Proceso de desmezclado no lineal de disoluciones mediante imágenes hiperespectrales.

Abstract

Las imágenes hiperespectrales se han convertido en una herramienta crucial para el análisis detallado de compuestos químicos, permitiendo obtener firmas espectrales únicas de cada sustancia. En particular, el estudio de compuestos orgánicos líquidos mediante esta tecnología ofrece un gran potencial en aplicaciones industriales, ambientales y biomédicas. Esta tesis explora el uso de imágenes hiperespectrales para el análisis de compuestos orgánicos líquidos, desarrollando metodologías para el desmezclado espectral de mezclas homogéneas. En primer lugar, se realizó una clasificación de líquidos orgánicos puros (hidrocarburos, alcoholes y ésteres) con una precisión del 95-99 % usando machine learning, a pesar de no incluir longitudes de onda del infrarrojo medio y lejano. Luego, se propuso el método "Number of Endmembers by Energy Criteria"(NEEC) para estimar el número de componentes en disoluciones, con un 86.6 % de precisión en escenarios no lineales complejos. Finalmente, se implementó un enfoque progresivo para extraer firmas espectrales y abundancias en mezclas de 2 a 4 componentes, alcanzando alta precisión en escenarios de baja y media complejidad. Estos avances destacan el potencial de las imágenes hiperespectrales para aplicaciones en química analítica, control de calidad y monitoreo ambiental.

Hyperspectral imaging has become a crucial tool for the detailed analysis of chemical,compounds, allowing for the identification of unique spectral signatures of each substance. Specifically, the study of liquid organic compounds using this technology offers significant potential for industrial, environmental, and biomedical applications. This thesis explores the use of hyperspectral imaging for analyzing liquid organic compounds by developing methodologies for spectral unmixing of homogeneous mixtures. First, a classification of pure organic liquids (hydrocarbons, alcohols, and esters) was performed with an accuracy of 95-99 % using machine learning, despite not including mid- and far-infrared wavelengths. Then, the "Number of Endmembers by Energy Criteria"(NEEC) method was proposed to estimate the number of components in solutions, achieving an accuracy of 86.6 % in complex nonlinear scenarios. Finally, a progressive approach was implemented to extract spectral signatures and abundances in mixtures of 2 to 4 components, achieving high accuracy in low- and medium-complexity scenarios. These advancements underscore the potential of hyperspectral imaging for applications in analytical chemistry, quality control, and environmental monitoring.