Rozšíření umělé inteligence DeepReI a její aplikace v praxi

Abstract

Diploma thesis deals with expanding the artificial intelligence DeepReI with the prediction of retention indices of substances in gas chromatography for standard non-polar and polar stationary phases. The theoretical part describes artificial intelligence, convolutional neural networks, and the principles of neural network learning. There is also a brief overview of the applications of neural networks in analytical chemistry. In the experimental part, the original DeepReI model was extended to predict the retention indices of substances for standard non-polar and polar stationary phases. Furthermore, more accurate predictions of retention indices were achieved for semi-standard non-polar stationary phases compared to existing models. The applicability of the model for substance identification was verified through non-targeted analysis of non-alcoholic beers using gas chromatography with mass detection.

Diplomová práce se zabývá rozšířením umělé inteligence DeepReI o predikci retenčních indexů látek v plynové chromatografii pro standardní nepolární a polární stacionární fázi. V teoretické části je obecně popsána umělá inteligence, konvoluční neuronové sítě a princip učení neuronových sítí. Je zde i stručný přehled aplikací neuronových sítí v analytické chemii. V experimentální části byl původní model DeepReI rozšířen o predikci retenčních indexů látek pro standardní nepolární a polární stacionární fáze. Dále bylo dosaženo přesnější predikce retenčních indexů látek pro semistandardní nepolární stacionární fázi oproti dostupným modelům. Aplikovatelnost modelu při identifikaci neznámých látek byla ověřena necílenou analýzou nealkoholických piv pomocí plynové chromatografie s hmotnostní detekcí.