Потенциометрические мультисенсорные системы на основе фосфор- и азотсодержащих экстрагентов и их аналитические возможности тема автореферата и диссертации по химии, 02.00.02 ВАК РФ

Санкт-Петербургский государственный университет

КИРСАНОВ ДМИТРИИ ОЛЕГОВИЧ

ПОТЕНЦИОМЕТРИЧЕСКИЕ МУЛЬТИСЕНСОРНЫЕ СИСТЕМЫ НА ОСНОВЕ ФОСФОР- II АЗОТСОДЕРЖАЩИХ ЭКСТР АГЕНТОВ И ИХ АНАЛИТИЧЕСКИЕ

ВОЗМОЖНОСТИ

Специальность 02.00.02 - АНАЛИТИЧЕСКАЯ ХИМИЯ

Автореферат диссертации на соискание ученой степени доктора химических наук

15 ЯНВ ¿015

Санкт-Петербург 2014

005557629

005557629

Работа выполнена в ФГБОУ ВПО "Санкт-Петербургский государственный университет"

Научный консультант: Власов Юрий Георгиевич

Доктор химических наук, профессор

Официальные оппоненты: Евтюгин Геннадий Артурович

доктор химических паук Химический институт им. Л.М. Бутлерова ФГАОУ ВПО «Казанский (Приволжский) федеральный университет», заведующий кафедрой аналитической химии

Кулапина Елена Григорьевна

доктор химических наук

Институт химии ФГБОУ ВПО «Саратовский

государственный университет имени Н.Г.

Чернышевского», профессор кафедры

аналитической химии и химической экологии

Кучменко Татьяна Анатольевна

доктор химических наук

ФГБОУ ВПО «Воронежский государственный

университет инженерных технологий»,

заведующая кафедрой физической и

аналитической химии

Ведущая организация: ФГБУН Институт аналитического

приборостроения РАН (г. Санкт-Петербург)

Защита состоится 26 марта 2015 г., в 15:00 ч.

На заседании диссертационного совета Д 212.232.37 по защите докторских и кандидатских диссертаций при Санкт-Петербургском государственном университете по адресу: 199034, Санкт-Петербург, Средний проспект В.О., д. 41/43. Большая химическая аудитория.

С диссертацией можно ознакомиться в Научной библиотеке Санкт-Петербургского государственного университета. Диссертация и автореферат размещены на сайте www.spbu.ru.

Автореферат разослан _ /г 2014 г.

Ученый секретарь Диссертационного совета

/В.В.Панчук/

Общая характеристика работы

Актуальность ,т . - -

В последние годы в аналитической химии наряду с тенденцией к созданию сверхчувствительных „ и сверхселективных (и при этом сверхдорогих) инструментальных методов анализа, таких, например, как различные варианты,, .высокоэффективной жидкостной хроматографии и разнообразные спектральные методы, также значительно возросло количество исследований,- посвященных разработке простых и недорогих устройств, позволяющих надежно решать отдельные прикладные задачи. Принципы' получения аналитического сигнала в таких устройствах могут быть различными, однако наибольшее распространение получили оптические и электрохимические методы. В силу своей простоты подобные устройства, как правило, не дают сверхвысокой чувствительности и селективности в определении отдельных компонентов сложных объектов, однако, это часто может быть' ' скомпенсировано применением математических методов обработки данных (методов хемометрики). В основе работы таких устройств лежит получение сложного неразрешенного аналитического сигнала и его последующая .математическая обработка для извлечения качественной и количественной информации об образце. Самой яркой иллюстрацией успеха последних лет в этом направлении явилось создание комплексных методов анализа на принципах инфракрасной спектроскопии в ближней области и хемометрических алгоритмов обработки спектральных данных. Параллельно в последние годы наблюдается существенный прогресс и в области электрохимических сенсоров, в частности в создании мультисенсорных систем типа «электронный нос» и «электронный язык». В случае потенциометрических сенсоров анализ образцов проводят с помощью системы, состоящей из набора электродов с перекрестно-чувствительными сенсорными мембранами, каждая из которых обладает своими электрохимическими .. . характеристиками и чувствительностью к определенному, классу аналитов в водных растворах. Этот подход позволяет уверенно решать различные прикладные задачи в области качественного и количественного анализа. Не смотря на растущее количество исследований, посвященных, созданию мультисенсорных систем, в этой области по-прежнему остается . нерешенным целый ряд проблем. Ограничено число попыток создания и детального изучения новых классов сенсорных материалов, предназначенных специально для мультисенсорных систем. Отсутствуют критерии обоснованного выбора хемометрических алгоритмов обработки данных от таких систем. Из всего арсенала методов хемометрики исследователи эмпирически выбирают отдельные методы, не обосновывая их применимость к решаемой задаче с точки зрения достоверности получаемых результатов. Мультисенсорные системы по-прежнему в большинстве случаев разрабатываются и применяются для решения задач интегральной характеристики объектов анализа (т.н. «образы» объекта). Оценке возможностей использования мультисенсорного подхода в традиционном

плане - для увеличения чувствительности и селективности определения отдельных компонентов в сложных смесях по сравнению с методами анализа, основанными на применении отдельных сенсоров, до сих пор должного внимания не уделялось. Для решения комплекса перечисленных проблем необходимы новые подходы к разработке как собственно самих датчиков для мультисенсорного анализа, так и к развитию методологии обработки данных, получаемых с помощью таких устройств.

Цель работы: Разработка новых потенциометрических сенсоров на основе полимерных пластифицированных мембран для мультисенсорных систем и обоснование подходов к выбору алгоритмов обработки данных от таких систем. Для достижения цели решались следующие конкретные задачи:

1) Выбор мембраноактивных веществ для создания полимерных пластифицированных сенсоров, предназначенных для использования в составе мультисенсорных систем.

2) Установление электродных характеристик таких полимерных сенсоров: чувствительности к ионам аналитов с различными величинами и знаками заряда, определение их селективности и пределов обнаружения.

3) Разработка массивов сенсоров, ориентированных на решение конкретных практических задач в составе мультисенсорных систем, таких как анализ сложных смесей близких по химическим свойствам компонентов (катионов лантанидов в сложной смеси) и определение интегральных характеристик качества образца (например, химического потребления кислорода в природных водах).

4) Обоснование подходов к выбору алгоритмов обработки данных, получаемых от мультисенсорных систем для решения задач качественного и количественного анализа водных растворов сложного состава.

5) Доказательство возможности увеличения селективности определения отдельных компонентов и возможности снижения пределов их обнаружения с помощью мультисенсорных систем по сравнению с методиками их определения отдельными сенсорами.

Научная новизна

1) В качестве мембраноактивных компонентов для создания пластифицированных мембран потенциометрических мультисенсорных систем предложены фосфорорганические и азотсодержащие экстрагенты, такие как соединения с фосфиноксидными группами (фосфиноксиды, дифосфиндиоксиды, фосфорилсодержащие поданды), с диамидными группами (диамиды различных органических кислот: дигликолевой, дипиколиновой, дипиридил дикарбоновой), соединения на основе каликсаренов, модифицированных фосфиноксидными и диамидными группами.

2) Предложены в качестве катионообменных добавок в составе пластифицированных мембран потенциометрических сенсоров

диоктилсульфосукцинат" натрия и хлорированный дикарболлид кобальта, позволяющие проводить направленную модификацию электродных свойств сенсоров.

3) Показаны возможность увеличения селективности определения неорганических анионов, катионов переходных и редкоземельных элементов в сложных по составу растворах и возможность снижения пределов их обнаружения с помощью массивов сенсоров вместо отдельных селективных электродов.

4) Предложен подход к выбору алгоритмов обработки многомерных данных от массивов химических сенсоров, исходя из задачи анализа и специфики образцов. Адекватность выбора конкретного алгоритма проиллюстрирована примерами решения реальных практических задач.

Практическая значимость

1) Обоснован новый подход к целевой разработке потенциометрических сенсоров для мультисенсорных систем на основе наиболее широкого и доступного класса материалов - полимерных пластифицированных мембран. Показано, что применение массивов таких сенсоров в сочетании с адекватными методами обработки многомерных данных позволяет эффективно повышать селективность потенциометрического метода при определении индивидуальных компонентов сложных смесей и снижать пределы обнаружения.

2) Предложен подход к выбору хемометрических методов для обработки многомерных данных от массивов мультисенсорных систем, который в общем виде может применяться не только к потенциометрическим сенсорам, но и к любым другим датчикам, независимо от механизма формирования аналитического сигнала.

3) Предложены конкретные мультисенсорные системы, например, для определения лантанидов в их многокомпонентных смесях, для определения химического потребления кислорода в природных водах, для определения ионов цитрата и оксалата в ферментационных растворах.

Положения, выносимые на защиту

1) Нейтральные фосфорорганические и азотсодержащие экстрагенты, как мембраноактивные компоненты для пластифицированных мембран перекрестно-чувствительных потенциометрических сенсоров, предназначенных для создания мультисенсорных систем.

2) Результаты исследования электродных характеристик потенциометрических сенсоров с пластифицированными мембранами на основе нейтральных фосфорорганических и азотсодержащих экстрагентов, включающие характеристики их чувствительности и селективности к различным аналитам, достигаемых пределов обнаружения.

3) Подход к выбору методов обработки многомерных данных от массивов химических сенсоров.

4) Экспериментальные доказательства возможности снижения пределов обнаружения отдельных аналитов при использовании мультисенсорной системы по сравнению с их определением с помощью отдельных сенсоров на примере задач определения неорганических анионов и катионов в водных растворах.

5) Экспериментальные доказательства возможности увеличения селективности определения отдельных неорганических ионов при использовании массива сенсоров по сравнению с их определением с помощью отдельных сенсоров на примере ионов лантанидов.

