Akademik Bilişim 2015
Anadolu Üniversitesi, Eskişehir 04 – 06 Şubat 2015
KROMATOGRAMLARDA VERİ SAYISININ ETKİNLİĞİ
O. Akpolat* ve H. Ertaş**
Muğla Sıtkı Koçman Üniversitesi, Fen Fakültesi, Kimya Bölümü, 48000 Muğla
**
Ege Üniversitesi, Fen Fakültesi, Kimya Bölümü, 35100 Bornova/İzmir
*
ÖZET
Gaz kromatografisi ile yapılan pestisit analizlerinin örnek olarak incelendiği bu çalışmada, bir sınıf
oluşturduğu düşünülen bir kromatografik analiz veri kümesinin eleman sayısı azaltılarak, oluşturulan
yeni veri kümeleriyle çizilen kromatogramların, analiz cihazından alınan ilk verilerle çizilen
kromatogramı ne kadar temsil ettiği araştırılmıştır. Veri kümelerinin taşıdıkları özelliklerin
karşılaştırılması açısından bakıldığında ilk başvurulacak ölçüt, varyanslar arasındaki farkın
olabildiğince az olmasıdır. Diğer yandan sınıfların ayırtedilmesi açısından ise; bu özelliklerin, aldıkları
değerlerin birbirinden olabildiğince uzak olmasıdır. İki farklı sınıfının ayırt edici özelliği, bu iki
önkoşulu birleştiren bir ayırt etme katsayısı ile tanımlanmıştır. Bu katsayı, araştırılan özelliğe ilişkin
sınıfların ortalama değerlerin mutlak farkları ile, yine bu özelliğe ilişkin standart sapmaların
toplamının oranına eşittir. İki sınıfın özelliklerinin karşılaştırılmasında bu katsayının alacağı büyük
değerler kümesi yüksek ayırma kapasitelerini gösterir. Bir pestisit örneğinin gaz kromatografik
analizinde alıkonma süresine karşı ayırt edilen maddelerin pik ölçümlerini oluşturan veri kümesi için
veri sayısının etkinliğinin araştırıldığı bu çalışmanın amacı da, veri sayısındaki azaltma oranına bağlı
olarak toplam indirgenmiş sınıf veri sayılarını, kromatogramların izlenebilirliği kaybolmayacak
şekilde optimize etmektir. Bu çerçevede indirgenmiş veri kümeleri için toplam ayırma sayıları yerine,
indirgenmiş veri sayıları, doğrudan kromatografiden alınan verileri esas aldığından birbirleriyle
karşılaştırılarak azalma oranı ile normalize edilmiştir. Azaltma oranına bağlı olarak hesaplanmış
ayırma ve normalize edilmiş ayırma katsayıları incelendiğinde, bu çalışmadaki örnek için veri
sayısındaki 100 kattan fazla bir azaltmanın veri etkinliğini azalttığı, 1000 kattandan sonraki oranlar
için ise veri etkinliğinin hemen hemen hiç kalmadığı söylenebilir.
Anahtar kelimeler: Veri indirgeme, Ayırdetme katsayısı, Veri etkinliği, Gaz kromatografisi, Pestisit
EFFECTIVENESS OF DATA NUMBER FOR CHROMATOGRAMS
O. Akpolat* and H. Ertaş**
*
Muğla Sıtkı Koçman University, Faculty of Science, Department of Chemistry, 48000 Muğla, Turkey
**
Ege University, Faculty of Science, Department of Chemistry, 35100 İzmir, Turkey
ABSTRACT
In this work, a pesticide analysis by gas chromatography was chosen as an example and investigated
how the chromatograms plotted with the reduced data sets were represented with that of the
chromatogram with unreduced data directly received from the chromatography. For comparing of the
data set being considered to form two classes, the distinguishing feature of the two different classes are
defined by a differential coefficient combining these two prerequisites. This coefficient is equal to the
ratio of the absolute value of the differences of their searched future and the sum of the standard
deviations of this feature. In the comparison of the characteristics of two classes for this future the
larger values of the coefficient shows higher separation capacity. The variance of the features
corresponding to members of one class should be as small as possible. On the other hand, to
distinguish between different classes, the positions of means of feature values for the data belonging to
different classes should be separated from each other as much as possible. Both requirements are
combined together to form the discrimination coefficient defined for the feature at recognition of two
objects belonging to different classes. The large value of this coefficient indicates good potential
separation ability of the feature for these two classes. On the other hand, its small value means that this
particular feature is not good for the recognition between the classes. The set of descriptors of highest
values of discrimination coefficients form the optimal set of features. Examining of the data number
efficiency in the reduced chromatographic data cluster consist of retention time and peak areas or peak
Kromatogramlarda Veri Sayısısının Etkinliği
heights for the analysis of a pesticide sample, the aim of this study is to optimize the number of data in
the sets depending on the reduction rate traceability so as not to lose the chromatograms. In the work
discrimination coefficients were normalized with the reduction rates for all coefficients base on
directly the data set of the chromatographic analysis. As examining the calculated discrimination
coefficients and normalized discrimination coefficients for the sample of this work it could be said that
a reduction of more than a 100 times decreases the effectiveness but those of more than a 1000 times is
meaningless.
