فصلنامه بهداشت و ایمنی کار

---

مقدمه: روغن‌های معدنی، به‌عنوان یکی از اجزای مهم مایعات فلزکاری، در فرآیندهای صنعتی به‌صورت آئروسل در محیط کار منتشر شده و با ورود از طریق استنشاق به بدن، خطرات جدی مانند سرطان حنجره، آسم، و سرطان ریه ایجاد می‌کنند. روش NIOSH 5026 با استفاده از اسپکتروفتومتری FTIR به ارزیابی میزان مواجهه با روغن‌های معدنی می‌پردازد. با این حال، ترکیبات شیمیایی متنوع این روغن‌ها باعث تداخلات گسترده در طیف FTIR می‌شود. در این مطالعه از دو روش مدل‌سازی حداقل مربعات جزئی (PLS) و شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی صحیح غلظت مواجهه‌ی تنفسی با روغن‌های معدنی استفاده شد.
روش کار: داده‌ها از طیف FTIR در بازه 1500-4000 cm⁻¹ استخراج و در 701 عدد موجی ثبت شد. ماتریس طیف (X) به‌عنوان ورودی و ماتریس غلظت روغن معدنی (Y) به‌عنوان خروجی برای مدل‌سازی PLS و ANN در نظر گرفته شد. عملکرد مدل‌ها براساس خطای جذر میانگین مربعات (RMSEp) مقایسه شد.  
یافته ها: در مدل PLS، ضریب رگرسیون 9188/0 و میانگین خطا  792/4  محاسبه شد. در مقابل، مدل ANN با استفاده از کمتر از 11 لایه پنهان و 15% داده‌ها برای اعتبارسنجی، به RMSEp معادل 0036/0  و میانگین خطای 3.01% دست یافت. همچنین، ANN در مقایسه با PLS دقت بالاتری در تخمین غلظت نمونه‌های آزمایشی نشان داد.
نتیجه گیری: مدل‌سازی به روش ANN امکان پیش‌بینی دقیق غلظت روغن‌های معدنی را علی‌رغم تداخلات طیفی فراهم می‌کند. در حالی که هر دو مدل ANN و PLS عملکرد مناسبی داشتند، روش ANN به دلیل دقت بالاتر و خطای کمتر، برتری بیشتری در پیش‌بینی غلظت نشان داد.