Апробация работы. Основные результаты работы докладывались на Всероссийских и международных конференциях: Всероссийской конференции по аналитической химии «Аналитика России» (Москва, 2004), Международном форуме "Аналитика и аналитики" (Воронеж 2003, 2008), Международных конференциях International Conference on Electrochemical Sensors (2002, 2008, 2011 Matrafured, Hungary), Международной конференции PITTCON 2004 International Pittsburgh Conference on Analytical Chemistry (Chicago, USA, 2004), Международных конференциях Eurosensors XVIII, XIX (2004 Rome, Italy, 2005, Barcelona, Spain), Международных конференциях Winter Symposium on Chemometrics (Черноголовка 2005, Казань 2008, Санкт-Петербург 2010, Дракино 2012), Международном симпозиуме "Разделение и концентрирование в аналитической химии и радиохимии" (Краснодар, 2005), Российской конференции по радиохимии "Радиохимия-2006" и «Радиохимия-2009» (Дубна 2006, 2009), Международной конференции ISOEN, International Symposium on Olfaction and Electronic Noses, (2003, Riga, Latvia, 2007 St.Petersburg, Russia; 2009 Brescia, Italy; 2011 New York, USA; 2013 Daegu, South Korea), Международной конференции 11th International Meeting on Chemical Sensors (2006 Brescia), Международной конференции International Conference on Analytical Chemistry EuroAnalysis XIV, XV(2007 Antwerp, Belgium; 2009 Insbruck, Austria), 6-й Международной конференции по изотопам ICI-6 (2008, Seoul, Korea), 7-й Международной конференции по ядерной и радиохимии NRC-7 (2008, Budapest, Hungary), 5-ом Международном симпозиуме по супрамолекулярным системам в химии и биологии (2009, Киев, Украина), XXIV Международной Чугаевской конференции по координационной химии (2009, Санкт-Петербург), 42-м конгрессе IUPAC (2009, Glasgow, UK), Международном симпозиуме International Symposium on Computer Applications and Chemometrics in Analytical Chemistry (2010, Budapest, Hungary), Международной конференции International Conference on Chemometrics in Analytical Chemistry (2010, Antwerpen, Belgium; 2012 Budapest, Hungary), Международной конференции Conferentia Chemometria (2011, Sumeg, Hungary), Международном симпозиуме 37th International Symposium on Environmental Analytical Chemistry ISEAC-37(2012, Antwerpen, Belgium), 4-й всероссийской конференции «Аналитические приборы» (Санкт-Петербург, 2012г.),

Международной конференции International Conference On Sensing Technology (2012, Kolkata, India).

Публикация результатов. По результатам работы опубликовано 30 научных статей в журналах, в том числе 27 статей в журналах, входящих в перечень ВАК, 2 главы в монографиях, более 40 тезисов докладов, получено 4 патента на изобретения.

Объем и структура работы

Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы и приложения. В первой главе приведен обзор литературы; во второй изложены методы проведения эксперимента; в главах от третьей до пятой обсуждаются результаты проведенных исследований. Работа изложена на 181 странице машинописного текста, содержит 16 таблиц, 43 рисунка, список литературы из 176 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы и сформулированы цели работы. Особо отмечена перспективность разработки новых аналитических методов, основанных на функционировании мультисенсорных систем для создания которых необходимы адекватные сенсорные материалы с высокой перекрестной чувствительностью, подчеркнута необходимость разработки подходов к выбору алгоритмов обработки многомерных данных от массивов сенсоров. В главе 1 (обзор литературных данных) рассмотрено текущее состояние исследований в области создания мультисенсорных систем для химического анализа, описаны основные способы получения аналитического сигнала и наиболее распространенные классы чувствительных материалов. Рассмотрены методы, применяемые для обработки данных от мультисенсорных систем. На основании проведенного обзора литературы сформулированы цели и задачи настоящего исследования. В главе 2 описана методика эксперимента, приведены данные о веществах, использованных для создания новых сенсорных материалов на основе полимерных пластифицированных мембран, описаны условия проведения потенциометрических измерений, представлены способы расчета основных характеристик сенсоров и описаны алгоритмы различных методов обработки данных, применяемых в работе. В главе 3 сформулированы основные требования к мембраноактивным соединениям для полимерных пластифицированных сенсорных мембран, предназначенных для использования в мультисенсорных массивах. Показано, что для создания таких сенсоров эффективным является использование веществ, предложенных в жидкостной экстракции. Приведены результаты применения предлагаемого подхода к созданию перекрестно-чувствительных сенсорных материалов на основе фосфор- и азотсодержащих нейтральных

экстрагентов, приведены характеристики различных сенсоров, разработанных на основе такого подхода. Показано влияние химической структуры на свойства сенсоров, проведено сопоставление поведения используемых лигандов в жидкостной экстракции и в полимерных пластифицированных мембранах. Представлены результаты применения в сенсорных мембранах различных катионообменных соединений, применяемых в жидкостной экстракции для ускорения обмена на границе раздела фаз. В главе 4 приведены экспериментальные доказательства возможности увеличения селективности определения отдельных аналитов в ионной форме при использовании массива перекрестно-чувствительных сенсоров по сравнению с использованием отдельных сенсоров, кроме того, показана возможность снижения пределов обнаружения отдельных веществ при использовании массива сенсоров. В главе 5 предложен подход к выбору методов обработки многомерных данных от массивов перекрестно-чувствительных сенсоров, исходя из решаемой задачи, структуры данных, и др. В заключении приведены выводы по работе и рассмотрены некоторые перспективные направления развития мультисенсорного подхода в аналитической химии.

1. Фосфор- и азотсодержащие экстрагенты в качестве мембраноактивных компонентов для полимерных пластифицированных сенсоров.

Мультисенсорный подход к анализу жидких сред успешно сочетает в себе невысокую стоимость и простоту с широкими аналитическими возможностями. В литературе описаны самые разнообразные применения мультисенсорных систем для решения задач качественного и количественного анализа. Наиболее перспективной сенсорной платформой является потенциометрическая, в первую очередь потому, что использование полимерных пластифицированных мембран позволяет варьировать сенсорные свойства в очень широких пределах путем изменения структуры мембраноактивных веществ. Кроме того, приборное оформление потенциометрического метода позволяет легко автоматизировать анализы. До настоящего времени не было предложено систематического подхода к разработке новых сенсорных материалов для потенциометрических мультисенсорных систем. Элементарными актами химического взаимодействия, лежащими в основе работы полимерных пластифицированных мембран потенциометрических сенсоров, являются ионный обмен и комплексообразование. Такие же взаимодействия активно используются в других областях аналитической химии, связанных с разделением и концентрированием жидких сред, например, в жидкостной экстракции, ионообменной хроматографии. Поскольку зачастую различные (пусть даже смежные) области одной и той же науки развиваются не вполне согласованно и в различных направлениях, а формулировка задач может сильно отличаться, логично было бы использовать наработки из смежных

областей аналитической химии для создания новых мультисенсорных систем. Именно эта идея легла в основу подхода к разработке новых перекрестно-чувствительных материалов для мультисенсорных систем. Таким образом, предлагается использовать для создания сенсоров с высокой перекрестной чувствительностью соединения, предложенные в качестве экстрагентов и вспомогательных ионообменных веществ в жидкостной экстракции. В ходе работы были сформулированы следующие основные требования к таким соединениям:

1) Экстракционная способность по отношению к целевым веществам. Так, например, нейтральные лиганды, которые планируется использовать для создания перекрестно-чувствительных сенсорных материалов для анализа редкоземельных элементов, должны обеспечивать высокие коэффициенты распределения редкоземельных элементов в процессах жидкостной экстракции;

2) Совместимость с мембранным материалом. Потенциальные мембраноактивные вещества должны быть полностью растворимы в фазе полимерной пластифицированной мембраны, не должны образовывать в ней отдельных фаз и не должны вступать в химическое взаимодействие с материалом мембраны (полимером и пластификатором);

3) Высокая липофильность. Потенциальные мембраноактивные вещества не должны вымываться из сенсорной мембраны при контакте с водным раствором, чтобы обеспечить длительный срок работы сенсора. Поскольку материал мембраны представляет собой липофильную органическую фазу, состоящую из пластифицированного полимера, то липофильность всех мембраноактивных веществ абсолютно необходима для работоспособности сенсоров. Кроме того, активные вещества должны быть устойчивы к гидролизу.

Было установлено, что этим требованиям удовлетворяет широкий круг различных фосфор- и азотсодержащих нейтральных лигандов, а также ионообменных соединений, предложенных в жидкостной экстракции. Были изучены различные классы фосфорорганических экстрагентов (фосфиноксиды, дифосфиндиоксиды, фосфорилсодержащие поданды), азотсодержащих экстрагентов (диамиды различных органических кислот: дигликолевой, дипиколиновой, дипиридил дикарбоновой), соединений на основе каликсаренов, модифицированных фосфиноксидными и диамидными группами, а также ионообменные соединения (хлорированный дикарболлид кобальта, ди(2-этилгексил)сульфоцукцинат натрия). В табл.1 приведены структурные формулы некоторых изученных в работе соединений. На рис. 1 приведен внешний вид зависимости потенциала отдельных сенсоров, разработанных на основе предложенного подхода, от концентрации раствора неодима. Все измерения проведены при рН=2 по азотной кислоте.

2402201 200-ш"

180-

160-

14UH-1-,-1-,-1-,-1-.-1-.-1-.

-7-6-5-4-3-2

igcNd-

Рис. 1. Отклик полимерных пластифицированных сенсоров на основе различных фосфор- и азотсодержащих экстрагентов в растворах неодима (рН=2).

Мембраны сенсоров содержали 50 ммоль/кг лиганда, 10 ммоль/кг хлорированного дикарболлида кобальта в качестве катионообменной добавки и были изготовлены на основе поливинилхлорида (ПВХ), пластифицированного о-нитрофенилоктиловым эфиром. Использование в качестве ионофоров соединений различной структуры приводит к различным величинам электродной чувствительности. Для сенсоров, приведенных на Рис.1 эта величина менялась в диапазоне 10-19 мВ/рМе.

