Классификация бренди и коньячной продукции по географическому происхождению и сроку выдержки с использованием спектроскопии комбинационного рассеяния и машинного обучения

Рассмотрены вопросы разработки простых и доступных методов контроля подлинности и качества алкогольной продукции на основе спектроскопии комбинационного рассеяния. Исследованы важнейшие характеристики бренди и коньяков – географическое происхождение и срок выдержки, которые в значительной степени определяют стоимость продукции и часто становятся объектами фальсификации. Для классификации образцов коньячной продукции по географическому происхождению и сроку выдержки использован метод спектроскопии комбинационного (рамановского) рассеяния с пространственным смещением, позволяющий контролировать подлинность и качество алкогольной продукции. Преимущества исследованного метода: простота пробоподготовки вплоть до её полного отсутствия, высокая селективность, экспрессность и простота анализа. Исследованный метод даёт возможность разрабатывать на его основе компактные приборы, позволяющие проводить анализ непосредственно на месте взятия пробы. Измерены спектры комбинационного рассеяния 42 различных образцов бренди и коньяков, различающихся по географическому происхождению и сроку выдержки. Показано, что наиболее информативными для решения поставленных задач являются фрагменты спектров, измеренных в диапазоне рамановских сдвигов 800–3000 см^–1. Из исследованных образцов сформированы обучающие и тестовые наборы. Для обработки данных использованы модели, обученные с помощью алгоритма экстремального градиентного бустинга. Правильность распознавания по географическому происхождению и сроку выдержки неразбавленных образцов тестового набора, спектры которых не использовали при обучении модели, составила 100 %. Результаты исследования можно использовать для экспресс-контроля подлинности алкогольной продукции и определения её характеристик с помощью спектров комбинационного рассеяния и их дальнейшей обработки методами машинного обучения.

1. Cantarelli M. Á., Azcarate S. M., Savio M., Marchevsky E. J. Food Analytical Methods, 2015, vol. 8, no. 3, pp. 790–798. https://doi.org/10.1007/s12161-014-9958-8

2. Bozkurt S. S., Merdivan E., Benibol Y. Microchimica Acta, 2010, vol. 168, no. 1, pp. 141–145. https://doi.org/10.1007/s00604-009-0271-y

3. Nordon A., Mills A., Burn R. T., Cusick F. M., Littlejohn D. Analytica Chimica Acta, 2005, vol. 548, no. 1-2, pp. 148–158. https://doi.org/10.1016/j.aca.2005.05.067

4. Ellis D. I., Eccles R., Xu Y., Griffen J., Muhamadali H., Matousek P., Goodall I., Goodacre, R. Scientific reports, 2017, vol. 7, 12082. https://doi.org/10.1038/s41598-017-12263-0

5. Houhou R., Bocklitz T. Analytical Science Advances, 2021, vol. 2, no. 3-4, pp. 128–141. https://doi.org/10.1002/ansa.202000162

6. Berghian-Grosan C., Magdas D. A. Scientific Reports, 2020, vol. 10, 21152. https://doi.org/10.1038/s41598-020-78159-8

7. Deneva V., Bakardzhiyski I., Bambalov K., Antonova D., Tsobanova D., Bambalov V., Cozzolino D., Antonov L. Molecules, 2019, vol. 25, no. 1, 170. https://doi.org/10.3390/molecules25010170

8. Ranaweera R. K., Gilmore A. M., Capone D. L., Bastian S. E., Jeffery D. W. Food Chemistry, 2021, vol. 335, 127592. https://doi.org/10.1016/j.foodchem.2020.127592

9. Natekin A., Knoll A. Frontiers in Neurorobotics, 2013, vol. 7, 21. https://doi.org/10.3389/fnbot.2013.00021