17世紀 陶磁器의 科學技術的 硏究 : 廣州 仙洞里2號 窯址를 中心으로

이태진 중앙대학교 대학원 2012 국내석사

Discriminant analysis of omega-3 forms using FT-IR spectroscopy with artificial intelligence

한주영 중앙대학교 대학원 2024 국내석사

In this study, we explored a new method of determining the three forms (rTG, EE, TG) of omega-3; a method based on artificial intelligence analysis of FT-IR spectra. To this end, 90 omega-3 samples (30 rTG, 30 EE and 30 TG) were subjected to analysis. This analysis consisted of employing principal component analysis-linear discriminant analysis (PCA-LDA), a support vector machine (SVM), a 1D convolutional neural network (CNN), and 2D convolutional neural network (CNN), and FT-IR spectral data. The absorbance and second derivative spectra, which had been obtained using FT-IR, were then applied to each algorithm. Techniques such as cross-validation and batch normalization were performed to prevent overfitting. Additionally, Bayesian optimization and random search were used for hyperparameter optimization. The result of discriminant analysis was that all four algorithms demonstrated 100% classification accuracy. Thus, the effectiveness of PCA-LDA, SVM, 1D CNN, and 2D CNN-based FT-IR spectrum classification technology in distinguishing distinct types of omega-3 was proven. In addition, by utilizing the SHAP technique and the Grad-CAM technique, it was that confirmed that the artificial intelligence learning model identifies the discrete types of omega-3 based on the accurate signal. Given these findings, the expectation is that the determination method of this study will be used in the future to determine the content of each type of omega-3 in products that contain a mixture of two or more types. 본 연구에서는 FT-IR 스펙트럼의 인공지능 분석을 기반으로 오메가-3의 3가지 형태 (rTG, EE, TG)를 판별하는 새로운 방법을 탐구했습니다. 주성분 분석-선형 판별 분석(PCA-LDA), 서포트 벡터 머신(SVM), 1D 합성곱 신경망(CNN), 2D 합성곱 신경망(CNN) 딥러닝 모델을 사용하여 오메가-3 샘플 90개 (rTG 30개, EE 30개, TG 30개)의 FT-IR 스펙트럼 데이터를 분석했습니다. FT-IR을 이용해 얻은 흡광도 및 2차 미분 스펙트럼을 각 알고리즘에 적용하였습니다. 과적합을 방지하기 위해 교차 검증 및 배치 정규화와 같은 기법을 수행하였습니다. 또한, 하이퍼파라미터 최적화에는 베이지안 최적화와 무작위 검색을 이용했습니다. 판별 분석 결과, 4가지 알고리즘 모두 분류 정확도 100%를 보였습니다. 이를 통해 다양한 형태의 오메가-3를 구별하는 데 있어 PCA-LDA, SVM, 1D CNN, 2D CNN 기반 FT-IR 스펙트럼 분류 기술의 효과를 입증했습니다. 또한, SHAP 기법과 Grad-CAM 기법의 분석을 통해 인공지능 학습 모델이 오메가-3의 정확한 신호를 바탕으로 종류를 식별하는 것을 확인하였습니다. 본 연구의 판별법은 향후 2가지 이상의 형태가 혼합 되어있는 제품에서 각 오메가3 함량을 판별하는데 활용될 것으로 기대됩니다.