Keywords: Data Reduction, Discrimination Coefficient, Data Efficiency, Gas Chromatography,
Pesticides
1. GİRİŞ
Gerek spektroskopik gerekse kromatografik
olsun, ya da başka bir ölçüm cihazıyla bir
karışım içinde yer alan kimyasalların
belirlenmesinde, sözkonusu ölçüm cihazları
detektörleri aracılığıyla aldıkları sinyalleri çok
sayıda sayısal veriye dönüştürürler ve bu
verileri de ya doğrudan Tabloler halinde, ya da
karışımdaki maddelerin dağılım oranlarını
göstermek
üzere
araştırmacılara
pik
yükseklikleri, pik alanları ya da madde
dağılımları şeklinde sunarlar. Bundan sonraki
aşamada araştırmacılar, zaman zaman bu
verilere dayanarak sınıflandırma, kümeleme ya
da modelleme ve optimizasyon gibi daha farklı
istatistiksel
değerlendirmelere
ihtiyaç
duyabilirler [1]. Ancak ölçüm cihazlarından
doğrudan
alınan
verilerle
yapılacak
çalışmalardaki sayısal hesaplamalarda veri
sayısının çok fazla oluşu, pratik uygulamalarda
işlem kapasitesi açısından bazı çözümsüzlükler
getirebilmektedir. Örneğin gaz kromatografisi
ile yapılan pestisit analizleri incelendiğinde bu
tür sorunlarla karşılaşılabilmektedir.
Kısa bir tanımlamayla tarımsal ürünleri,
hastalık, zararlı ve yabancı otlardan korumak
için kullanılan her türlü kimyasal bileşiğe
pestisit denilmektedir. Pestisit, herhangi bir
istenmeyen canlının (pest) yayılmasını
engelleyen, uzaklaştıran ya da ondan koruyan
her türlü bileşik ya da bileşikler karışımı olarak
da bilinmektedir. Kullanımları çok eskilere
dayanmakta olan pestisitlerin çoğu zehirli
kimyasal maddeler olduğu için insan ve
hayvan sağlığı ile doğal dengeye zarar
verebilmekte ve çevre kirliliği problemleri
yaratabilmektedir.
Teknik
tavsiye
ve
talimatlara uyulmadan kullanılan pestisitler
tüketime sunulan ürünler üzerinde kalıntı
bırakmakta ve hem halk sağlığı açısından hem
de ihraç ürünleri kalitesi bakımından sorunlar
oluşturabilmektedir. Farklı ekstraksiyon ve
ölçme metotları birçok gıda, sebze ve meyvede
çoklu sınıftaki pestisitlerin tespiti için çok
2
geniş olarak kullanılmaktadır ve bunların
arasından herhangi bir metodolojiyi seçmek
için ana kriter; o analitik metodun hızlı, kolay,
ucuz ve farklı matrikslere uygulanabilir
olmasıdır [2]. Son yıllarda gaz kromatografisi
(GC ), gaz kromatografi kütle spektrometrisi
(GC-MS ), gaz kromatografi tandem kütle
spektrometrisi
(GC-MS/MS)
ve
sıvı
kromatografi tandem kütle spektrometrisinin
(LC-MS/MS) yüksek ayırma gücü, seçiciliği
ve tanımlama yeteneği nedeniyle pestisitlerin
tayininde önemli gelişmeler sağlamıştır [3].