Все изученные в работе соединения были ранее предложены в качестве экстрагентов для жидкостной экстракции, в основном — для разделения и концентрирования лантанидов и актинидов. В силу специфики задач, стоящих в жидкостной экстракции, экстракционная способность многих соединений по отношению к широкому кругу металлов не изучается, а исследуется только их способность извлекать из водных растворов актиниды и лантаниды. Однако, как показывают проведенные исследования, практически все экстрагенты способны к комплексообразованию с широким кругом катионов щелочно-земельных и переходных металлов. Всего в ходе работы было изучено свыше 40 различных лигандов в мембранных композициях более 100 различных составов. Для всех составов были изучены чувствительность, селективность, пределы обнаружения в широком ряду целевых ионов. В табл. 2 в качестве примера приведены величины электродной чувствительности отдельных разработанных сенсоров в ряду переходных металлов. Измерения проводились в индивидуальных водных растворах нитратов металлов в диапазоне концентраций 10"7-10"3 моль/л.

~ 1,9-6нс-(дифенилфосфинил)-3,6-дибензо-2,8-диокса-5-метилфосфин оксанонан

Ы,М,М',М'-тетраоктилдиамид дигликолевой кислоты ~1,9-6ис-(цифенилкар6амоил)-2,5,8-триоксанонан N,N'-flM3TMn-N,N'-flM-n-Tonnn диа тетрафенилметилен дифосфин

ю

Наклоны линейных участков электродных функций рассчитаны для диапазона 10 5—10"3 моль/л.

Таблица 1. Структурные формулы некоторых изученных соединений._

Структурная формула Название Структурная формула Название

0-1 ¡-о тетрафенил метилен дифосфин диоксид р Л ~-гтвГ 0 о 1 фенилоктил-ДМ-ди-;-бутилкарбамоилмети лен фосфин оксид

/V4 1,9-бис-(дифенилфосф инил) 3,6-дибензо- 2,8- диокса-5-метилфосфин оксанонан 9 9 (3=Р— х-___ 6° 6 1,9-бис-(дифенилфосфинил)-2,5,8-триоксанонан

о р р (о 0 / | о о 1,6-бис-(бензилфенилк арбамоил)-3-бензо-2,5-оксагексан о« ,о« о о NJfJf'Jf'- тетраоктипдиамид дигликолевой кислоты

¿ГО ° 0>-О 1,9-бис-(дифенилкарба моил)-2,5,8-триоксанонан ^ А г К N' - диэтил - Ы, М' - ди-н-толил диамид дипиколиновой кислоты

^ Л ^ о о ДЛ'-дютил- фтор)фенил диамид дипиколиновой кислоты Г ^ П XX ны. г 1 со 5,11,17,23-тетра(диэтилкарбамо илэтоксинетилкарбок самидо)-25,26,27,28-тетрапропокси каликс[4]арен

Чувствительность сенсоров в ряде случаев близка к теоретическим нернстовским величинам. Стоит отметить, что разрабатываемые в рамках такого подхода сенсоры лишены, как правило, острой избирательности отклика и обладают высокой перекрестной чувствительностью. Такие свойства являются предпочтительными для последующего использования этих материалов в составе массивов мультисенсорных систем. Под перекрестной чувствительностью понимается наличие сопоставимой по величине электродной чувствительности к широкому кругу ионов и отсутствие острой селективности к какому-либо конкретному иону.

В случае некоторых изученных лигандов, предложенных в жидкостной экстракции, очень четко прослеживается зависимость между структурой активного соединения и характеристиками соответствующих полимерных сенсорных материалов на его основе.

Таблица 2. Чувствительность отдельных сенсоров в растворах переходных металлов.

Активное вещество аЛ т1* со" РЬ1'

тетрафенил метилен дифосфин диоксид 24±3 14±2 21±3 41±3

дифенил дибутил метилен дифосфин диоксид 20±2 11±1 14±2 30±2

тетрабутил метилен дифосфин диоксид 19+2 9±1 11±1 30±1

фенилоктил-Л//Л/-дич-бутилкарбамоилметилен фосфин оксид 29±1 26±3 29+2 31±2

дифенил-Л/,Л/-<Эи-/-бутилкарбамоилметилен фосфин оксид 23+1 7±2 6+2 32±2

Л/^Л/^Л/'-тетрабутилдиамид дипиколиновой кислоты 15±2 8±1 22±1 37±3

Л//Л//-диэтил-Л//Л//-ди(лоро-толил)диамид дипиколиновой кислоты 31±3 33+3 21+2 32+2

Л//Л/'-диэтил-Л/,Л//-ди(орто-толил) диамид дипиколиновой кислоты 30±3 35+3 27±2 32±3

Л/^Л/^Л/'-тетраоктилдиамид дигликолевой кислоты 5±1 3+1 9+1 31+2

Так в одном из экспериментов в ходе работы изучалось влияние ковалентной пришивки диамидных и фосфиноксидных функциональных фрагментов на каликсареновую платформу.

30,0

ТОДГА К-2 ТОФО К-1

•5,0 ........- ...............................-.........- ' -..... -

Рис.2. Сравнение чувствительности сенсоров на основе модифицированных каликсаренов с чувствительностью сенсоров на основе диамидных и фосфиноксидных лигандов. Измерения при рН=2.

Были изучены типичные диамидные (тетраоктилдигликоль диамид -ТОДГА) и фосфиноксидные (триоктилфосфин оксид - ТОФО) лиганды в

свободном виде и в виде каликсаренов, модифицированных по нижнему ободу соответствующими функциональными группами: 5,11,17,23-тетракис-дибутилфосфинилметил-25,26,27,28-тетрапропоксикаликс[4]арен (К-1) и 5,11,17,23-тетра(диэтилкарбамоилэтоксиметилкар-боксамидо)-25,26,27,28-тетрапропоксикаликс[4]арен (К-2). На рис.2 представлены данные по чувствительности сенсоров на основе этих веществ в ряду лантанидов. Сенсоры на основе ТОДГА и К-2 проявляют высокую чувствительность к РЗЭ, несколько ниже этот параметр для сенсоров на основе К-1, сенсоры на основе ТОФО в кислых растворах не обладают чувствительностью к РЗЭ из-за сильного протонирования фосфиноксидной функциональной группы, препятствующего связыванию РЗЭ этим лигандом в фазе мембраны. Сравнение характера зависимости чувствительности для сенсоров ТОДГА и К-2 позволяет заключить, что пришивка диамидных фрагментов к каликсареновой платформе приводит в целом к выравниванию значений наклонов линейных участков калибровочных зависимостей в ряду РЗЭ от лантана к лютецию. Так в случае сенсоров на основе ТОДГА наклоны меняются от 12 (лантан) до 25 мВ/дек (лютеций), в случае же К-2 диапазон уже: от 17 до 23 мВ/дек. Характер зависимости чувствительности от атомного номера РЗЭ более гладок для К-2. В случае фосфиноксидных лигандов, присоединение их к каликсареновой платформе приводит к возникновению электродной функции по отношению к РЗЭ при рН 2, тогда как сенсоры на основе ТОФО не проявляют чувствительности к указанным металлам в условиях эксперимента. Однако, стоит отметить что величины чувствительности к РЗЭ у сенсоров на основе К-1 невелики (менее 15 мВ/дек) и не достигают теоретических значений для трехзарядных катионов (19 мВ/дек).

Интересным представлялось сравнить экстракционные данные по отдельным соединениям и электрохимические характеристики соответствующих сенсоров на их основе. На примера ТУ,//'-диэтил-А^// '-дифенил диамида 2,2'-дипиридил-6,6'-дикарбоновой кислоты (Б1Ат-1) и 7У,//'-диэтил-Л^7\Г-ди(иара-толил)диамида дипиколиновой кислоты (Б1Ат-2) были сопоставлены коэффициенты распределения переходных металлов, полученные в ходе экспериментов по жидкостной экстракции (экстракция металлов из 0,5М азотной кислоты смесью 0,01М диамида и 0,04 М ХДК в л(ема-нитробензотрифторид), и коэффициенты селективности сенсорных материалов, изготовленных на основе этих веществ. Как видно из Рис.3, в данном случае особенности экстракционного поведения лигандов и их функционирования в качестве мембраноактивных компонентов существенным образом схожи. Так, лиганд Б1Ат-1 проявляет наибольшую экстракционную способность к кадмию, а сенсоры на его основе проявляют наибольшую селективность к этому иону. В случае соединения В1Аш-2 наиболее предпочтительным металлом и в экстракционном эксперименте и в эксперименте с потенциометрическими сенсорами является медь. Следует заметить, однако, что такое совпадение имеет место далеко не всегда и в

отдельных случаях не наблюдается даже качественного соответствия в экстракционном и сенсорном поведении лигандов. Это связано с очевидными различиями в условиях экспериментов, различной полярности органических фаз в экстракции и в сенсорных мембранах и т.д.

Щ

3 3 -1,6

0|Ат-1

0|Ат-2

Рис.3. Сравнение поведения лигандов в экстракции и в сенсорах.