머신러닝과 화학적 분석 데이터를 활용한 한국과 중국 전통 백자 생산국가 판별 연구

조예은 중앙대학교 대학원 2024 국내석사

The objective of this study is to investigate the applicability of machine learning techniques to the discrimination of pottery production origin. Data on the chemical composition of the body of traditional white porcelain from Korea and China, which have over a thousand years of pottery production history, obtained by ICP analysis, were collected and various machine learning algorithms were applied. Out of the 732 collected data samples, 118 Korean and 28 Chinese samples, which represent 20% of each class, were selected as test samples. The country of production was predicted by the developed model. The accuracy of principal component analysis-linear discriminant analysis was 87.7%, decision tree was 96.6%, K-nearest neighbor was 98.6%, and support vector machine was 99.3%. Rubidium was confirmed to be the most significant factor in discriminating origin by mean decrease in impurity and shapley additive explanations value analysis. These findings were consistent in experiments where the number of Korean and Chinese samples in the training and test data were matched. These results demonstrate the effectiveness of machine learning techniques in identifying the country of origin of Korean and Chinese white porcelain. Machine learning techniques are expected to be more effective in determining the origin of pottery through the interpretation of chemical analysis results in the future. 본 연구의 목적은 도토기 생산지 판별에 머신러닝 기법의 적용 가능성을 확인하는 것이다. 천년이 넘는 도자기 생산 역사를 가진 한국과 중국의 전통 백자를 대상으로 하여, ICP 분석법을 통해 획득한 태토의 화학성분 분석 데이터를 수집하고 다양한 머신러닝 알고리즘을 적용하였다. 수집한 732개 데이터 중 클래스별 20%에 해당하는 한국산 118개 및 중국산 28개를 테스트 시료로 선정, 개발된 모델을 통한 생산국가를 판별하였다. 그 결과 principal component analysis-linear discriminant analysis 87.7%, decision tree 96.6%, K-nearest neighbor 98.6%, 그리고 support vector machine 99.3%의 비교적 높은 예측 정확도를 얻을 수 있었다. 아울러 MDI와 SHAP value 분석을 통해, rubidium이 가장 중요한 생산지 판별 요소로 사용되었음을 확인하였다. 훈련 및 테스트 데이터의 한국과 중국 시료 수를 일치시킨 실험에서도 유사한 경향을 확인하였으며, 이러한 결과는 머신러닝 기법이 한국과 중국의 백자 생산국가 판별에 효과적임을 보여주었다. 향후 도토기 기원 규명에 있어, 화학적 분석 결과의 해석에 머신러닝 기법을 적용하면 더 효과적인 판별이 가능할 것으로 기대된다.

Classification and digital restoration of Korean coins using deep learning and reflectance transformation imaging

