Multivariate techniques applied on spectroscopic data for process analysis and monitoring

Process analysis and monitoring has become essential in industry to ensure improvement of the process performances and to maintain a specific product quality. To this aim, spectroscopy represents an innovative tool that allows to overcome the issues encountered with conventional analytical techniques (e.g. gas chromatography), since it is fast and non-destructive and can give information about the chemical state of the process in real time. Nevertheless, due to the huge amount of information present in the collected data, the interpretation and information extraction is not a straightforward task. For this purpose, multivariate techniques significantly aid the treatment of the data and allow to infer information about the system analyzed. In this thesis, four systems are investigated by means of spectroscopy to show the variety of problems that may arise when dealing with complex and highly informative data coming from different spectroscopic techniques. To this aim, different multivariate techniques are explored and their potentialities and limitations are shown: (i) Strategies based on Principal Component Analysis and Partial Least Squares Regression are suggested for an improved and more robust quality monitoring of liquid commercial detergents; (ii) Moving Window Principal Component Analysis is proposed for the monitoring of an evolving process like the crystallization of an Active Pharmaceutical Ingredient in order to detect the nucleation; (iii) Time Window Statistical Total Correlation Spectroscopy combined with Multivariate Curve Resolution are proposed to investigate the setting reaction of a cementing material; (iv) Multivariate Curve Resolution is employed to infer information from hyperspectral data about the dissolution of a surfactants paste. Therefore, multivariate techniques applied to spectroscopic data demonstrate capable of achieving the following results: a) in case of commercial detergents, they correctly classify observations that do not agree with the reference conditions. Moreover, the approach proposed is able to assess when the estimation of the compounds concentration cannot be considered accurate, this scenario may occur when the deviations of one compound is not taken into account during model calibration; b) for the crystallization of the pharmaceutical ingredient, the nucleation is accurately detected; c) spectra and concentration of the compounds involved in the setting reaction of a cementing material are estimated and time evolution of the process can be tracked; d) the dissolution rate of the surfactants present in the paste is estimated. As a result, multivariate methods applied to spectroscopic data reveal essential to treat data and aid process understanding and monitoring.

L’analisi e il monitoraggio di processo sono diventati di fondamentale importanza per garantire le prestazioni del processo e mantenere la qualità del prodotto. A tal scopo, la spettroscopia rappresenta uno strumento innovativo che permette di superare le problematiche che si incontrano con le tecniche analitiche convenzionali (per esempio, la gas cromatografia), poichè è veloce e non distruttiva e può fornire informazioni sullo stato chimico del processo in tempo reale. Tuttavia, a causa della grande quantità di informazioni presenti nelle misure raccolte, l’interpretazione e l’estrazione di informazione non è un compito semplice. A tal proposito, le tecniche multivariate agevolano significativamente il trattamento dei dati e permettono di inferire informazioni sul sistema analizzato. In questa tesi, quattro sistemi sono indagati mediante misure spettroscopiche per mostrare la varietà di problemi che possono sorgere quando si trattano dati complessi e altamente informativi provenienti da differenti tecniche spettroscopiche. Per questo motivo, sono state esplorate differenti tecniche multivariate e sono mostrate le loro potenzialità e limitazioni: (i) si suggeriscono strategie basate sulla Principal Component Analysis e Partial Least Squares Regression per un migliore e più robusto monitoraggio di qualità dei detergenti commerciali liquidi; (ii) la Moving Window Principal Component Analysis è proposta per il monitoraggio di processi che si evolvono come la cristallizzazione di un Ingrediente Farmaceutico Attivo per identificare la nucleazione; (iii) la Time Window Statistical Total Correlation Spectroscopy insieme alla Multivariate Curve Resolution sono proposte per indagare la reazione di formazione di un materiale cementizio; (iv) la Multivariate Curve Resolution è utilizzata per ottenere informazioni sulla dissoluzione nello spazio e nel tempo di una pasta costituita da tensioattivi a partire da dati iperspettrali . Perciò, le tecniche multivariate applicate a dati spettroscopici si dimostrano capaci di raggiungere i seguenti risultati: a) Nel caso di detergenti commerciali, le osservazioni che non rispecchiano le condizioni di riferimento sono classificate correttamente. Inoltre, l’approccio proposto identifica quando la stima della concentrazione dei composti non può essere considerata accurata; b) Riguardo la cristallizzazione dell’ingrediente farmaceutico, la nucleazione è stata individuata in modo accurato; c) Gli spettri e la concentrazione dei composti coinvolti nella reazione di presa di un materiale cementizio sono stati stimati e l’evoluzione temporale del processo può essere seguita; d) La velocità di dissoluzione dei tensioattivi presenti nella pasta è stata valutata. Di conseguenza, i metodi multivariati implementati su misure spettroscopiche si rivelano essenziali per trattare i dati e agevolare la comprensione e il monitoraggio di processo.