При выборе сенсоров в мультисенсорные массивы всегда встает вопрос отбора конкретных составов из библиотеки чувствительных материалов. Разумеется, этот вопрос напрямую связан с конкретной решаемой аналитической задачей. В первую очередь, исходят из того, что сенсоры массива должны обеспечивать высокую чувствительность к определяемым компонентам (либо, компонентам, отвечающим за формирование интересующего параметра в случае определения интегральных характеристик образцов). Следующим важным соображением является степень перекрывания спектров перекрестной чувствительности сенсоров. Обычно нецелесообразно использовать в массивах сенсоры с сильно похожими спектрами чувствительности, поскольку при использовании в массиве они будут давать сильно коррелированные сигналы. Для учета этого обстоятельства удобно пользоваться следующим подходом, предложенным в настоящей работе. На основании данных по чувствительности материалов в

растворах ряда целевых компонентов строится модель по методу главных компонент (МГК), при этом каждый состав рассматривается, как независимый образец. График счетов МГК позволяет удобным образом визуализировать сходства и различия в поведении сенсоров и отобрать в массив те, которые дадут комплементарную информацию. Так на рис.4 представлен график счетов МГК для 14 составов полимерных сенсорных мембран, рассчитанный на основе их чувствительности в растворах редкоземельных элементов. График счетов представляет собой так называемую «карту образцов», взаимное расположение точек-образцов (в данном случае сенсорных материалов) на нем свидетельствует о схожести, либо различии в совокупности параметров, на основании которых строилась МГК модель. Видно, что максимально различным спектром чувствительности в таких растворах обладают, например, составы 2 и 9, 8 и 11, 5 и 3, имеющие счета МГК противоположных знаков вдоль осей двух первых главных компонент. В то же время составы 12 и 13 имеют крайне схожие спектры чувствительности, что ставит под вопрос целесообразность их одновременного использования в массиве.

0.6 0.4 1 1 1 1 1 1 на -I-' ■ " I Е

Со 0.2 О ^ 0.0 ш ^ ■ ® ® ш И а Е

-од на Е -

-0.4 а

-0,4 -0,2 0.0 02 0,4 0.6

ГК1 (74%)

Рис. 4. График счетов МГК для выбора сенсоров в массив.

Конкретное число сенсоров в массиве определяется доступностью сенсорных материалов с требуемыми свойствами, типом и спецификой аналитической задачи, доступными объемами образцов.

Отдельного рассмотрения заслуживают результаты, полученные при переносе в полимерные пластифицированные мембранные материалы ионообменных соединений, которые используются в жидкостной экстракции в качестве гидрофобных противоионов в органической фазе. На рис.5

приведено сравнение величин электродной чувствительности сенсоров, содержащих в качестве катионообменных добавок: традиционно применяемый в потенциометрии тетракис(4-хлорфенил)борат калия КТФБ (К-с1, К-п), хлорированный дикарболлид кобальта ХДК (С-(1, С-п) и ди-2-этилгексил сульфосукцинат натрия (А-<1, А-п) к различным двухзарядным ионам. Мембраны были пластифицированы ди(этилгексил)себацинатом (с1), либо о-нитрофенилоктиловым эфиром (п). В ряде случаев применение ХДК и сульфосукцината позволяет добиться более высоких величин чувствительности по сравнению с КТФБ. Влияние полярности растворителя-пластификатора также лучше заметно в случае ХДК и сульфосукцината, их использование позволяет в более широких пределах варьировать спектр чувствительности мембранной композиции, что, безусловно, является преимуществом с точки зрения использования таких сенсоров в массивах мультисенсорных систем. Кроме того, применение новых катионообменных добавок позволяет существенно расширить диапазон значений рН, в которых сенсор проявляет чувствительность к целевому иону, поскольку и ХДК и сульфосукцинат устойчивы к кислотному гидролизу, а КТФБ нет.

К-а К-п А-с) А-п С-с1 С-п

Рис. 5. Электродная чувствительность полимерных пластифицированных сенсорных материалов (±1 мВ/дек) на основе катионообменных соединений.

Помимо этого, сульфосукцинат, например, значительно дешевле в производстве, чем КТФБ, что уменьшает стоимость соответствующих чувствительных материалов. Таким образом, использование различных нейтральных лигандов и ионообменных соединений, предложенных в жидкостной экстракции в качестве мембраноактивных веществ, в полимерных пластифицированных мембранах позволяет создавать потенциометрические сенсоры с высокой перекрестной чувствительностью, пригодные для использования в массивах мультисенсорных систем.

2. Снижение нижнего предела обнаружения отдельных аналитов и увеличение селективности определения с помощью мультисенсорных систем.

Применение массива перекрестно-чувствительных сенсоров вместо отдельных селективных сенсоров позволяет существенно увеличивать селективность определения и снижать пределы обнаружения для отдельных аналитов. Так, например, использование набора сенсоров с различной перекрестной чувствительностью в ряду неорганических анионов позволяет определять более низкие концентрации перхлорат-иона на фоне большего содержания мешающих ионов в водных растворах, по сравнению с любым отдельным сенсором. Для экспериментального доказательства такой возможности исследовали полимерные пластифицированные потенциометрические сенсоры с жидкостным внутренним заполнением. Сенсорные мембраны были изготовлены на основе поливинилхлорида, растворителя - пластификатора: о-нитрофенил октилового эфира и мембраноактивных компонентов различной природы (металлопорфирины, четвертичные аммониевые основания, эфиры трифторацетилбензойной кислоты).

Потенциометрические измерения проводили в водных растворах перхлората натрия в диапазоне концентраций 10"8 - 10"3 моль/л. Исследование селективности сенсоров проводили методом смешанных растворов. В качестве мешающих ионов рассматривались хлорид, нитрат, бромид, как наиболее распространенные в различных аналитических объектах. В табл.3 и на рис.6 приведено сравнение коэффициентов селективности и нижних пределов обнаружения, рассчитанных из экспериментальных данных для массива сенсоров (с помощью метода проекций на латентные структуры (ПЛС-регрессии)) и отдельных сенсоров согласно рекомендациям ИЮПАК.

Таблица 3. Сравнение селективности мультисенсорной системы и коэффициентов селективности отдельных сенсоров массива._

КсЮ4/С1 Кс104/Ы03 18 КсЮ4/Вг

Мультисенсорная система -4,85±0,05 -2,6±0,06 -2,16±0,08

Отдельные сенсоры (лучшее значение) -3,98±0,06 -2,1±0,01 -1,56±0,14

ё -5

о г

о

(1> -6

ш X

-7 -8

Рис.6. Снижение нижнего предела обнаружения перхлорат-иона при использовании массива сенсоров.

Мультисенсорная система обеспечивает значительное улучшение селективности определения перхлората по сравнению даже с самыми лучшими отдельными сенсорами. Для бромида и нитрата этот выигрыш составляет, по крайней мере, полпорядка в коэффициенте селективности, а в случае хлорида, наиболее типичного из анионов, мешающих определению перхлората, более чем в 7 раз.

Стоит особо отметить, что эффект достигается с тем же самым набором сенсоров только за счет их совместного использования и одновременной обработки данных от всего массива целиком. Применение массива сенсоров вместо отдельных электродов обеспечивает предел обнаружения перхлорат-иона на уровне 1*1СГ7 моль/л (или 10 мкг/л), что лучше, чем для самых чувствительных из отдельных сенсоров (выше 30 мкг/л) и вполне достаточно, например, для аналитического определения перхлорат-иона на уровне ПДК в питьевой воде (5 мг/л, 5*10"5 моль/л согласно СанПиН 2.1.4.1074-01).

Еще более убедительными преимущества мультисенсорных систем становятся при работе с растворами, в которых необходимо раздельное определение схожих по химическим свойствам веществ. Следующий пример улучшения аналитических характеристик при использовании массивов сенсоров по сравнению с использованием отдельных электродов получен при определении переходных металлов в модельных растворах морской воды. В табл.4 приведены средние относительные ошибки определения меди и цинка

Введено, моль/л

отдельными селективными электродами и массивом из 11 сенсоров, содержащим электроды с пластифицированными мембранами на основе фосфорорганических экстрагентов. В случае массива сенсоров анализ данных проводился с помощью ПЛС-регрессии, в случае отдельных сенсоров для этих целей использовалась классическая процедура метода наименьших квадратов. Существенное снижение относительной ошибки определения отдельных металлов на таком низком уровне активностей позволяет сделать вывод о высокой перспективности мультисенсорного подхода для решения подобных аналитических задач.

Табл. 4 Результаты определения активностей меди и цинка в искусственной морской воде с отдельными сенсорами и с помощью массивов сенсоров._

Введено, нмоль/л Найдено, нмоль/л Средняя относительная ошибка определения,%

Массив сенсоров

Медь

0,77 0,9 13

1,15 1,0

1,9 2,2

3,9 3,6

Цинк

6,9 8 16

20,9 18

69,2 50

275,4 290

Медь-селективный электрод

Медь

0,77 1,3 34

1,15 1,1

1,9 1,7

3,9 1,9

Цинк-селективный электрод

Цинк

6,9 14 47

20,9 16,3

69,2 30

275,4 260

Особенно остро проблема увеличения селективности определения стоит при анализе растворов, содержащих схожие по химических свойствам вещества. Создание селективных химических сенсоров на основе органических лигандов в таких случаях практически невозможно, поскольку константы комплексообразования с одним и тем же лигандом в ряду схожих

19

по химической структуре и свойствам соединений имеют крайне близкие значения. Это не позволяет добиваться высокой селективности отдельных сенсоров. Применение мультисенсорного подхода позволяет изящно обходить эти трудности и создавать массивы сенсоров с высокой перекрестной-чувствительностью, которые в сочетании с многомерной обработкой данных дают возможность определять содержания индивидуальных компонентов в сложных смесях схожих по химическим свойствам веществ. В качестве примера рассмотрим случай анализа смесей из редкоземельных элементов, соседствующих в Периодической системе: самария, европия и гадолиния. Селективных сенсоров, пригодных для индивидуального определения этих элементов в смесях не разработано, несмотря на большое количество описанных в литературе попыток их создания. Были исследованы двойные смеси РЗЭ в диапазоне концентраций 2,44*10"7 - 10"3 моль/л «основного иона» на фоне 1,25*10~4 - 1,25*10"3 моль/л «мешающего». Обозначения основного и мешающего ионов в данном случае условны, поскольку острой селективностью в ряду РЗЭ разработанные сенсоры не обладают, обозначения использованы исключительно для того, чтобы указать на ионы, концентрация которых меняется в более широких пределах.