백서현 중앙대학교 대학원 2024 국내박사

동전 표면의 부식과 물리적인 손상은 제작연도, 주전소 그리고 그 동전이 가지고 있는 특징과 같은 중요한 정보를 파악하는데 어려움을 줄 수 있다. 이 연구는 이미지 분석만으로 동전의 유형과 연도를 분류하는 합성곱 신경망(CNN) 모델의 가능성에 대하여 살펴보고자 한다. 사용되는 이미지는 일반적으로 촬영된 RGB 이미지와 더불어 반사율 변환 이미징을 사용하여 획득한 이미지로 구성된다. 반사율 변환 이미징은 필터를 통해 가시적인 특징을 향상시켜 육안으로 확인이 어려운 표면의 세부 정보를 파악할 수 있다. 이 연구에서는 현행 화폐 중 10원 동전을 대상으로 하며, 조선시대의 상평통보에도 적용하였다. 상평통보는 1678년 숙종 4년부터 발행하기 시작한 조선시대의 대표적인 화폐로, 압인화가 도입되기 전까지 약 200년 동안 전국적으로 통용되어 한국의 역사에 있어서 빼 놓을 수 없는 중요한 화폐이다. 데이터세트는 10원 동전 1960개와 상평통보 320점으로 구성되었으며, 부식과 오염 그리고 훼손의 정도에 따라 10원 동전은 세 개의 테스트 세트로, 상평통보는 두 개의 테스트 세트로 나누었다. 기울기 가중치 클래스 활성화 매핑(Grad-CAM)과 Occlusion 결과에서 모델은 주로 동전 뒷면에 주조되어 있는 발행연도, 주조 관청, 주전소 등과 같은 정보에 초점을 맞추었다. 예측 정확도를 분석한 결과 오염 및 훼손의 정도가 증가함에 따라 감소하는 것으로 나타났다. RGB 이미지의 경우 앞면과 뒷면 모두 정확도가 가장 많이 감소했으며, RTI image는 RGB 이미지보다 적은 감소량을 보였다. 특히 RTI enhancement의 경우 부식 및 오염이 심해져도 가장 높은 정확도를 보였다. 이러한 결과는 RTI 이미지가 동전을 정확하게 분류하는데 우수한 성능을 보인다는 것을 시사한다. 이 연구는 특히 표면 부식과 물리적 손상이 기존의 분석 방법을 저해하는 상황에서 합성곱 신경망 모델과 반사율 변환 이미징을 활용하여 동전 분류 방법을 제안하는데 의의가 있다. 또한, 분류된 정보를 기반으로 디퓨전 모델을 사용하여 오염 및 훼손된 동전의 이미지를 디지털 복원하였다. Retrieval 알고리즘을 활용하여 입력되는 이미지와 가장 유사한 이미지를 추천받으며, 해당 이미지를 참고로 하여 훼손된 이미지를 완형의 형태로 복원시켰다. 디지털 복원한 결과를 살펴보면, 입력된 이미지는 주위의 정보와 어우러지게 복원부가 생성되는 것이 확인되므로, 인공지능을 이용하여 동전 이미지의 복원이 가능하다. Corrosion and physical damage make it difficult to obtain important information such as the year of production, mint, and characteristics of the coin on the surface. This study explores the potential of a Convolutional Neural Networks (CNN) model to classify coins based on their type and year using image analysis alone. The dataset employed includes RGB images, typically captured, and images acquired using Reflectance Transformation Imaging (RTI), which enhances visible characteristics through filters, revealing more details about the coin's surface compared to RGB images. The experimental subject chosen for this study was the 10-won coins from Korea and Sangpyeongtongbo from the Joseon dynasty. Sangpyeongtongbo, a representative currency of the Joseon Dynasty issued in the fourth year of King Sukjong's reign in 1678, was widely circulated nationwide for about 200 years until the introduction of stamp manufacturing technology. It is an indispensable and important currency in Korean history. The dataset consists of 1,960 10-won coins and 320 Sangpyeongtongbo, divided into three test sets based on corrosion, contamination, and damage levels for the 10-won coins, and two test sets for the Sangpyeongtongbo. The gradient-weighted class activation mapping and Occlusion results indicated that the model primarily focused on the symbol on the obverse side and the year of issue on the reverse side. Analysis of the prediction accuracy revealed a decline as contamination levels increased. Specifically, for RGB images, the accuracy decreased the most for both the obverse and reverse sides. In contrast, RTI images exhibited a smaller decrease compared to RGB images, with RTI enhancement showing the highest accuracy even under severe corrosion and contamination. These findings demonstrate that RTI images exhibit superior performance in accurately classifying coins. By employing CNN models and utilizing the advantages of RTI, this research contributes to the development of coin classification techniques, particularly in scenarios where surface corrosion and physical damage hinder traditional analysis methods. Based on the classified information, a diffusion model was used to digitally restore images of contaminated and damaged coins. Utilizing the retrieval algorithm, the image most closely resembling the input image was obtained. The recommended image was then employed as a reference to reconstruct the damaged image to its pristine state. Upon examining the digitally restored results, it was confirmed that the input image generates restoration parts in harmony with the surrounding information. It was also verified that coin image restoration is possible using artificial intelligence.

인공 열화된 잉크젯 인화지의 특성 분석을 통한 제조 국가 판별

한지명 중앙대학교 대학원 2024 국내석사

This study was conducted to analyze the characteristics of artificially deteriorated inkjet photographic papers and classify the manufacturing countries of each paper. A total of 63 samples were artificially deteriorated to simulate long-term natural deterioration, creating a chemically unstable state for analysis. Based on inkjet technology and chemical properties, FE-SEM was used to examine the cross-sectional layers and deterioration patterns of the papers, EDS was utilized to analyze the elemental composition, and FT-IR was employed to collect infrared spectrum data and identify significant peaks. Using the analysis data, PLS-DA was applied to reduce the dimensionality, find correlations between variables, and then use LDA to create a classification model. Lastly, photo paper produced 20 years ago was analyzed in the same way and used as past sample data to confirm the possibility of classification by country of manufacture. As a result, the model's high classification and prediction accuracy was confirmed. And important features that contributed to classification were derived. These results are expected to be used as basic data in photo preservation and restoration. 본 연구는 인공 열화된 잉크젯 인화지의 특성을 분석하여 각 인화지의 제조 국가를 분류하고자 수행되었다. 총 63종의 시편을 제작하여 인공 열화하여 장기간 자연적으로 열화된 사진과 유사하게 만들어 화학적으로 불안정한 상태에서 분석하였다. 잉크젯 기술과 화학적 특성을 기반으로 FE-SEM을 이용해 인화지의 단면 층위와 열화 양상을 조사하고 EDS를 이용해 원소 조성을 분석하였으며, FT-IR을 이용하여 적외선 스펙트럼 데이터를 수집하여 유효 피크를 도출하였다. 분석 데이터를 활용해 PLS-DA를 적용하여 차원을 축소하고 변수 간의 상관관계를 찾아낸 후 LDA를 이용해 학습 모델을 생성하였다. 마지막으로 20년 전 생산되었던 인화지를 동일한 방법으로 분석해 과거 샘플 데이터로 활용하여 제조 국가 분류 가능성을 확인하였다. 결과적으로 모델의 높은 분류 및 예측 정확도를 확인하였으며 분류에 기여한 주요 특성들을 도출하였다. 이러한 결과는 사진 보존 및 복원에 있어 기초 자료로 활용될 수 있을 것으로 기대된다.

