Desarrollo de modelos multivariantes para la discriminación y cuantificación de sustancias explosivas

Abstract

La detección de olores mediante sistemas de olfato artificial, denominados narices electrónicas, es un tema de investigación actual con aplicaciones a nivel militar como la detección de sustancias explosivas. La necesidad de evitar el tráfico ilegal de este tipo de sustancias debido a temas de seguridad nacional ha motivado la implementación y optimización de un prototipo e-nose para la detección de sustancias explosivas, parte del proyecto de investigación 2016-pic-009. Sin embargo, se ha dado un mayor enfoqué a la optimización del hardware y no a los modelos con los cuales el prototipo será capaz de clasificar y cuantificar sustancias explosivas como TNT y pólvora en base doble. Por lo cual, el propósito de este trabajo de investigación es generar y analizar modelos de machine learning mediante las técnicas lineales: mínimos cuadrados parciales y regresión logística, y técnicas no lineales: red neuronal perceptrón multicapa y red neuronal profunda LSTM, integrados en una interfaz gráfica de usuario para el reentrenamiento o prueba de los modelos. Los resultados del proyecto muestran un mejor desempeño en la clasificación de sustancias explosivas con concentraciones entre 3 y 5gr con 1mL de sustancia dopante que con concentraciones entre 0.1 y 3gr con 2mL de sustancia dopante. Además, en cuanto a la cuantificación el R2 no supero el 0.57 para las condiciones iniciales del prototipo y el 0.22 para las actuales.