Pour réaliser une détection rapide, non destructive et précise de la teneur en accélérateurs de vulcanisation dans les produits en caoutchouc, cette étude utilise la spectroscopie temporelle terahertz combinée à l’augmentation des données et aux méthodes chimiométriques pour l’analyse quantitative des accélérateurs de vulcanisation dans des mélanges de caoutchouc multi-composants. Pour surmonter les problèmes de chevauchement sévère des spectres dans les mélanges de caoutchouc, le petit volume d’échantillons pouvant entraîner un surapprentissage et une faible capacité de généralisation, une stratégie d’augmentation des données basée sur la fusion de données et la méthode de moindres carrés gaussienne (LSGF) a été proposée, et un modèle quantitatif de régression à vecteurs de support optimisé par algorithme génétique (GA-SVR) a été construit. Pour réduire la dimension des données et améliorer l’efficacité de la modélisation, l’algorithme d’itération et de contraction de l’espace des variables (VISSA) a été utilisé pour extraire des caractéristiques des spectres originaux et augmentés. Les résultats montrent que l’augmentation des données améliore significativement la performance prédictive du modèle, la méthode LSGF étant la plus performante ; après extraction des caractéristiques avec VISSA, la précision du modèle s’est encore améliorée, avec un coefficient de corrélation Rp de 0,9826 et un RMSEP aussi faible que 0,0023 sur le jeu de prédiction. Cette méthode peut fournir une référence technique pour l’optimisation des formulations de caoutchouc et le développement vert durable de l’industrie.

Spectroscopie terahertz;augmentation des données;ajustement gaussien des moindres carrés;fusion de données;analyse quantitative