고려청자의 생산지 판별과 중국 전통 청자와의 비교를 위한 머신러닝 적용 연구

김채림 중앙대학교 대학원 2025 국내석사

본 연구는 도자기 분석에 새로운 방법론을 제시하고자 머신러닝 기법을 도입하여, 고려청자와 중국 전통 청자의 판별 및 고려청자 주요 가마터 간의 특성을 분석하였다. 이를 위해 5가지 머신러닝 모델(PCA-LDA, SVM, KNN, DT, RF)에 청자의 ICP 미량원소 분석 데이터를 적용하고, SHAP 분석을 통해 판별에 중요한 화학적 지표를 도출하였다. 고려청자와 중국 전통 청자의 판별에서는 모든 머신러닝 모델이 97% 이상의 높은 정확도를 보였으며, 특히 SVM, KNN, RF 모델은 100%의 완벽한 분류 정확도를 달성하였다. SHAP 분석 결과, Rb가 0.30-0.35의 중요도로 가장 중요한 판별 지표로 확인되었다. 고려청자 가마터 간의 판별에서는 RF 모델이 92%로 가장 높은 정확도를 보였으며, 특성 중요도는 모델별로 다양하게 나타났다. SVM 모델에서는 V, PCA 모델에서는 Yb와 Sm, KNN 모델에서는 Zr, DT 모델에서는 Sc와 Pb가 주요 판별 지표로 작용하였다. 본 연구는 머신러닝 기법의 도자기 분석 적용 가능성을 입증하였으며, 이는 향후 다양한 문화유산의 과학적 분석에 새로운 방향성을 제시할 것으로 기대된다. This study introduced a machine learning technique to present a new methodology for ceramic analysis, and analyzed the discrimination of Goryeo celadon and traditional Chinese celadon, and the characteristics between the main kilns of Goryeo celadon. To this end, ICP trace element analysis data were applied to five machine learning models (PCA-LDA, SVM, KNN, DT, RF), and important chemical indicators for discrimination were derived through SHAP analysis. In the discrimination of Goryeo celadon and traditional Chinese celadon, all machine learning models showed high accuracy of more than 97%, and in particular, SVM, KNN, and RF models achieved perfect classification accuracy of 100%. As a result of SHAP analysis, Rb was identified as the most important discrimination index with an importance of 0.30~0.35. As for the discrimination accuracy of Goryeo celadon kiln, RF was the highest, and the characteristic importance was different for each model. V in the SVM model, Yb and Sm in the PCA model, Zr in the KNN model, and Sc and Pb in the DT model were the main discrimination indicators. This study proved the possibility of machine learning methods and is expected to present a new direction for various cultural heritage analysis.

