Resumen de Proceso de desmezclado no lineal de disoluciones mediante imágenes hiperespectrales
Esta tesis doctoral aborda el análisis y desmezclado de compuestos orgánicos líquidos mediante imágenes hiperespectrales, una técnica no invasiva que permite extraer información espectral detallada sobre las propiedades químicas de las sustancias. El objetivo principal es descomponer disoluciones, estimando el número de componentes puros (endmembers) y extrayendo tanto sus firmas espectrales como sus abundancias.
En una primera etapa, se realizó la clasificación de líquidos orgánicos utilizando técnicas de aprendizaje automático en imágenes hiperespectrales adquiridas en el rango de 400 nm a 2500 nm, teniendo en cuenta que la información clave para detectar grupos funcionales moleculares se encuentra en longitudes superiores a 2500 nm. Se optimizó el proceso de adquisición y procesamiento de datos determinando la profundidad óptima del líquido, el número ideal de píxeles y aplicando técnicas de reducción de dimensionalidad para mejorar la precisión del sistema de clasificación. Tras procesar las imágenes mediante calibración, eliminación de ruido, normalización y análisis de componentes principales, los algoritmos SVM y LS-SVM lograron una precisión del 95-99%.
Posteriormente, se desarrolló un método no supervisado denominado "Number of Endmembers by Energy Criteria" (NEEC) para estimar el número de endmembers en mezclas homogéneas. Este método, basado en el análisis de valores propios de la matriz de correlación, se validó con imágenes reales y simuladas de mezclas de ésteres, alcoholes e hidrocarburos obtenidas de bases de datos propias y externas. NEEC alcanzó una precisión del 86,6% incluso en condiciones no lineales, destacándose como una herramienta prometedora para el análisis de mezclas complejas.
Finalmente, se abordó la extracción de firmas espectrales y abundancias de los endmembers mediante imágenes sintéticas en el rango de 900 nm a 1700 nm. Se propuso un enfoque progresivo usando métodos lineales y no lineales para evaluar su desempeño en mezclas de 2, 3 y 4 endmembers, resaltando la importancia de la inicialización y el ajuste continuo en configuraciones complejas.
En su conjunto, esta investigación representa un avance significativo en el desmezclado de imágenes hiperespectrales aplicado a líquidos orgánicos, ofreciendo herramientas robustas para la caracterización espectral y cuantificación de componentes en sistemas complejos, y ampliando las posibilidades de aplicación en química analítica y campos relacionados.