Рис.7. Поверхность отклика сенсоров в двойных смесях РЗЭ.

Всего было изучено по 42 двойных смеси каждого типа (Бт-Еи, Бт-вс!, Еи-вс!). Измерения проводились в условиях инжекционного анализа в проточной ячейке, содержащей восемь полимерных сенсоров на основе лигандов, предложенных в жидкостной экстракции. Проточные условия эксперимента позволили использовать при обработке многомерных данных помимо традиционных стационарных значений потенциалов сенсоров динамическую информацию об отклике и создать трехмерный массив данных структуры: сенсоры х образцы х время, который можно обрабатывать различными методами хемометрики. На рис.7 приведена поверхность откликов сенсоров в смешанных растворах европия и гадолиния. Видно, как по мере нарастания концентрации гадолиния, отклик сенсоров на растущие концентрации европия становится все более пологим и предел обнаружения европия существенно возрастает.

Табл.5. Параметры регрессионных моделей для определения содержания лантанидов в двойных смесях. СКОП - среднеквадратичное отклонение

Смесь, компонент Наклон Оффсет (моль/л) К2 СКОП (моль/л)

ИНС по стационарным данным

Ят-Еи

Ът 0.861 1.12-10"5 0.865 3.31-10"5

Ей 0.984 -2.74-10"5 0.994 4.91 105

йт-вй

Бш 1.061 3.94-10"6 0.692 6.45-10"5

вс! 0.962 2.28-10"5 0.987 4.70-10"5

Еи-вй

Ей 1.028 -1.27-10"6 0.813 4.45-10"5

- ва 0.993 1.04-10"5 0.980 5.69-10"5

ИНС по динамическим данным

Ят-Еи

Бгп 0.985 4.43-10"6 0.898 3.02-10"5

Ей 1.016 -1.3610"5 0.995 2.89-10'5

Бт-ва

Бш 0.994 6.00-10"6 0.954 2.04-10"5

ва 0.954 2.11-Ю"5 0.991 4.22-10"5

Еи-а

Ей 1.048 3.11-10"6 0.816 4.54-10"5

0<1 0.964 4.93-10"6 0.989 4.56-105

Очевидно, что традиционные способы определения концентраций компонентов из таких экспериментальных зависимостей не позволят добиться приемлемой точности индивидуального определения лантанидов в

смесях. В табл. 5 приведены параметры прямых «введено-найдено» для регрессионных зависимостей, построенных с помощью искусственных нейронных сетей (ИНС) с тангенциальной сигмоидальной передаточной функцией. Для оценки предсказательной силы регрессионных моделей использовался независимый тестовый набор образцов, не участвовавших в калибровке. Применение аппарата ИНС позволяет добиться приемлемой точности при анализе содержаний отдельных компонентов смеси схожих по химическим свойствам компонентов. Учет динамического отклика сенсоров при обработке данных в ряде случаев дает возможность еще больше повысить точность определения. Например, в случае смесей самария и гадолиния это приводит к трехкратному снижению ошибки с 6.45-10"5 до 2.04-10"5 моль/л. Для сравнения обработка отклика отдельных сенсоров с помощью МНК дает ошибки в определении лантанидов в этом эксперименте на уровне 10"3 моль/л.

Очевидно, такой подход может быть успешно расширен и на другие случаи анализа смесей веществ, схожих по химическим свойствам, для которых разработка селективных химических сенсоров затруднена, либо невозможна (например, смеси различных органических кислот, полифенолов и др.).

3. Выбор метода обработки данньрс от мультисенсорных систем.

Наряду с адекватным выбором сенсорных материалов для перекрестно-чувствительных химических сенсоров методы обработки данных крайне важны для успешной работы мультисенсорных систем. Серьезная методологическая основа для выбора подходящего метода обработки данных долгое время отсутствовала. Фактически, из всего арсенала методов хемометрики исследователи эмпирически выбирают отдельные методы, не обосновывая их применимость к решаемой задаче с точки зрения достоверности получаемых результатов. На Рис. 8 представлена типичная структура данных, получаемых от мультисенсорных систем. В этой двумерной структуре матрица данных состоит из строк, каждая из которых представляет отклики всех сенсоров в данном образце, соответственно, каждый столбец представляет собой отклик данного сенсора во всех образцах. Каждый элемент матрицы представляет, таким образом, отклик данного конкретного сенсора в данном конкретном образце. В последнее время появились работы, в которых используется трехмерная структура данных, где добавляются дополнительные матрицы, в которых меняются каким-либо образом условия измерения, например, те же образцы измеряются при различных значениях рН, либо произведена развертка отклика сенсоров во времени. Стоит особо отметить, что два других измерения в данных (сенсоры и образцы) должны при этом оставаться неизменными, а дополнительное третье измерение должно иметь непрерывный характер. Двумерные данные традиционны для мультисенсорного анализа и для них можно представить подробный

алгоритм выбора метода обработки. Трехмерные структуры данных для мультисенсорного анализа только недавно начали использоваться, однако, уже показано, что такой подход позволяет решать задачи, которые не могут быть решены в рамках двумерных структур. Например, применение ЗууауРЬБ (трехмерный ПЛС) позволяет предсказывать сложные интегральные характеристики образцов (такие, как, например, горькость в терминах человеческого восприятия) имеющих абсолютно разную химическую природу. В области трехмерных массивов данных для мультисенсорных систем еще предстоит большая исследовательская работа.

Рис. 8. Типичная структура данных от мультисенсорных систем.

Для успешного развития новых мультисенсорных методов анализа необходимо созданием методологии обработки данных от таких устройств. В настоящем исследовании предложен подход к выбору метода обработки данных, получаемых' от мультисенсорных систем. Выбор метода естественным образом связан с решаемой аналитической задачей и в обобщенном виде приведен на Рис. 9.

Самым первым этапом, предшествующим любому дальнейшему математическому моделированию данных, является предобработка. В случае потенциометрических мультисенсорных систем, предобработка сводится, как правило, к простейшим операциям центрирования и, иногда, нормировки. Поскольку значительная часть методов хемометрики связана с моделированием дисперсии в данных, то для придания одинакового статистического веса переменным (сенсорам) необходимо предварительное приведение разбросов их откликов в образцах к одной и той же шкале. Изначально каждая переменная-сенсор имеет свой разброс вокруг среднего значения и свое среднее (Рис. 10).

Типичная структура данных

Время

Е|

I сенсор 'Ц ] образец

Рис. 9. Схема подхода к выбору метода обработки данных от мультисенсорных систем.

Исходные данные

После центрирования

После нормировки

Рис. 10. Центрирование и нормировка данных.

В ходе центрирования и нормировки происходит выравнивание разброса значений. В качестве способа нормировки в большинстве случаев

24

используется нормировка каждой переменной на стандартное отклонение, рассчитанное по всем измеренным образцам для данного сенсора1. Нормировка в случае мультисенсорных систем не всегда приводит к улучшению результатов моделирования, поскольку в случае однотипных сенсоров незначительный разброс показаний сенсора в образцах вокруг среднего значения может свидетельствовать об отсутствии в его отклике полезной аналитической информации (иными словам, такой сенсор не «видит» разницы в химическом составе образцов). Искусственное уравнивание его с сенсорами, обладающими более высоким разбросом, заставляет модель учитывать вклад малоинформативных факторов и может привести к ухудшению прогнозирующей способности модели.

В большинстве случаев мультисенсорные системы используются для решения двух типов задач: количественного анализа и качественного. Ниже приведено краткое описание каждого из возможных этапов анализа в зависимости от решаемых задач.

В случае количественного анализа речь может идти как об определении неких интегральных характеристик образцов (например, вкусовые дескрипторы панели дегустаторов при анализе пищевых продуктов системами типа «электронный язык»), так и о более традиционном для аналитической химии количественном определении отдельных химических веществ/групп веществ. В случае количественного анализа неотъемлемым этапом является калибровка мультисенсорной системы по референтным данным от другого метода анализа, полученным для тех же образцов. Выбор способа построения регрессионной модели, связывающей отклик массива сенсоров с целевой определяемой характеристикой образцов, крайне важен. В зависимости от информации, имеющейся в распоряжении исследователя, можно использовать линейные, либо нелинейные хемометрические модели. В случае потенциометрических мультисенсорных систем большое число задач можно решать с применением линейных проекционных методов регрессии, таких как регрессия по главным компонентам (РГК, либо PCR в англоязычной литературе), проекции на латентные структуры (ПЛС, PLS). В этом варианте предполагается наличие линейной зависимости между откликом сенсоров и определяемой величиной, что справедливо, например, при работе с потенциометрическими сенсорами в области концентраций, где электродная функция линейна. Необходимость в многомерной обработке возникает, поскольку в реальных сложных многокомпонентных растворах отклик сенсора за счет недостаточной селективности содержит в себе информацию сразу о нескольких компонентах образца. Вычленять из этого сложного отклика только ту дисперсию, которая связана с целевым определяемым параметром, позволяют хемометрические методы обработки данных и, в частности, ПЛС.

Интересным примером прогнозирования сложных интегральных характеристик с помощью мультисенсорных систем и метода ПЛС является возможность определения химического потребления кислорода (ХГЖ) в

образцах природной воды. ХПК отражает общее содержание окисляемых веществ в воде и является одним из важных показателей ее качества. Стандартная процедура определения ХПК бихроматным методом довольно трудоемка и включает стадии окисления и титрования. Возможность быстрого приборного определения ХПК представляется крайне привлекательной. В литературе имеются данные о возможности определения ХПК из отклика вольтамперометрических мультисенсорных систем в природных водах, а применение потенциометрической платформы при анализе ХПК описано только для ферментационных растворов. На Рис. 11 приведен график «введено-найдено» для ПЛС-регрессии, построенной по результатам измерений с мультисенсорной системой в 47 образцах природных вод. 31 образец использовался для градуировки и 16 для проверки прогнозирующей способности модели. В качестве референтных использовались данные по определению ХПК стандартным бихроматным методом. Видно, что подобное моделирование позволяет добиваться приемлемой точности в прогнозировании ХПК в неизвестных образцах (среднеквадратичное отклонение прогноза от реальных значений составляет 11мг О/л).