머신러닝 모델과 XRF 분석 데이터를 활용한 고대 제철 슬래그의 지역별 분류 연구

장보영 중앙대학교 대학원 2025 국내석사

본 연구는 고대 한국의 제철 유적에서 출토된 슬래그의 화학적 조성을 기반으로 지역별 분류 가능성을 머신러닝 기법을 통해 검토하였다. 제철 슬래그는 철을 제련하거나 가공하는 과정에서 발생하는 부산물로 물리적·화학적 안정성 덕분에 고고학적 연구에서 중요한 자료로 활용된다. 본 연구에서는 충청, 전라, 경상 지역의 슬래그를 대상으로 XRF 분석을 통해 주요 성분인 Na₂O, MgO, Al₂O₃, SiO₂, P₂O₅, K₂O, CaO, TiO₂, MnO, FeO의 데이터를 수집하여 총 294개의 데이터를 분석하였다. 이를 바탕으로 주성분 분석-선형 판별 분석(PCA-LDA), K-최근접 이웃(KNN), 서포트 벡터 머신(SVM), 결정 트리(DT), 랜덤 포레스트(RF) 다양한 머신러닝 분류 모델을 적용해 분류 성능을 비교하였다. 분석 결과, PCA-LDA는 77%의 예측 정확도를 보였으며, KNN과 SVM은 각각 63%와 67%로 유사한 성능을 나타냈다. DT 모델은 최대 깊이 7에서 87%의 예측 정확도를 기록하며 가장 높은 분류 성능을 보였고 RF 모델은 77%의 예측 정확도를 나타냈다. 특히 DT 모델은 충청 지역에서 높은 예측 성능을 보여 지역적 특성이 분류 모델의 성능에 중요한 영향을 미침을 확인할 수 있었다. 다만, 경상 지역 데이터는 다른 지역과 중첩되는 경향을 보였으며 이는 모델의 분류 정확도를 낮추는 요인으로 작용하였다. 본 연구는 고대 제철 기술의 지역적 차이를 머신러닝 분류 모델을 통해 규명하고 슬래그 화학 분석 데이터를 기반으로 고대 제철 문화의 지역별 특성과 상호 관계를 심도 있게 이해하고자 하였다. 특히 고고학적 연구와 데이터 기반 접근법을 결합하여 문화유산 분석 분야에서 머신러닝의 실효성과 가능성을 제시하였다. 이러한 결과는 고대 한국의 제철 유적에 대한 종합적인 해석을 지원하며 슬래그 데이터 아카이브 구축과 원산지 판별 기법의 정교화에 기여할 수 있다. 향후 데이터 양이 증가한다면 다양한 지역적 특성을 반영한 더 나은 분류 모델 개발이 가능할 것이다. 또한 본 연구는 고대 제철 기술 연구의 새로운 방향성을 제시하며 문화유산 연구에서 데이터 과학의 적용 가능성을 더욱 넓히는 데 기여할 것으로 기대된다. This study examined the possibility of regional classification through machine learning techniques based on the chemical composition of slag excavated from the ironmaking ruins of ancient Korea. Ironmaking slag is a by-product generated in the process of smelting or processing iron and is used as an important data in archaeological research because of its physical and chemical stability. In this study, through XRF analysis of slag in CHUNGCHEONG, JEONRA, and GYEONGSANG areas, data of Na₂O, MgO, Al₂O ₃, SiO₂, P₂O ₅, K₂O, CaO, TiO₂, MnO, and FeO were collected and a total of 294 samples were analyzed. Based on this, classification performance was compared by applying various machine learning models such as PCA-LDA, KNN, SVM, DT, and RF. As a result of the analysis, PCA-LDA showed 77% prediction accuracy, and KNN and SVM showed similar performance at 63% and 67%, respectively. The DT model showed the highest classification performance, recording 87% prediction accuracy at the maximum depth of 7, and the RF model showed 77% prediction accuracy. In particular, the DT model showed high prediction performance in the CHUNGCHEONG area, so it was confirmed that regional characteristics had an important effect on the performance of the classification model. However, the data of the GYEONGSANG area tended to overlap with other regions, which acted as a factor to lower the classification accuracy of the model. This study attempted to investigate regional differences in ancient steelmaking technology through machine learning models and to deeply understand regional characteristics and interrelationships of ancient steelmaking culture based on slag chemical analysis data. In particular, by combining archaeological research and data-based approaches, the effectiveness and possibility of machine learning in the field of cultural heritage analysis were presented. These results support a comprehensive interpretation of ancient Korean steelmaking sites and can contribute to the construction of a slag data archive and the elaboration of the method of determining the origin. If the amount of data increases in the future, it will be possible to develop a better classification model that reflects various regional characteristics. In addition, this study is expected to contribute to further expanding the applicability of data science in cultural heritage research by suggesting a new direction for ancient steelmaking technology research.