Örneğin
poliklorlu
dioksinler
ve
dibenzofuranların
(PCDD/F),
poliklorlu
bifeniller
(PCB),
polisiklik
aromatik
hidrokarbonlar (PAH), polibromine difenil
eterler (PBDEs), toxaphenler, klorlu organik
bileşikler,
pestisitler ve
onların ana
metabolitler olarak büyük çevresel kirleticiler
ile ilgili araştırmaları analitik ve toksikolojik
olarak devamlı gelişmektedir. Bu kompleks
karışımlar çevresel olarak oldukça çok
bulunmaktadırlar ve iz konsantrasyonlarda
mevcut oldukları için çevresel düzeylerini
belirlemek çoğu zaman zordur. Bu çerçevede
kantitatif belirleme öncesi gerekli olan analitik
sürecin adımları ve kalitatif belirlemeye ilişkin
yapılacak olan gaz kromatografi analizleri
Şekil 1.a ve b de ayrıntılı olarak verilmiştir.
Şekil 2 de ise PCBlere ilişkin çok sayıdaki
karmaşık
bileşiğin
geleneksel
gaz
kromatografisi kullanılarak yapılan analiz
sonucu karışımda bulunan maddelerin pikleri
çizilmiştir. Kimlik belirleme süreci ise kütle
spektroskopisi ile desteklenmiştir [4]. Şekil 2
de ki verilen bir tek kromatogramı oluşturan
veri kümesinin en az (50000-100000)*2
elemanlı olduğu unutulmamalıdır.
Sınıf oluşturduğu düşünülen veri kümelerinin
taşıdıkları özelliklerinin karşılaştırılmasında
bu kümelerin yakınlığı açısından bakıldığında
ilk başvurulacak ölçüt varyanslar arasındaki
farkın olabildiğince az olmasıdır.
O. Akpolat ve H. Ertaş
etkinliğinin
ne
yönde
değiştiğinin
incelenmesidir.
Bunun için
hazırlanan
programın
algoritması
verilmiş
olup
karşılaştırmalı sonuçlar ayrıntılı olarak
verimiştir [6].
a
Ekstraksiyon
İzolasyon
Örnek ve
Önişlem
Ön analiz
Hazırlığı
Enstrümantel
Analiz
b
Diğer Tek.
HPLC vd.
ENSTRÜMENTAL ANALİZ
Tek Kolon.
GC FID .
Tek Kolon
GC MS
GAZ KROMATOGRAFİ
Çok Kolon.
MDGC
Diğer Hypen.
Tek.LC* LC
HPLC vd.
Yüksek Çöz.
MS
Karşılaş..
GC GC
Şekil 1. a. Analitik sürecin genel adımları b.
Gaz kromatografik teknikler
Diğer yandan sınıfların ayırtedilmesi açısından
ise bu özelliklerin aldıkları değerlerin
birbirinden olabildiğince uzak olmasıdır.
Şekil 2. Geleneksel gaz kromatografisi ile 10
ppm Arochlor 1242 örneğinin kromatogramı.
İki farklı A ve B sınıfının ayırt edici özelliği bu
iki önkoşulu birleştiren bir ayırt etme katsayısı
SAB(f) ile tanımlanabilir. Bu katsayı, araştırılan
özelliğe ilişkin ortalama değerler olan CA(f) ve
CB(f) nin mutlak farkları ile yine bu özelliğe
ilişkin standart sapmalar olan σA(f) ve σB(f) in
toplamının oranına eşittir. İki sınıfın
özelliklerinin karşılaştırılmasında bu katsayının
alacağı büyük değerler kümesi yüksek ayırma
kapasitelerini göstermektedir [5].
Bu çalışmanın amacı da bir pestisit örneğinin
gaz kromatografik analizinde alıkonma
süresine karşı ayırt edilen maddelerin pik
ölçümlerini oluşturan veri kümesindeki eleman
sayılarının
belli
oranlarda
azaltılarak
kromatogramların yeniden çizilmesi ve
azaltılmış verilerle çizilen gafiklerde analizin
3
2. YÖNTEM
Sunulan araştırmada, 20140713000003.D
kodlu pestisit örneği Agilent marka gaz
kromatografisinde Tablo 1'de verilen çalışma
koşullarında DB-5 kolonunda analiz edilmiştir.
Tablo 1. Pestisit örneğinin analizinde gaz
kromatografisi çalışma koşulları
Gaz kromatografisi cihazı: Agilent 7820A
Kolon: A Agilent J&W DB-5-MS column (30 m × 250 _m
and film thickness 0.25_m)
Kullanılan fiber: Poly-sns-nh2 (POLY(4-(2,5-di(thiophen-2yl)-1H-pyrrol-1-yl) BENZENAMINE)
İnlet desorpsion sıcaklığı
Desorpsiyon süresi
Adsorpsiyon süresi
Kolon türü/markası
Kolon akış hızı
250 °C
5 dk.
