Nuclear Magnetic Resonance Spectroscopy: Theory and Applications

Rashid, Madeeha; Singh, Sachin Kumar; Singh, Chandan

doi:10.1007/978-981-33-6084-6_18

Cited by 4 publications

(3 citation statements)

References 96 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Today NMR spectroscopy is a complex analysis which includes a number of individual techniques. 26 Since the basis and principles of all NMR techniques are already described in detail in a number of publications, 19,[28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43] only a brief description of the ssNMR technique will be presented here. The ssNMR technique is used to obtain information about the molecular mobility and, consequently, ion conductivity, water and methanol transport properties in different materials, such as protic ionic liquids (ILs) and their nanocomposites, solid proton conductive salts, and polymer electrolytes.…”

Section: Basis Of Nmr Analysismentioning

confidence: 99%

Advances in nuclear magnetic resonance spectroscopy: case of proton conductive materials

et al. 2023

View full text Add to dashboard Cite

show abstract

Section: Basis Of Nmr Analysismentioning

confidence: 99%

Advances in nuclear magnetic resonance spectroscopy: case of proton conductive materials

et al. 2023

View full text Add to dashboard Cite

show abstract

“…Виклад основного матеріалу дослідження. В основі методу спектроскопії ядерного магнітного резонансу лежить явище поглинання радіочастотної енергії системою магнітних ядер [36][37][38]. Протони і нейтрони із яких складаються ядра атомів, володіють спіном.…”

Section: Honey Is a Highly Labile System That Undergoes Biochemical A...unclassified

“…Це пов'язано з тим, що з підвищенням температури деяка частина водневих зв'язків розкривається і середня їх довжина збільшується, що у свою чергу, дає підвищення електронної густини на атомах водню, і сигнал протонів зміщується в сторону сильних магнітних полів. Для пояснення температурної залежності хімічного зсуву як правило використовують модель двох станів [36,38], а тому хімічний зсув можна записати у вигляді:…”

Section: Honey Is a Highly Labile System That Undergoes Biochemical A...unclassified

Використання Методу Ямр-Спектроскопії Для Дослідження Ідентифікації Та Фальсифікації Меду

Мельник¹,

Маринін²,

Shevchenko³

et al. 2023

Herald of Lviv University of Trade and Economics. Technical sci

View full text Add to dashboard Cite

Анотація. У статті розглядаються питання ідентифікації та фальсифікації меду методом ЯМРспектроскопії. Мед -натуральна солодка речовина, що виробляється Apis mellifera. Він складається в основному з різних цукрів, переважно фруктози та глюкози, а також інших речовин, таких як органічні кислоти, ферменти та тверді частинки, отримані під час медозбору. Основною хімічною складовою меду є вуглеводи, які складають до 95% сухої ваги, причому фруктоза (38%) і менша частина глюкози (31%) є основними цукровими компонентами серед 22 різних цукрів, присутніх у складі меду.Географічне та ботанічне походження є факторами, які диктують ціну на цей широко споживаний натуральний продукт. Економічна вигода призвела до того, що мед став легкою мішенню для фальсифікації, включаючи навмисне неправильне маркування походження меду, додавання води та цукру до меду, а також годування бджіл надмірною кількістю штучного сиропу в період збору нектару. Таким чином, ідентифікація меду є нагальною проблемою.Методології ядерного магнітного резонансу (ЯМР) широко визнані як важливий інструмент для аналізу харчових продуктів, оскільки вони дозволяють вивчати як хімічний склад, так і молекулярну динаміку харчових матриць.Мед є дуже лабільною системою, що піддається біохімічним і хімічним змінам, а ЯМР-спектроскопія є потужним методом для моніторингу цих змін.

show abstract

Estimation of hydrogen solubility in aqueous solutions using machine learning techniques for hydrogen storage in deep saline aquifers

Dehghani,

Nikravesh,

Aghel

et al. 2024

Sci Rep

View full text Add to dashboard Cite

The porous underground structures have recently attracted researchers’ attention for hydrogen gas storage due to their high storage capacity. One of the challenges in storing hydrogen gas in aqueous solutions is estimating its solubility in water. In this study, after collecting experimental data from previous research and eliminating four outliers, nine machine learning methods were developed to estimate the solubility of hydrogen in water. To optimize the parameters used in model construction, a Bayesian optimization algorithm was employed. By examining error functions and plots, the LSBoost method with R² = 0.9997 and RMSE = 4.18E-03 was identified as the most accurate method. Additionally, artificial neural network, CatBoost, Extra trees, Gaussian process regression, bagged trees, regression trees, support vector machines, and linear regression methods had R² values of 0.9925, 0.9907, 0.9906, 0.9867, 0.9866, 0.9808, 0.9464, and 0.7682 and RMSE values of 2.13E-02, 2.43E-02, 2.44E-02, 2.83E-02, 2.85E-02, 3.40E-02, 5.68E-02, and 1.18E-01, respectively. Subsequently, residual error plots were generated, indicating the accurate performance of the LSBoost model across all ranges. The maximum residual error was − 0.0252, and only 4 data points were estimated with an error greater than ± 0.01. A kernel density estimation (KDE) plot for residual errors showed no specific bias in the models except for the linear regression model. To investigate the impact of temperature, pressure, and salinity parameters on the model outputs, the Pearson correlation coefficients for the LSBoost model were calculated, showing that pressure, temperature, and salinity had values of 0.8188, 0.1008, and − 0.5506, respectively, indicating that pressure had the strongest direct relationship, while salinity had an inverse relationship with hydrogen solubility. Considering the results of this research, the LSBoost method, alongside approaches like state equations, can be applied in real-world scenarios for underground hydrogen storage. The findings of this study can help in a better understanding of hydrogen solubility in aqueous solutions, aiding in the optimization of underground hydrogen storage systems.

show abstract

Nuclear Magnetic Resonance Spectroscopy: Theory and Applications

Cited by 4 publications

References 96 publications

Advances in nuclear magnetic resonance spectroscopy: case of proton conductive materials

Advances in nuclear magnetic resonance spectroscopy: case of proton conductive materials

Використання Методу Ямр-Спектроскопії Для Дослідження Ідентифікації Та Фальсифікації Меду

Estimation of hydrogen solubility in aqueous solutions using machine learning techniques for hydrogen storage in deep saline aquifers

Contact Info

Product

Resources

About