Solid-state NMR investigation of argyrodite-type solid electrolytes for lithium rechargeable batteries

신윤주 중앙대학교 대학원 2025 국내석사

The development of all-solid-state batteries (ASSBs) with solid electrolytes (SEs) is crucial to overcome the limitations on safety and thermal stability of conventional Lithium-ion Batteries (LIBs). Li-argyrodites are considered as the most promising SE due to their high conductivities and good mechanical properties. To further improve conductivities, various methods such as anion and cation substitutions have been tried. In this study, we are investigating the effect of the polyanion substitution on the structures and Li-ion conduction motion in halide based Li-argyrodites, Li6PS5X (X= Cl, Br and I). We employed ssNMR techniques, including Magic Angle Spinning (MAS), spin-lattice (T1) relaxation time measurements, and Pulsed Field Gradient (PFG) NMR. ssNMR spectra provide comprehensive insights into the local structure and dynamics of borohydride-chloride dual-substituted argyrodite type electrolytes on both atomic level and macroscopic length scales. Our study reveals that the borohydride substitution occupies either 4a or 4d Wyckoff sites of non-bridging sulfur, modifying the local structural environments. Rotation of borohydride couples with Li-ion motion and enhances Li-ion diffusion in a long range, resulting in superior ionic conductivity. In addition to the intrinsic ion mobility of the materials, forming good contact between the particles and good interfaces is also important to build ASSBs. Our findings emphasize the importance of ssNMR in developing high performance solid electrolytes for the future battery systems. Cathodes and anodes for rechargeable batteris contain unpaired electrons (paramagnetic), which generate localized magnetic fields at molecules. Owing to this paramagnetic interaction, it is often complicated to measure and interpret the NMR spectra of the paramagnetic systesm. Thus, understanding the effect of the interaction between unpaired electrons and nuclei is important. In this work, we performed systematic study of the effect of the field strength on the magic angle spinning (MAS) NMR characteristics by comparing diamagnetic and paramagnetic systems at two different magnetic fields. As diamagnetic materials, LiCoO2(LCO) and Li2O are exaxmined. As paramagnetic materials, LiFePO4(LFP) and lithium nickel manganese cobalt oxides(LiNixMnyCo1-x-yO2) with different compositions are investigated. We have demonstrated that higher signal intensity and narrower linewidths can be obtained at higher magnetic field for diamagnetic system, whereas higher signal intensity and better resolution at lower magnetic field for paramagnetic system. Our research will provide systematic and experimental evidence about the field strength dependence of paramagnetic systems and rationalized grounds of choosingproper NMR spectrometer for each material. 전고체 배터리(ASSB)의 개발은 기존 리튬 이온 배터리(LIB)의 안전성 및 열적 안정성의 한계를 극복하는 데 매우 중요합니다. 특히, 리튬 아지로다이트는 높은 전도성과 우수한 기계적 특성으로 인해 가장 유망한 고체 전해질(SE)로 간주됩니다. 본 연구에서는 할로겐화물 기반 리튬 아지로다이트, Li6PS5X(X=Cl, Br 및 I),의 구조와 Li 이온 전도도에 다중 음이온 치환이 미치는 영향을 조사하였습니다. 이를 위해 MAS (Magic Angle Spinning), T1 (Spin-lattice) 이완 시간 측정, PFG (Pulse Field Gradient) NMR을 포함한 고체 NMR 기술을 활용했습니다. 고체 NMR스펙트럼은 원자 수준부터 거시적 길이 규모에 이르기까지, 보로하이드라이드-염화물 이중 치환 아지로다이트 고체 전해질의 국소 구조 및 역학에 대한 종합적인 이해를 제공합니다. 보로하이드라이드의 치환은 비가교 황이온의 Wyckoff 4a 및 4d 위치에 치환되어 국소 구조 환경을 변형시키며, 보로하이드라이드의 회전은 리튬 이온의 장거리 확산을 촉진하여 이온 전도도를 향상시키는 것으로 나타났습니다. 또한, 전고체 배터리 성능을 높이기 위해서는 전해질의 이온 전도성뿐만 아니라 입자 간 안정적인 접촉 계면 형성도 중요합니다. 본 연구는 고성능 고체 전해질 개발에 있어 고체 NMR 기법이 가지는 중요성을 강조하며 차세대 배터리 시스템 설계에 기여할 수 있는 정보를 제공합니다. 한편, 본 연구에서는 전극 물질에 대한NMR 분석도 진행했습니다. 재충전 가능한 배터리의 전극에는 전자쌍을 이루지 않아 분자에 국부적인 자기장(상자성)을 생성하는 홀전자가 존재합니다. 이러한 상자성 상호작용은 NMR 스펙트럼을 측정하고 해석하는 것을 복잡하게 합니다. 따라서 홀전자와 핵 사이의 상호 작용 효과를 이해하는 것이 중요합니다. 우리는 서로 다른 두 자기장에서 반자성 시스템과 상자성 시스템을 비교하여 자기장 세기가 MAS NMR 특성에 미치는 영향을 체계적으로 연구했습니다. 반자성체로는 LiCoO2(LCO)와 Li2O를 분석하였고, 상자성 물질로는 LiFePO4와 두 개의 서로 다른 조성의 LiNixMnyCo1-x-yO2(NMC811과 NMC622)를 분석하였습니다. 반자성 시스템의 경우, 더 높은 자기장에서 더 높은 신호 세기와 좁은 선폭을 얻을 수 있는 반면에 상자성 시스템에서는 더 낮은 자기장에서 더 큰 신호 세기와 더 나은 분해능을 얻어 두 시스템에서 NMR 스펙트럼에 미치는 영향이 다름을 확인했습니다. 본 연구는 상자성 시스템의 자기장 세기 의존도를 실험적으로 입증하며, 각 재료의 특성에 적합한 NMR 분광기를 선택해야 하는 합리적인 근거를 제공합니다.