20 dk
DB-5MS Agilent
1 ml/dk
CHLORPYRİFOS
PENCONAZOLE
PROCYMIDONE
BROMOPROPYLATE
LAMBDA CYHALOTHRIN
Data ismi: 20140713000003.D
tR
tR
tR
tR
tR
18,05
19,02
19,35
24,4
25,8 (ikinci pik)
Dedektörde belirlenen madddelerin başlıcaları
chloropyrifos,
pencanazol,
procymidon,
bromopropylate ve lamda cyhalothirin dir.
Analizi yapılan pestisit örneğinin piklerini
oluşturan veri kümesinin N sayıdaki elemanı
1/10n (n=0:6) oranında sıralı olarak azaltılarak
yeni
veri
kümeleri
oluşturulmuştur.
Oluşturulan veri kümeleriyle analiz edilen
örneğin kromatogramları çizilmiş ve görsel
olarak da izlenebilen veri etkinliğine ilişkin
toplam etkinlik sayıları azaltma oranına bağlı
olarak hesaplanmış ve veri azaltma oranı veri
etkinliği kaybolmayacak şekilde optimize
edilmeye çalışılmıştır. Toplam etkinlik sayısı
ise
tüm
etkinlik
sayıları
doğrudan
kromatografiden alınan verileri esas aldığından
birbirleriyle karşılaştırılarak azalma oranı ile
normalize edilmiştir. Etkinlik sayısı, SAB(f), ve
toplam etkinlik sayısı, NSAB(f), aşağıdaki gibi
belirlenmiştir.
S AB ( f ) 
c A ( f )  cB ( f )
 A( f )   B ( f )
Kromatogramlarda Veri Sayısısının Etkinliği
NS AB ( f ) n 
S AB ( f ) n  S AB ( f ) n 1
10n
Burada c ortalamaları σ ise standart sapmaları
göstermekte olup kromatografiden alınan
65536*2 adet veri Tablo 2’de özetlenmiştir
Tablo 2. Kromatografiden alınan veri kümesi
(sns_Kromat_Exc_10_07_14xx.xls)
Alıkonma
Süresi (Dak)
Pik Yükseklikleri
(Atenasyon)
0.008006
130.9018
0.008339
130.8342
0.008672
………….....(65536*2:Toplam)
130.8068
21.84434
193.6432
21.84467
193.6596
21.84501
193.4781
Hazırlanan program aşağıda ayrıntılı olarak
sunulmuştur:
% Ak00ChrDat_Dis_Kat_Nor.m
clear all, clc, close all, n=1;
for1bas=1;
for1maxTemp=65536; % Experimental Data
for1maxTempNew=(floor(for1maxTemp/1000))*1000;
XY(:,2:3)=xlsread('sns_Kromat_Exc_10_07_14xx.xls');
for1max=length(XY);
Temp=0; % for1maxTemp=for1maxReal=for1max=65536;
CodTimeN=[0 10 100 1000 10000
for1maxTemp];CT=length(CodTimeN);
CodDel=1;CodTime=CodTimeN(1);
ReductionRate=CodDel*CodTime;
for for1bas=1:for1maxTemp;
Temp=Temp+1;
XYTemp(for1bas,1:1)= Temp;
end
XYTemp(1:for1maxTemp,2:3)=XY(1:for1maxTemp,2:3);
figure(1),plot(XYTemp(:,2),XYTemp(:,3))
xlabel('time'), ylabel('peak height'), title('Chromatographic Data')
EvalDataTemp=for1maxTemp, StdXYTemp=std(XYTemp(:,3))
% Discriminant Coefficient SABf=|cAf-cBf|/(sigAf+sigBf)
cBf=mean(XYTemp(:,3));
sigBf=std(XYTemp(:,3))
EvalDatStdDev(n,1)=ReductionRate;
EvalDatStdDev(n,2)=for1max;
EvalDatStdDev(n,3)=mean(XYTemp(:,3));
EvalDatStdDev(n,4)=std(XYTemp(:,3));
EvalDatStdDev(n,5)=abs(mean(XYTemp(:,3))cBf)/(std(XYTemp(:,3))+sigBf);
for n=2:CT;
% Reducing Data CddTime times
CodDel=1; CodTime=CodTimeN(n);
ReductionRate=CodDel*CodTime;
code=0;
for counter=1:ReductionRate:for1maxTempNew
code=code+1;
XYNew(code,1)=code;XYNew(code,2)=XY(counter,2);
XYNew(code,3)=XY(counter,3);
end
for1max=length(XYNew);
XYTemp; XYNew;
4
figure(n),plot(XYNew(:,2),XYNew(:,3))
xlabel('time'),ylabel('peak height'),title('Reduction rate: CodTime
times')
EvalDatStdDev(n,1)=ReductionRate;
EvalDatStdDev(n,2)=for1max;
EvalDatStdDev(n,3)=mean(XYNew(:,3));
EvalDatStdDev(n,4)=std(XYNew(:,3));
EvalDatStdDev(n,5)=abs(mean(XYNew(:,3))- …
cBf)/(std(XYNew(:,3))+sigBf);n=n+1;
end
% Normalized Discriminent Coefficient
% NSABfn=(SABfn-SABfn_maksimum)/SABfn_maksimum
for i=2:CT
SABfn=EvalDatStdDev(i,5);SABfn_1=EvalDatStdDev(i-1,5);
NSABfn(i)=abs(SABfn-SABfn_1)/abs(10^i);
EvalDatStdDev(i,6)=NSABfn(i);
end;
% Reducing Data Standart Deviation Discriminant coefficient
'Reduc. Numb.of data Mean Stand.dev Discr.coef. Nor.Di.coef.'
