【技术实现步骤摘要】
一、本专利技术涉及环境保护与污染治理，特别是涉及一种利用聚集诱导发光体aie的荧光变异与视觉几何组-u型网络vgg-unet深度学习网络对全氟和多氟化合物pfas类新污染物进行溯源的方法。此方法创新性地通过利用pfas与aie材料结合后，独特的聚集诱导发光特性和形成的高精细度指纹光谱，并结合vgg-unet神经网络模型的强大学习能力，实现对pfas类新型污染物的快速、准确溯源，为环境污染治理提供有力支持。
技术介绍
0、二、
技术介绍
1、新污染物是指那些最近被识别或被认为对环境和人体健康造成潜在风险的化学物质、微生物、纳米材料或其他物质，其来源主要包括工业化学品生产、农业活动、城市生活、科研实验、医疗活动等。例如，近年来被广泛使用的全氟和多氟化合物(pfas)类化学物质，主要用于制造防水、防油和防污等产品，但由于其稳定性和持久性，已成为全球范围内的环境问题。据美国环保署(epa)估计，pfas在全球范围内的污染状况十分严重。
2、pfas不易降解，可在环境中长期存在。这些物质可以通过地表水、地下水、大气等多种途径进入生态系统，对水生生物、土壤微生物等造成毒性影响，破坏生态平衡。研究表明，长期暴露于pfas污染的环境中，可能增加患癌症、生殖系统问题等健康风险。此外，孕妇和胎儿对pfas的暴露可能导致发育问题和行为异常。在美国，一些城市因饮用水源受到pfas污染而面临严重的健康问题。例如，西弗吉尼亚州的帕克尔斯堡市，由于附近的化工厂排放含有pfas的废水，导致该市饮用水源受到污染。长期饮用这些水源的居民，出现
3、然而，由于pfas在环境中的浓度通常极低，处于微量或痕量水平。因此，对其进行准确检测需要高精度的分析仪器和敏感的检测方法。另一方面，由于pfas广泛存在于水、土壤、空气和生物体等多种环境基质中。不同基质中的pfas种类、浓度和形态各异，这给其检测带来了很大的挑战。从溯源角度来说，不仅因其浓度较低不易检测，而且pfas的来源十分广泛，包括工业生产、农业活动、城市生活等多个领域。这使得对其来源进行准确溯源变得非常困难。此外，pfas在环境中具有很强的迁移和转化能力。它们可以通过地表水、地下水、大气等多种途径进行迁移，并在迁移过程中发生转化。这使得对其迁移路径和转化机制的研究变得复杂。再次，作为新污染物，人类对于pfas的污染状况、迁移转化规律等方面还存在很多数据缺失和认识的不确定性。这使得对其进行准确溯源变得更加困难。
4、以“pfas”(per-and polyfluoroalkyl substances，全氟和多氟烷基物质)和“溯源”(tracing)为关键词对期刊论文，会议论文和专利技术专利进行检索，并未检索到密切相关信息。对新污染物的溯源技术多数为大气污染物溯源技术，涉及水污染溯源的技术，主要分为以下三类：1)如微生物组学分析技术确定微污染物的来源，即借助高通量测序和宏基因组学方法研究环境微生物群落结构的变化；2)稳定同位素示踪技术可以提供更精确的环境过程信息，比如氮、碳、氢等同位素在微污染物中的分布差异可用于区分不同来源。；3)多参数综合分析与模型模拟是通过结合地理信息系统(gis)、多元统计分析、机器学习算法和环境模型等多种手段，实现对污染物时空分布规律的刻画。这些技术的主要局限在于，只能对有限的某一种常量的污染物进行溯源，对污染物的种类刻画不能十分清晰，无法实现精准的时空定位等。基于以上分析，想要实现对pfas类污染物的精准溯源，高精度的检测平台，扎实可靠逻辑相关性和数据量丰富的大数据理论模型缺一不可。
技术实现思路
0、三、
技术实现思路
1、本专利技术是鉴于现有技术中存在的问题而做出的，本专利技术的目的在于提供一种利用aie的荧光变异特性与vgg-unet深度学习网络对pfas类新污染物进行溯源的方法。此方法创新性地通过利用pfas聚集aie胶束后导致独特的构型-荧光波谱变异特性和vgg-unet神经网络的强大学习能力，实现对pfas的快速、准确溯源，为环境污染治理提供有力支持。
2、aie，全称为聚集诱导发光(aggregation-induced emission)，是指一类在溶液中不发光或发光微弱的分子，在聚集状态下发光显著增强的现象。aie材料在溶液态时通常不发光或只发射微弱的荧光，而在聚集态下，其荧光会显著增强。这种“越聚集越亮”的性质克服了传统荧光分子聚集导致猝灭(acq)效应的局限。此外，aie材料的发光波长易于调节，斯托克斯位移大，发光效率高，并能够对研究目标实现“点亮”检测。由于它们的高灵敏度和可调谐的荧光特性，aie材料被广泛应用于检测各种环境污染物，如重金属离子、有机污染物和生物毒素等。此外，aie材料还可以用于监测环境污染物的迁移和转化过程，为环境保护和污染治理提供有力支持。但目前将多元aie的结构特性用于不同类型的pfas的综合检测技术还未见报道。