Development and validation of a method for the simultaneous quantitative analysis of the active forms of vitamins B1, B2, and B6 using quantitative 1H NMR : Comparison with quantitative 31P NMR

박도윤 중앙대학교 대학원 2024 국내석사

본 연구에서는 다종 비타민 보충제 내의 활성 비타민 B1, B2, B6 형태들을 동시에 분석하는 새롭고 신뢰할 수 있는 방법으로서, 1H qNMR 방법을 활용한 접근법을 제시한다. 1H qNMR 방법은 세 가지 분석 대상물질과 내부 표준의 신호들을 성공적으로 해결하여 간편한 식별을 가능하게 하였다. 이 방법은 특이성, 선형성, 검출 한계 (LOD), 정량 한계 (LOQ), 정밀도, 정확도, 안정성 등 활성 비타민 분석에 적합한지를 보장하기 위해 철저히 검증되었다. 선형성 분석에서는 모든 비타민에 대해 상관 계수 (R2)가 0.999 이상으로 우수한 성능을 나타냈다. LOD 값은 0.03 ~ 0.08 mg ml-1로, LOQ 값은 0.09 ~ 0.30 mg ml-1로, 이로 인해 이 방법은 다종 비타민 보충제를 정확하게 검출하고 정량하는 능력을 입증하였다. 또한, 정확도는 100.4 ~ 100.5%로 뛰어난 성능을 보였다. 반복성 (1.2 ~ 1.3%) 및 중간 정밀도 (1.7 ~ 2.3%)에 대한 상대 표준 편차도 적절하게 측정되어 이 방법의 높은 정밀성을 입증하였다. 상업적으로 구매 가능한 다종 비타민 보충제는 개발된 1H qNMR 방법을 통해 평가되었으며, 분석 결과는 이전에 수립된 31P qNMR 방법과 비교되었다. 개발된 1H qNMR 방법을 비타민 보충제에 적용한 결과는 31P qNMR 결과와 일치하였다. 더불어, 통계적 분석에서는 두 방법 간에 뚜렷한 차이가 없음을 확인하였다. 이 결과들은 1H qNMR이 다종 비타민 보충제 내의 활성 비타민 B1, B2, B6을 동시에 정량하는데 적합함을 확인하였다. 따라서 1H qNMR은 복잡한 다종 비타민 조성물 내의 이러한 필수 비타민들을 분석하는 믿을만하고 효과적인 방법으로 기대된다. This study presents a novel and dependable approach utilizing proton quantitative nuclear magnetic resonance (1H qNMR) spectroscopy for the simultaneous analysis of active vitamin B1, B2, and B6 forms in multivitamin supplements. The 1H qNMR method successfully resolved the signals of the three analytes and the internal standard, enabling straightforward identification. The method was comprehensively validated to ensure its suitability for analysis, including assessments of specificity, linearity, limit of detection (LOD), limit of quantification (LOQ), precision, accuracy, and stability. The linearity analysis revealed exceptional performance for all three vitamins, with correlation coefficients (R2) exceeding 0.999. The LOD values, ranging from 0.03 to 0.08 mg ml-1, and the LOQ values, ranging from 0.09 to 0.30 mg ml-1, demonstrated the method's capability to accurately detect and quantify multivitamin supplements. Additionally, the accuracy of the method was deemed outstanding, with values ranging from 100.4 % to 100.5 %. The obtained relative standard deviations for repeatability (1.2 % to 1.3 %) and intermediate precision (1.7 % to 2.3 %) were considered acceptable, demonstrating the method's high precision. Commercially available multivitamin supplements were evaluated by the developed 1H qNMR method and the assay results were compared to the previously established 31P qNMR method. The findings obtained from applying the developed 1H qNMR method to multivitamin supplement samples were consistent with the results from 31P NMR spectroscopy. Furthermore, the statistical analysis revealed no notable distinction between the two methods. The results confirmed the suitability of 1H qNMR for concurrently measuring the levels of active B1, B2, and B6 vitamins in multivitamin preparations. Hence, 1H qNMR emerges as a reliable and effective method for the analysis of these essential vitamins in complex multivitamin formulations.