Рис. 11. График «введено - найдено» ПЛС-модели по определению ХПК в природных водах.

Следует особо отметить, что при работе с ПЛС-регрессией для данных от мультисенсорных систем предпочтительно пользоваться вариантом ПЛС1, который позволяет в рамках одной модели предсказывать только один параметр, а не ПЛС2, который позволяет предсказывать сразу несколько интересующих характеристик. При этом строится столько отдельных ПЛС1 моделей, сколько имеется интересующих параметров для прогнозирования. Отказ от использования ПЛС2 в случае мультисенсорных систем связан с тем, что оптимальный набор сенсоров внутри массива для прогнозирования

26

различных характеристик может сильно различаться, использование одного и того же набора сенсоров в рамках ПЛС2 моделирования может привести к существенному снижению точности определения с использованием данной модели, поскольку неинформативные для данного определяемого свойства сенсоры будут вносить лишь шум в модель.

Выбор оптимального набора сенсоров для определения каждого отдельного параметра основан, как правило, на анализе величин регрессионных коэффициентов для каждой переменной (сенсора). Кроме этого, в случае ПЛС, например, можно использовать графики ПЛС-нагрузок. Как было показано выше в примере с двойными смесями лантанидов, иногда форма зависимости отклика от концентрации может иметь нелинейный характер, например при работе в интервале концентраций на уровне предела обнаружения. Если доступно большое количество дополнительной информации о системе, то можно попытаться линеаризовать аналитический сигнал с помощью математических преобразований. В противном случае предпочтительно использовать для обработки сигналов методы хемометрики, позволяющие учесть эту нелинейность. Наиболее хорошо развит в настоящее время математический аппарат для реализации методов искусственных нейронных сетей (ИНС, artificial neural networks - ANN) и метода опорных векторов (MOB, support vector machine - SVM).

В Табл.6 приведено сравнение относительных ошибок определения трех ключевых компонентов ферментационных растворов с нитчатыми грибами Aspergillus niger. Такие ферментации используются в биотехнологии для производства лимонной кислоты. В ходе ферментации грибы потребляют аммоний и глюкозу из питательной среды и вырабатывают щавелевую и лимонную кислоты. Измерения в растворах проводились массивом из 8 перекрестно-чувствительных потенциометрических сенсоров. Для обработки данных использовали методы ПЛС и ИНС (8 входных нейронов, 2 скрытых, 1 выходной, передаточная функция - гиперболический тангенс). Измерения проводились в двух вариантах — с добавлением и без добавления к образцам азида натрия после отбора пробы (для подавления микробной активности).

Табл.6. Относительные ошибки определения аммония, оксалата и цитрата в ходе мониторинга процесса ферментации с нитчатыми грибами Aspergillus niger (референтные данные от ионной хроматографии)._

Средняя относительная ошибка прогнозирования, % Метод калибровки Аммоний (0 - 14 мМ) Оксалат (0-62.2 мМ) Цитрат (0-5 мМ)

ПЛС 12 6 11

10 6 10 образцы с добавкой NaN3

ИНС 5 5 8

6 6 8 образцы с добавкой NaN3

В случае применения ПЛС для данной задачи видны ограничения метода, связанные с линейностью модели. Так, определению аммония мешает значительное количество калия в растворах, что приводит к существованию области нелинейного отклика при невысоких концентрациях аммония. В этих условиях ПЛС дает более высокие ошибки, чем нейронная сеть, позволяющая эффективно моделировать нелинейный отклик с помощью соответствующих передаточных функций.

Для нейронных сетей в качестве сигналов для входных нейронов можно применять как непосредственно значения откликов сенсоров в образцах, так и значения счетов МГК для нескольких старших компонент, рассчитанные по матрице отклика сенсоров. Последнее имеет смысл в том случае, когда число сенсоров в массиве достаточно велико (гораздо больше 10), чтобы сократить время вычислений при обучении сети и оптимизации ее топологии. Конкретное число главных компонент нужно выбирать с осторожностью, чтобы с одной стороны учесть все значимые эффекты, а с другой не включить в моделирование избыточное число компонент, связанное с шумом. Для оценки оптимального числа главных компонент часто пользуются графиком зависимости объясненной (смоделированной дисперсии) в процентах от числа главных компонент. Уровень отсечки, обычно рекомендуемый в литературе, составляет 85-95%.

Применение метода опорных векторов для анализа данных от мультисенсорных систем начато только в последние годы с ростом популярности этого метода, в литературе уже доказана перспективность метода для решения нелинейных задач классификации (например, класс внутри класса). Видимо, следует ожидать и распространения метода на решение регрессионных задач в области мультисенсорных систем.

Любую обработку данных полезно начинать с применения простых, разведочных методов анализа, которые позволят получить первичное представление о структуре и особенностях результатов измерений, идентифицировать возможные выбросы, схожие группы образцов, оценить наличие корреляций между откликом массива сенсоров и референтными данными. Наиболее удачно для этих целей подходит метод главных компонент. На Рис. 12 в качестве примера приведен график счетов МГК для образцов 4 ботанических сортов томатов, культивируемых в Бельгии. Данные получены от массива 15 потенциометрических сенсоров. Видно, что реплики в образцах томатов различных сортов образуют отчетливые кластеры на графике счетов. Особое внимание стоит обратить на то, что в МГК различия между группами образцов не всегда визуализируются в двух первых ГК, так в данном случае приведен график ГК1-ГКЗ, в координатах ГК1-ГК2 (12%) кластеры образцов томатов Санстрим и Клотиль существенным образом перекрывались.

■ Санстрим

• Аморосо

▲ Триша

т Клотиль

О 20

ГК1 (76%)

Рис. 12. График счетов МГК для образцов бельгийских томатов по результатам измерений с мультисенсорной системой.

Помимо МГК, в случае, когда набор образцов охарактеризован как мультисенсорной системой, так и другими независимыми методами, для экллораторных целей можно пользоваться коэффициентами матричной корреляции, коэффициентами конгруэнтности Такера, каноническим корреляционным анализом (CCA, canonical correlation analysis). Эти методы позволяют путем несложных расчетов количественно оценить наличие связей между структурой данных, полученных от референтных методов и от массива сенсоров. В частности, метод канонического корреляционного анализа удобен тем, что позволяет визуализировать результаты в виде карт подобия (similarity maps) образцов. На Рис.13 приведены карты подобия для образцов воды, собранных в ходе программы экологического мониторинга малых водоемов Санкт-Петербурга. Образцы для исследования были отобраны из 29 прудов в черте города и пригородах, для каждого пруда было отобрано по два образца: из придонного горизонта и с поверхности (всего 58 образцов). Все образцы были проанализированы набором стандартных гидрохимических методов (15 различных видов анализа), включающих определение рН, растворенного кислорода, электропроводности, фосфора, химического и биологического потребления кислорода и др. Помимо этого, все образцы были проанализированы потенциометрической мультисенсорной системой из 23 перекрестно-чувствительных сенсоров. Три первых извлеченных канонических корня имели значения 0.964, 0.851, 0.547, что подразумевает значительное совпадение структуры дисперсии в обоих наборах данных. Сопоставление карт подобия также это подтверждает: расположение образцов № 53, 55 и 17 в нижней части графиков и № 50, 41, 42 в верхней части аналогично для двух наборов данных. Такой результат

подразумевает возможность прогнозирования отдельных гидрохимических параметров в образцах воды из результатов потенциометрических измерений с помощью мультисенсорной системы.

ИЗ

а И еР а и

и

и

и

СУ1

-0,5 4-1-1---1-1---1

-0,3 -0,2 -0,1 0,0 0.1 02

СУ1

Рис.13. Карты подобия для результатов измерений с потенциометрической мультисенсорной системой (верхний рисунок) и для набора гидрохимических анализов (нижний рисунок).

В случае применения мультисенсорных систем для качественного анализа решаются, как правило, классификационные задачи, т.е. решается вопрос о принадлежности анализируемого образца к какому-либо заранее определенному классу образцов. Такие исследования можно проводить как в

30

одноклассовом режиме («да, это образец класса А/нет, это что-то другое»), так и в режиме нескольких классов. Классификационную задачу логично начать с проведения МГК, чтобы увидеть содержат ли отклики сенсоров требуемую для распознавания классов информацию. График счетов МГК позволяет это с легкостью сделать путем изучения кластеризации образцов. Вопреки распространенному в литературе по мультисенсорным системам подходу к МГК, как к методу классификации, МГК, строго говоря, таковым не является. А является лишь способом представления данных и анализа структуры дисперсии. Проведение классификации на основе МГК возможно, но требует введения дополнительных метрик (таких, как расстояние между классами и между образцами) - это реализовано в алгоритме SIMCA (soft independent modelling of class analogy, формальное независимое моделирование классовых аналогий). На Рис. 14 приведен т.н. график Кумана для классификации образцов пива по данным от мультисенсорной системы. Класс 1 - это образцы пива сорта "geuze", которые проходят вторую ферментацию в бутылке, класс 2 — образцы пива, прошедшие лишь одну ферментацию. Синим и зеленым цветом обозначены неизвестные образцы, классифицированные с помощью SIMCA. Часть образцов (зеленые) верно классифицирована как принадлежащая классу 1, часть образцов не принадлежит ни одному из классов (образцы фруктового пива сорта "lambic").