3、然而，aie与pfas形成的嵌合体在解析复杂混合物时面临波谱重叠和背景干扰等问题，导致解析精度下降。在高浓度下，荧光可能变得不稳定，容易受到环境因素的影响，自吸收、内滤光和猝灭现象：这些现象可能导致荧光强度降低，从而不能准确地反映水中的有机物含量。直接测得的荧光中还包含水的拉曼和瑞利散射信息，这些信息与有机物无关，属于干扰信息，必须加以去除。因此，需要选择一种具有稳定可信的逻辑信息和和数据量丰富理论模型，使其能够在复杂环境下准确解析微污染物的污染源。
4、vgg-unet深度学习网络是一种强大的卷积神经网络模型算法。编码器部分采用了vgg网络的结构，使用了多个3×3的小卷积核来替代大卷积核，减少了参数数量，同时增加了网络的深度。这种设计可以在保证网络性能的同时，减少计算量和内存占用。解码器部分则采用了类似unet的结构，通过上采样和跳跃连接将编码器部分的特征图恢复到原始图像的大小。vgg-unet深度学习网络结合了vgg和unet的优点，具有强大的特征提取能力、高效的计算性能、较低的内存占用和良好的适应性，特别适合用来解析变异性复杂，干扰因素较多的三维荧光图谱。
5、为了实现上述目的，本专利技术的技术方案，一种以聚集诱导发光体aie荧光变异和视觉几何组-u型神经网络vgg-unet对pfas类新污染物溯源的方法，其具体实施过程包括如下步骤：
6、步骤1，筛选具有荧光指纹特性的亲脂性聚集诱导发光体aie材料，记为a1、a2、a3、a4等；
7、步骤2，筛选待分析的全氟和多氟化合物pfas类污染物，记为p1、p2、p3、p4等；
8、步骤3，将低浓度的聚集诱导发光体aie材料分散至水中形成透明溶液，加入待分析的全氟和多氟化合物pfas类污染物水样，缓慢蒸发混合溶液，使全氟和多氟化合物pfas达到其临界胶束浓度，此时本文档来自技高网...
【技术保护点】
1.以聚集诱导发光体AIE荧光变异和视觉几何组-U型神经网络VGG-UNet对PFAS类新污染物溯源的方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1中所述的以聚集诱导发光体AIE荧光变异和视觉几何组-U型神经网络VGG-UNet对全氟和多氟化合物PFAS类新污染物溯源的方法，其特征在于，步骤1中所述的荧光指纹特性的亲脂性聚集诱导发光体AIE材料包括四苯乙烯衍生物、硅烷化AIE、长链烷基化AIE、两亲性AIE、氟代烷基化AIE、酯基化AIE、酰胺基化AIE、硫醇化AIE、硼酸酯化AIE、环糊精化AIE。
3.根据权利要求1中所述的以聚集诱导发光体AIE荧光变异和视觉几何组-U型神经网络VGG-UNet对全氟和多氟化合物PFAS类新污染物溯源的方法，其特征在于，步骤2中所述的PFAS类污染物包括全氟辛烷磺酸PFOS、全氟辛酸PFOA、全氟己烷磺酸PFHxS、全氟己酸PFHxA、全氟丁烷磺酸PFBS、全氟聚醚PFPeS、全氟庚酸PFHpA、全氟壬酸PFNA、全氟癸酸PFDA。
4.根据权利要求1中所述的以聚集诱导发光体AIE荧光变异和视觉
...【技术特征摘要】
1.以聚集诱导发光体aie荧光变异和视觉几何组-u型神经网络vgg-unet对pfas类新污染物溯源的方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1中所述的以聚集诱导发光体aie荧光变异和视觉几何组-u型神经网络vgg-unet对全氟和多氟化合物pfas类新污染物溯源的方法，其特征在于，步骤1中所述的荧光指纹特性的亲脂性聚集诱导发光体aie材料包括四苯乙烯衍生物、硅烷化aie、长链烷基化aie、两亲性aie、氟代烷基化aie、酯基化aie、酰胺基化aie、硫醇化aie、硼酸酯化aie、环糊精化aie。
3.根据权利要求1中所述的以聚集诱导发光体aie荧光变异和视觉几何组-u型神经网络...
【专利技术属性】
技术研发人员：殷立峰，林源忠，曾瑜昕，郭文卿，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。