2010a) para seleção de variáveis em calibração multivariada não linear. Nesse contexto, vale salientar que o proponente tem experiência no nicho da pesquisa em razão da orientação de um trabalho de doutorado (SOUZA, Juliana da Cruz., 2023) e publicação de artigo científico (SOUZA, Juliana da Cruz et al., 2023) no tema central – isto é, no desenvolvimento de um algoritmo inspirado nos morcegos para fins de modelagem de classificação multivariada. Na qualidade de objetivos específicos, pode-se estabelecer: (i) contribuir para a eficiência dos modelos de calibração multivariada (sobretudo, os baseados na aplicação do algoritmo proposto BA-MLR) por meio do desenvolvimento de algoritmos de seleção de variáveis; (ii) aplicar o BA-MLR para implementar análises quantitativas de analitos em matrizes complexas. Tais objetivos encontram-se ressaltados no Plano de Trabalho, proposto no âmbito deste projeto de pesquisa. Espera-se que o algoritmo BA-MLR apresente uma robustez maior que o GA-MLR, assim como seja menos susceptível a problemas de artefatos que o SPA-MLR. Ademais, é esperado que o algoritmo proposto permita a realização de seleção de variáveis que sejam informativas, minimamente redundantes e ruidosas, bem como mais relevantes para uma maior capacidade preditiva dos modelos MLR.