■ Образцы модели 1

• Образцы модели 2 А Неизвестные образцы ▼ Неизвестные образцы

10 15

Расстояние

20 25

до модели 1

Рис. 14. График Кумана для классификации образцов пива.

Использование Б1МСА эффективно и в случаях, когда имеется несколько классов образцов, и в режиме одноклассового классификатора. В ряде случаев, когда граница между классами имеет нелинейный характер эффективно работать может метод к ближайших соседей (к-БС, ШЫ, к

nearest neighbors). Вывод о принадлежности образца к конкретному классу в этом методе делается на основании классовой принадлежности к ближайших к нему образцов. Расстояние между образцами рассчитывается в многомерном пространстве откликов сенсоров (размерность пространства равна числу сенсоров).

В случае наличия двух классов образцов надежные классификационные модели позволяет получать метод ПЛС-ДА (ПЛС-диксриминантный анализ, PLS-DA projections on latent structures — discriminant analysis,). В этом алгоритме классовая принадлежность образца кодируется нулем, либо единицей и затем эта переменная используется в качестве зависимой для создания обычной ПЛС-регрессии. PLS-DA пригоден и для работы с большим числом классов, однако, в силу своей специфики, не всегда дает оптимальные модели, позволяющие проводить надежное отнесение образцов.

Много интересных возможностей для классификации предоставляет метод опорных векторов. В первую очередь это связано с возможностью эффективно моделировать нелинейные границы классов и ситуации типа «класс внутри класса», когда методы, основанные на расчете расстояний между образцами (такие, как SIMCA) не способны предоставить адекватную модель.

Абсолютно необходимым этапом обработки данных является валидация полученных моделей. Это полностью справедливо как для работ, связанных с классификацией образцов, так и для работ по количественному определению различных параметров. Исключение составляют лишь эксплораторные методы. К сожалению, в литературе по мультисенсорным системам исследователи зачастую игнорируют необходимость проверки и представляют параметры моделей, связанные только с этапом обучения, в лучшем случае с полной перекрестной проверкой, в то время, как валидация с независимым тестовым набором применяется крайне редко. Смысл валидации с независимым тестовым набором заключается в том, что для оценки прогнозирующей силы модели используется новая популяция образцов, не применявшаяся на этапе калибровке. Такой подход позволяет оценить поведение модели в реальных условиях относительно действительно новых (для модели) образцов. Перекрестная проверка подразумевает, что один и тот же набор образцов используется и для обучения модели и для проверки ее прогнозирующей способности. Такой подход ведет зачастую к сверхоптимистичной оценке поведения модели. Так, например, существует огромное количество работ по мультисенсорным системам, где на основании единственного графика МГК, на котором образцы образовали кластеры, делается вывод о возможности классификации образцов. Крайне желательно любые суждения о применимости мультисенсорных методов для решения тех или иных практических задач подкреплять результатами проверки моделей по независимому тестовому набору образцов и приводить данные о точности классификации, либо количественного определения именно в тестовом наборе. Разумеется, существуют случаи, когда большое количество

образцов не доступно исследователю в силу их дороговизны, уникальности, либо по другим причинам, тогда возможности выделить достаточно представительный независимый тестовый набор физически нет. В такой ситуации желательно пользоваться методами сегментированной перекрестной проверки, двойной перекрестной проверки, пермутационными тестами, которые при правильной реализации позволяют довольно надежно оценить реальную прогнозирующую способность моделей. В Табл. 7 в качестве примера приведены результаты трех разных вариантов валидации: полной перекрестной проверки (ППГТ), проверки с тестовым набором (ПТН), 20-кратной проверке со случайным разбиением (20 СР). Данные для создания регрессионных моделей получены от потенциометрической мультисенсорной системы из 25 сенсоров при анализе образцов белого вина для определения в них свободного и общего диоксида серы, который добавляется при производстве вина в качестве антиоксиданта и содержание которого регламентируется различными нормативными документами. Стандартным способом определения диоксида серы в вине является титрование в специальной аспирационной установке, это трудоемкая и длительная процедура. Целью эксперимента было изучение возможности определения общего и свободного диоксида серы в ходе экспресс-анализа с помощью мультисенсорной системы. Было использовано по 16 образцов каждого из двух сортов: Шардоне и Совиньон Блан, измерения в каждом образце проводились в пяти повторностях.

Табл. 7. Сравнение различных методов валидации ПЛС-регрессии на примере определения свободного и общего диоксида серы в образцах белого вина.

Способ еалидации Наклон Оффсет СКОП, мг/л И* Число ПЛС-компонент

Совиньон Блан, свободный $02 (2-24 мг/л)

ппп 0.75 3.8 -3 0.81 2

ПТН, 6 образцов 0.70 4.4 2 0.82 1

20 СР, 5 образцов - - 4 - -

Совиньон Блан, общий (35-126 мг/л)

ППП 0.73 24.7 4 0.70 2

ПТН, б образцов 0.78 12.2 10 0.64 2

20 СР, 5 образцов - - 14 - -

Шардоне, свободный Б02 (6-26мг/л)

ППП 0.86 2.1 2 0.89 2

ПТН, 6 образцов 0.71 5.7 3 0.79 2

20 СР, 5 образцов - - 4 - -

Шардоне, общий 802 (49-136 мг/л)

ппп 0.77 19.8 9 0.84 3

ПТН, б образцов 0.78 16.4 10 0.84 2

20 СР, 5 образцов - - 25 - -

Из представленных результатов видно, что наиболее консервативную оценку прогнозирующей силы регрессионных ПЛС моделей дает метод кратного случайного разбиения. Такую «пессимистичную» оценку стоит признать, наверное, наиболее реалистичной в силу процедуры проведения проверки, в ходе которой все образцы предсказываются в качестве независимого тестового набора в различных комбинациях с помощью регрессионных моделей, полученных опять же по различным комбинациям образцов. Если нет возможности собрать представительный тестовый набор для валидации моделей, то метод кратного случайного разбиения является предпочтительным. Представленные результаты также хорошо иллюстрируют тезис о том, что полная перекрестная проверка дает обычно сверхоптимистичные прогнозы относительно прогнозирующей силы моделей.

Следует отметить, что арсенал хемометрики, разумеется, не ограничивается упомянутыми здесь методами, существует как огромное число разновидностей и модификаций описанных методов, так и большое количество других, не применявшихся в данной работе. Очевидно, предложенный алгоритм выбор метода обработки данных от мультисенсорных систем может быть дополнен и другими отдельными методами, например: SOM, self-organizing шар, самоорганизующиеся карты -одна из разновидностей ИНС; RF, random forest, случайный лес. Однако, в целом, следуя схеме выбора метода обработки для анализа данных от мультисенсорных систем, представленной на Рис.9, и применяя конкретные указанные методы, можно в подавляющем большинстве случаев гарантированно получать надежные аналитические результаты.

Выводы

1) Предложен и развит подход к выбору мембраноактивных материалов для создания потенциометрических мультисенсорных систем, основанный на применении фосфор- и азотсодержащих экстрагентов и катионообменных соединений, применяемых в жидкостной экстракции. На многочисленных примерах подтверждена возможность создания потенциометрических сенсоров с пластифицированными мембранами, включающими в свой состав соответствующие экстрагенты.

2) Установлено, что комплексообразующие свойства экстрагентов, предложенных в качестве мембраноактивных веществ, обуславливают высокую перекрестную чувствительность новых сенсоров к катионам щелочноземельных, переходных и редкоземельных элементов.

3) Показано, что мультисенсорные системы на основе пластифицированных мембранных электродов, содержащих фосфор- и азотсодержащие экстрагенты, увеличивают селективность определения отдельных неорганических ионов в сложных смесях и снижают пределы их обнаружения по сравнению с методами анализа, основанными на использовании отдельных селективных сенсоров.

4) Предложенный подход к выбору методов обработки данных, получаемых от мультисенсорных систем, позволяет находить адекватные решения задач качественного и количественного анализа конкретных объектов.

Основные результаты опубликованы в следующих работах:

1. Kirsanov D., Cetö X., Khaydukova М., Blinova Y., Del Valle M., Babain V., begin A. A combination of dynamic measurement protocol and advanced data treatment to resolve the mixtures of chemically similar analytes with Potentiometrie multisensor system // Talanta. 2014. V. 119. P. 226-231.

2. Yaroshenko I., Kirsanov D., Kartsova L., Bhattacharyya N., Sarkar S., begin A. On the application of simple matrix methods for electronic tongue data processing: Case study with black tea samples // Sensors and Actuators B: Chemical. 2014 V. 191. P. 67-74.

3. Wan H., Sun Q., Zhao H., Zhang W., Cai W., Wang P., Kirsanov D., Legin, A. In situ determination of cadmium and lead in water environment based on microelectrode array combined PLS with local optimum method // Analytical Methods. 2013. V. 5(7). P. 1823-1829.

4. Rudnitskaya A., Kirsanov D., Blinov, Y., begin E., Seleznev В., Clapham D., Ives R.S., Saunders K.A., Legin A. Assessment of bitter taste of pharmaceuticals with multisensor system employing 3 way PLS regression // Analytica Chimica Acta. 2013. V. 770. P. 45-52.

5. Zhang W„ Wan H., Sun Q., Ha D., Wang P., Kirsanov D., Legin A. Smart voltammetric procedure in an automatic trace metal monitoring system for expanding the measurement range of a gold-band microelectrode array // Measurement Science and Technology. 2013. V. 24 (4), art. no. 045801 .

6. Kirsanov D., Zadorozhnaya O., Krasheninnikov A., Komarova N., Popov A., Legin A. Water toxicity evaluation in terms of bioassay with an Electronic Tongue // Sensors and Actuators B: Chemical. 2013. V. 179. P. 282-286.

7. Ha D„ Hu N„ Wu C.X., Kirsanov D., Legin A., Khaydukova M., Wang P. Novel structured light-addressable Potentiometrie sensor array based on PVC membrane for determination of heavy metals // Sensors and Actuators B: Chemical. 2012. V 174. P. 59-64.