' ------ ----------- ------ ------------'
format long
xlswrite('sns_Kromat_Exc_10_07_14xx_Results04.xlsx',EvalDa
tStdDev);
EvalDatStdDev,
figure(CT+1),plot(EvalDatStdDev(:,1),EvalDatStdDev(:,5)*1e6,'
*')
xlabel('Reduction rate of data : times')
ylabel('Discriminant coefficient')
title('S_AB(f)=|c_A(f)-c_B(f)|/(sigma_A(f)+sigma_B(f)')
figure(CT+2),plot(EvalDatStdDev(1:CT-1,1),NSABfn(1,1:CT1),'*')
xlabel('Reduction rate of data : times'),
ylabel('Normalized discriminant coefficient')
title('N_SAB(f)n=|(SAB(f)n-SAB(f)n_1)|/|10^n|')
% -----------------------------------------------------
Yapılan bu çalışmada öncelikle her bir veri
kümesi için hesaplanan ayırma değerleri ile
normalize edilmiş olan ayırma değerleri
azaltma oranlarına bağlı olarak Tablo 3’de
verilmiştir.
Tablo 3. Azaltma oranına bağlı olarak
hesaplanan veri ayırma ve normalize edilmiş
veri ayırma değerleri
Azaltma
Oranı
1
10
100
1000
10000
60000
Ayırma
Değeri
0
0,000934916
0,033224042
0,037232896
0,037905297
0,037905297
Normalleştirilmiş
Ayırma Değeri
0
9,34916E-06
3,22891E-05
4,0089E-07
6,72E-09
0
Ardından cihaz verileriyle karşılaştırılmak
üzere cihazdan doğrudan alınan ve bu
kümeden 10000 kat azaltılarak elde edilen veri
kümeleriyle çizilen kromatogramlar Şekil 3. a
ve b’de örnek olarak verilmiştir. Ayrıca Tablo
3’de verilmiş olan her veri kümesi için azaltma
oranlarına karşı hesaplanan ayırma değerleri ile
normalize edilmiş ayırma değerlerine ilişkin
çizilen grafikler Şekil 4. a ve b’de sunulmuştur.
O. Akpolat ve H. Ertaş
Chromatographic Data
SA B(f)=|c A (f)-c B(f)|/(sigmaA (f)+sigmaB(f)
4
2500
4
x 10
n=0
3.5
2000
1500
Etki Katsayisi
peak height
3
1000
2.5
2
1.5
1
500
0.5
0
0
5
Şekil 3. (a)
kromatogram
10
15
Cihaz
time
20
verileriyle
0
25
çizilen
0
1
2
3
4
5
6
Azaltma Orani-10n (1,2 ... 5)
7
4
x 10
Şekil 4. (a) Veri kümelerinin ayırma değerleri
Reduction rate: CodTime times
2500
NSAB(f)n=|(SAB(f)n-SAB(f)n1)|/|10n|
-5
n=4
3.5
x 10
2000
Normalleştirilmiş Etki Katsayisi
peak height
3
1500
1000
500
2.5
2
1.5
1
0.5
0
0
5
10
15
20
25
time
Şekil 3. (b) 10000 kat azaltılmış veri
kümesiyle çizilen kromatogram
0
0
1000
2000
3000
4000
5000
6000
7000
8000
9000 10000
Azaltma Orani-10n (1,2 ... 5)
Şekil 4. (b) Veri kümelerinin normalleştirilmiş
ayırma değerleri
3 SONUÇLAR
Ölçüm cihazlarından doğrudan alınan verilerle
yapılacak
çalışmalardaki
sayısal
hesaplamalarda veri sayısının çok fazla oluşu,
pratik
uygulamalarda
işlem
kapasitesi
açısından bazı güçlükler oluşturabilmektedir.