(A) study on the discrimination of omega-3 fatty acid forms by combining NMR spectroscopy with statistical and artificial intelligence

여늘휘 중앙대학교 대학원 2024 국내석사

오메가-3 건강기능식품은 일반적으로 triglyceride (TG), ethyl ester (EE) 및 re-esterified triglyceride (rTG)의 세 가지 형태로 제공됩니다. TG는 자연적으로 발생하는 안정적인 형태이지만, 포화지방산이 존재하기 때문에 유익한 오메가-3 지방산의 함량이 낮습니다. 반면, rTG 형태는 오메가-3 지방산으로만 이루어져 있어 체내 흡수율과 생체 이용률이 높은 것으로 알려져 있습니다. 그러나 복잡한 제조 공정으로 인해 다른 형태보다 비용이 높습니다. 따라서 다른 형태의 오메가-3가 rTG로 판매될 위험이 있으므로 정확한 식별 방법이 중요합니다. 그러나 현재 이러한 형태의 오메가-3를 정확하게 구별할 수 있는 신뢰할 수 있는 방법이 없습니다. 본 연구의 목적은 AI를 활용하여 다양한 형태의 오메가-3를 분류하기 위한 새로운 판별법을 개발하는 것입니다. 이를 위해 90개의 오메가-3 스펙트럼(각 형태당 30개)로 구성된 데이터세트를 분석에 활용했습니다. 분석은 주성분 분석-선형 판별 분석(PCA-LDA), 지원 벡터 머신(SVM), 컨볼루션 신경망(CNN) 딥러닝 모델을 사용하여 수행되었습니다. 그 결과, 2D CNN 딥러닝 모델이 테스트 샘플(n=6)을 100% 정확도로 정확하게 구별할 수 있는 것으로 나타났습니다. Gradient weighted class activation mapping analysis (Grad-CAM)를 통해 CNN 딥러닝 모델이 의미 있는 신호를 통해 오메가-3 형태를 결정하는 것으로 나타났습니다. 이 연구는 미래의 식품 분류를 위한 효율적이고 정확한 접근 방식으로서 AI 기반 1H NMR 스펙트럼 분류의 잠재력을 보여주었습니다. Omega-3 supplements are typically available in three forms: triglyceride (TG), ethyl ester (EE), and re-esterified triglyceride (rTG). The TG form is a stable form that occurs naturally, but it has a low content of beneficial omega-3 fatty acids due to the presence of saturated fatty acids. On the other hand, the rTG form is made entirely of omega-3 fatty acids and it is known to have high absorption and bioavailability rates in the body. But its cost is higher than other forms owing to its complex manufacturing process. Therefore, there is a risk that other forms of omega-3 may be marketed as rTG, making an accurate discrimination method crucial. However, there is currently no reliable method to accurately distinguish between these forms of omega-3. The objective of this study is to develop a novel discrimination method for classifying different forms of omega-3 using AI. A dataset consisting of 90 omega-3 samples (30 for each form) was utilized for analysis. The analysis was conducted using principal component analysis-linear discriminant analysis (PCA-LDA), support vector machine (SVM), and convolutional neural network (CNN) deep learning models. The results revealed that the 2D CNN deep learning models could correctly discriminate the test samples (n = 6) with 100% accuracy. Additionally, gradient weighted class activation mapping analysis showed that the CNN deep learning model determined the omega-3 forms through the meaningful signal. This study demonstrates the potential of AI-based 1H NMR spectral classification as an efficient and precise approach for future food type classification.