8. Hu N., Ha D., Wu C„ Zhou J., Kirsanov D„ Legin A., Wang P. A LAPS array with low cross-talk for non-invasive measurement of cellular metabolism II Sensors and Actuators A: Physical. 2012. V. 187. P. 50-56.

9. Spelthahn H., Kirsanov D., Legin A., Osterrath Т., Schubert J., Zander W., Schöning M.J. Development of a thin-film sensor array for analytical monitoring of heavy metals in aqueous solutions // Physica Status Solidi (A) Applications and Materials Science. 2012. V. 209 (5). P. 885-891.

10. Кирсанов Д. О., Борисова Н. Е., Решетова М. Д., Иванов А. В., Коротков Л. А., Елисеев И. И., Аляпышев М. Ю., Спиридонов И. Г., Легин А. В., Власов Ю. Г., Бабаин В. А. Новые диамиды 2,2'-дипиридил-6,6'-дикарбоновой кислоты: синтез, координационные свойства, возможности

применения в электрохимических сенсорах и жидкостной экстракции // Известия Академии наук. Серия химическая. 2012. Т. 4. С. 877-885.

11. Kirsanov D., Babain V., Agafonova-Moroz М., Lumpov A., Legin А. Combination of optical spectroscopy and chemometric techniques - A possible way for on-line monitoring of spent nuclear fuel (SNF) reprocessing // Radiochimica Acta. 2012. V. 100 (3). P. 185-188.

12. Kirsanov D., Khaydukova M., Tkachenko L., Legin A., Babain V. Potentiometric Sensor Array for Analysis of Complex Rare Earth Mixtures //Electroanalysis. 2012. V. 24 (1). P. 121-130.

13. Kirsanov D., Mednova O., Vietoris V., Kilmartin P., Legin A. Towards reliable estimation of an "electronic tongue" predictive ability from PLS regression models in wine analysis.//Talanta. 2012. V.90. P.109-116.

14. Lvova L., Pomarico, G., Spiridonov I., Mednova O., Kirsanov D., Legin A., Di Natale C., D'Amico A., Paolesse R. Sensing materials with a concurrent sensitivity: Design, synthesis and application in multisensory systems // AIP Conference Proceedings. 2011. V. 1362. P. 111-112.

15. Kirsanov D., Legin A., Tkachenko M., Surzhina I., Khaidukova M., Babain V. Development of electronic tongue system for quantification of rare earth metals in spent nuclear fuel reprocessing // AIP Conference Proceedings. 2011. V. 1362. P. 104-106.

16. Ha D., Yu H„ Hu N.. Wu C.X., Zhou J., Kirsanov D„ Legin A., Wang P. Portable E-Tongue based on multi-channel laps array with PVC membrane for rapid environment detection // AIP Conference Proceedings. 2011. V. 1362. P. 187-188.

17. Спиридонов И.Г., Кирсанов Д.О., Бабаин B.A., Аляпышев М.Ю., Елисеев И.И., Власов Ю.Г., Легин А.В. Полимерные сенсоры для определения ионов редкоземельных металлов на основе диамидов дипиколиновой кислоты //. Журнал Прикладной Химии. 2011. Т. 84 (8). С. 1289-1296.

18. Папиева И.С., Кирсанов Д.О., Легин А.В., Карцова Л.А., Алексеева А.В., Власов Ю.Г, Бхаттачария Н., Саркар С., Бандиопадхай Р. Анализ образцов чая с помощью мультисенсорной системы и капиллярного электрофореза // Журнал Прикладной Химии. 2011. Т. 84 (6). С. 964-971.

19. Полыпин Е.Н., Кирсанов Д.О., Рудницкая A.M., Легин А.В., Власов Ю.Г. Сравнение аналитических возможностей отдельных сенсоров и мультисенсорной системы на примере определения перхлорат-иона // Журнал Прикладной Химии. 2010. Т. 83 (9). С. 1463-1470.

20. Alyapyshev М., Babain V., Borisova N.. Eliseev I., Kirsanov D., Kostin A., Legin A., Reshetova M., Smirnova Z. 2,2'-Dipyridyl-6,6'-dicarboxylic acid diamides: Synthesis, complexation and extraction properties // Polyhedron. 2010. V. 29 (8). P. 1998-2005.

21. Alyapyshev M.Y., Babain V.A., Boyko V.I., Eliseev I.I., Kirsanov D.O., Klimchuk O.V., Legin A.V., Mikhailina E.S., Rodik R.V., Smirnov I.V. Calixarenes functionalized with phosphine oxide and diamide functions as

extractants and ionofores for rare-earth metals // Journal of Inclusion Phenomena and Macrocyclic Chemistry. 2010. V. 67 (1-2). P. 117-126.

22. Babain V.A., Legin A.V., Kirsanov D.O., Rudnitskaya A.M., Tatuev Y.M., Baulin V.E. New chemical sensors based on extraction systems for stable fission products analysis // Radiochimica Acta. 2009. V. 97 (9). P. 479-484.

23. Кирсанов Д.О., Меднова O.B., Полыыин E.H., Легин А.В., М.Ю. Аляпышев, И.И. Елисеев, Бабаин В.А., Власов Ю.Г. Новые полимерные химические сенсоры для определения ионов свинца // Журнал Прикладной Химии. 2009. Т. 82 (2). С. 254-261

24. Rudnitskaya A., Legin A., Seleznev В., Kirsanov D., Vlasov Y. Detection of ultra-low activities of heavy metal ions by an array of potentiometric chemical sensors // Microchimica Acta. 2008. V. 163 (1-2). P. 71-80.

25. Legin A.V., Babain V.A., Kirsanov D.O., Mednova O.V. Cross-sensitive rare earth metal ion sensors based on extraction systems // Sensors and Actuators, B: Chemical. 2008. V. 131 (1). P. 29-36.

26. Legin A., Babain V., Kirsanov D., Rudnitskaya A., Rovny S., Logunov M. Multicomponent analysis of mixed rare-earth metal ion solutions by the electronic tongue sensor system // GLOBAL 2007: Advanced Nuclear Fuel Cycles and Systems. 2007. P. 1817-1821.

27. Кирсанов Д.О., Легин A.B., Куликова А.П., Польшин Е.Н., Власов Ю.Г. Полимерные сенсоры для определения анионов органических кислот // Журнал Прикладной Химии. 2007. Т. 80 (5). С. 575-580

28. Legin A., Kirsanov D., Rudnitskaya A., Babain V. Electronic tongue - An array of non-specific chemical sensors - For analysis of radioactive solutions // Czechoslovak Journal of Physics. 2006. V. 56 (SUPPL. 4). P. D271-D277.

29. Rudnitskaya A., Kirsanov D., Legin A., Beullens K., Lammertyn J., Nicolai B.M., Irudayaraj J. Analysis of apples varieties - comparison of electronic tongue with different analytical techniques // Sensors and Actuators, B: Chemical. 2006. V. 116. P. 23-28.

30. Legin A.V., Kirsanov D.O., Babain V.A., Borovoy A.V., Herbst R.S. Cross-sensitive rare-earth metal sensors based on bidentate neutral organophosphorus compounds and chlorinated cobalt dicarbollide // Analytica Chimica Acta. 2006. V. 572 (2). P. 243-247.

Монографии

1. D. Kirsanov, A. Legin, V. Babain, L.N. Gall, N.R. Gall Promising Analytical Techniques for HLW Analysis in "Radioactive Waste: Sources, Types and Management", Editors: Satoshi Yuan and Wenxu Hidaka. 2012. Nova Science Publishers Inc., NY, USA. P. 77-96

2. D. Kirsanov, V. Babain, A. Legin. Chapter 1: Developing Sensing Materials for Multisensor Systems on the Basis of Extraction Data in "Multisensor Systems for Chemical Analysis - Materials and Sensors." Editors: L. Lvova , D. Kirsanov, A. Legin, C. Di Natale. 2014. Pan Stanford Publishing Pte. Ltd. Singapore P. 2-34

Патенты:

1. Кирсанов Д.О., Легин A.B., Бабаин В.А., Полыиин E.H., Рудницкая A.M., Легин К.А., Селезнев Б.Л. Состав мембраны ионоселективного электрода для определения ионов свинца Патент РФ RU(11)2 315 988 С1 Опубл. 27.01.2008 Бюл. № 3

2. Стоянов В.В., Степанец О.В., Шишкин А.Н., Соловьева Г.Ю., Халатов А.Н., Подберезский В.А., Кирсанов Д.О., Легин A.B., Легин Е.А. Электрохимический детектор для исследования жидкости сложного солевого и химического состава Патент РФ RU 2 370 759 С1 Опубл. 20.10.2009 Бюл. №29

3. Легин A.B., Кирсанов Д.О., Легин Е.А., Бабаин В.А., Аляпышев М.Ю., Елисеев И.И., Борисова Н.Е., Решетова М.Д., Костин A.A. Состав мембраны ионоселективного электрода для определения ионов кадмия. Патент РФ RU 2 428 683 С1 Опубл. 10.09.2011 Бюл. № 25

4. Легин A.B., Кирсанов Д.О., Аляпышев М.Ю., Бабаин В.А., Блинова Ю.Н. Состав мембраны ионоселективного электрода. Патент РФ RU 2 460 066 С1 Опубл. 27.08.2012 Бюл. № 24

Подписано к печаш 18.12.2014. Формат 60x84 7|1;. Бумага офсетная. Г'аршггураТайме. Печагь цифровая. Печ. л. 2,00. Тираж 100 экз. Заказ 6143.

Отпечатано в Отделе оперативной полиграфии Института химии СПбГУ 198504, Санкт-Петербург, Старый Петергоф, Университетский пр., 26 Тел.: (812) 428-4043, 428-6919