Bu çalışmada da karşılaşılabilecek bu tür
sorunlara örnek olarak gaz kromatografisi ile
yapılan pestisit analizleri incelenmiştir.
Bu örnekde olduğu gibi sınıf oluşturduğu
düşünülen bir kromatografik analizdeki veri
kümesinin eleman sayısı azaltılarak oluşturulan
yeni veri kümeleriyle aynı kromatograf tekrar
tekrar çizilmiş ve bu kromatogramların analiz
cihazından alınan ilk verilerle çizilen
kromatogramı ne kadar temsil ettiği
araştırılmıştır. Veri kümelerinin taşıdıkları
özelliklerinin
karşılaştırılması
açısından
bakıldığında ilk başvurulacak ölçüt varyanslar
arasındaki farkın olabildiğince az olmasıdır.
Diğer yandan sınıfların ayırtedilmesi açısından
ise bu özelliklerin aldıkları değerlerin
birbirinden olabildiğince uzak olmasıdır.
5
İki farklı A ve B sınıfının ayırt edici özelliği bu
iki önkoşulu birleştiren bir ayırt etme katsayısı
ile tanımlanmıştır. Bu katsayı, araştırılan
özelliğe ilişkin ortalama değerlerin mutlak
farkları ile, yine bu özelliğe ilişkin standart
sapmaların toplamının oranına eşittir. İki
sınıfın özelliklerinin karşılaştırılmasında bu
katsayının alacağı büyük değerler kümesi
yüksek ayırma kapasitelerini göstermektedir.
Veri etkinliğinin araştırılmasında azaltma
oranına bağlı olarak toplam ayırma sayıları
hesaplanmış ve veri azaltma oranı veri etkinliği
kaybolmayacak şekilde optimize edilmiştir.
Toplam ayırma sayıları ise tüm ayırma sayıları
doğrudan kromatografiden alınan verileri esas
aldığından
birbirleriyle
karşılaştırılarak
azaltma oranı ile normalize edilmiştir. Azaltma
oranına bağlı olarak hesaplanan veri ayırma ve
normalize edilmiş veri ayırma değerleri
incelendiğinde, bu çalışmadaki örnek için veri
sayısındaki 100 kattan fazla bir küçültmenin
veri etkinliğini azalttığı 1000 kattandan sonraki
küçültmeler ile veri etkinliğinin hemen hemen
hiç kalmadığı söylenebilir.
Kromatogramlarda Veri Sayısısının Etkinliği
4. KAYNAKLAR
[1] Brereton, R.G., (2003), Chemometrics:
Data Analysis for the Laboratory and
Chemical Plant, John Wiley & Sons, Ltd.
[2] Lehotay S. J., (2007), Determination of
Pesticide Residues in Foods by Acetonitrile
Extraction and Partitioning with Magnesium
Sulfate: Collaborative Study, J. AOAC Int. 90,
NO. 2
[3] Lehotay S. J., Son K. A., Kwon H.,
Koesukwiwat U., Fu W., Mastovska K., Hoh
E., Leepipatpiboon N., (2010), Comparison of
QuEChERS sample preparation methods for
the analysis of pesticide residues in fruits and
vegetables, Journal of Chromatography A,
1217, 2548–2560
6
[4] Marriotta, P.J., Haglundb, P., Onga,
R.C.Y., (2003), A review of environmental
toxicant analysis by using multidimensional
gas chromatography and comprehensive GC,
Review, Clinica Chimica Acta, 328 1 –19
[5] Tomasz, L.. Kruk, M., Osowski, S.,
(2013), Automatic recognition of industrial
tools using artificial intelligence approach,
Expert Systems with Applications, 40 4777–
4784
[6] Arifoğlu, U., (2005), MATLAB 7.04
SIMULINK
ve
MÜHENDİSLİK
UYGULAMALARI, Alfa Ltd..
Download

110.94 KB - Akademik Bilişim Konferansları