Archive d’étiquettes pour : spectroscopie Raman

Méthodes optiques de détection des microplastiques : principes, performances et avancées récentes

/dans /par

Principes, performances et tendances émergentes des méthodes optiques de détection des microplastiques environnementaux

Introduction

La pollution plastique, notamment sous forme de microplastiques, représente une menace croissante pour les écosystèmes aquatiques et terrestres. Les microplastiques, définis comme des fragments de polymères synthétiques inférieurs à 5 mm, sont omniprésents et leur analyse requiert des méthodes de détection précises et fiables. Cet article rédigé pour un public expert propose une synthèse structurée des principes fondamentaux, performances et évolutions récentes des différentes méthodes optiques employées dans la détection environnementale des microplastiques.

Principaux principes des méthodes optiques de détection

1. Microscopie optique

La microscopie optique demeure une technique centrale permettant une observation directe des microplastiques, notamment grâce à leur taille et morphologie. Bien que simple d'utilisation, cette approche souffre de limitations en sensibilité, résolution spatiale, et ne permet pas toujours une identification précise de la nature chimique du polymère.

2. Spectroscopie infrarouge (IR)

La spectroscopie dans l’infrarouge, comprenant particulièrement la spectroscopie FTIR (Transformée de Fourier), facilite l’identification précise des polymères en se basant sur leur signature spectrale distincte. Les dispositifs à imagerie hyperspectrale FTIR permettent une cartographie fine des microplastiques sur des surfaces filtrantes, avec une sensibilité accrue pour les particules de taille micrométrique.

3. Spectroscopie Raman

La spectroscopie Raman s’avère essentielle pour la détection de microplastiques colorés ou opaques et excelle dans l’analyse de petites particules (jusqu'à 1 µm), là où la FTIR montre ses limites. Cette méthode exploite la diffusion inélastique de la lumière et permet de discerner les structures polymériques même dans des matrices complexes, bien que son efficacité puisse être entravée par la fluorescence de l’échantillon.

Performances analytiques et facteurs d’influence

Sensibilité et limites de détection

Les seuils de détection varient selon la technique employée et les conditions de préparation de l’échantillon. Si la spectroscopie FTIR et Raman permettent l’identification fiable de particules submicroniques, la microscopie optique demeure limitée à des tailles supérieures, réduisant ainsi son intérêt pour les fractions particulaires fines.

Spécificité et nature du polymère

La capacité à différencier les familles plastiques telles que le polyéthylène (PE), le polypropylène (PP), le polytéréphtalate d’éthylène (PET) ou le polystyrène (PS) dépend de la résolution spectrale des instruments utilisés. Les interférences issues de contaminants organiques ou inorganiques demandent souvent une étape de préparation ou de nettoyage d’échantillon adaptée.

Limitations et biais méthodologiques

La contamination croisée, la perte de particules lors des prélèvements ou de la filtration, ou encore la faible répétabilité lors des analyses automatisées constituent des entraves à l’obtention de données comparables entre laboratoires. L’absence de protocoles d’échantillonnage normés complexifie également la quantification fiable de la pollution microplastique.

Tendances émergentes et perspectives actuelles

Automatisation et imagerie hyperspectrale

Les progrès des instruments optiques portatifs et l’intégration de l’intelligence artificielle facilitent désormais l’analyse à haut débit et l’identification automatisée des particules microplastiques. L’imagerie hyperspectrale fusionne la cartographie spatiale et la reconnaissance spectrale, accélérant largement le traitement des échantillons environnementaux tout en renforçant la fiabilité de l’identification polymérique.

Détection in situ et capteurs innovants

Le développement de capteurs spectroscopiques robustes et miniaturisés ouvre la voie à la surveillance en temps réel des microplastiques, tant dans les eaux de surface que dans les sols. L’ultrasensibilité de certaines techniques optiques avancées, telle la spectroscopie SERS (Surface Enhanced Raman Scattering), promet une baisse des limites de détection, avec des applications potentielles pour le suivi dynamique des flux plastiques.

Combinaison multimodale

L’approche combinant différentes techniques optiques (microscopie, FTIR, Raman) se démocratise, permettant de tirer parti des avantages analytiques de chaque méthode pour une caractérisation complète (taille, forme, chimie) des microplastiques. Cette démarche intégrée, soutenue par des algorithmes d’apprentissage profond, stimule la production de données quantitatives fiables et exploitables à l’échelle internationale.

Applications et recommandations pour la routine analytique

Les analyses environnementales requièrent des méthodes stables, reproductibles et validées pour assurer le suivi spatiotemporel de la contamination microplastique. À ce jour, la FTIR-imagerie demeure la référence pour les matrices aqueuses, tandis que la spectroscopie Raman excelle pour les particules très petites et opaques. L’adoption progressive des systèmes automatisés et l’harmonisation des protocoles d’échantillonnage s’avèrent essentielles pour garantir la comparabilité des données à l’échelle mondiale.

Conclusion

L’évolution rapide des techniques optiques enrichit constamment le domaine de la détection des microplastiques environnementaux. L’intégration de méthodes avancées, l’automatisation et l’émergence de solutions portatives connectées annoncent une ère de surveillance environnementale plus complète, quantitative et en temps réel. Malgré les défis persistants liés à la validation interlaboratoires et à la standardisation, les perspectives offertes par les nouvelles tendances technologiques laissent entrevoir des avancées majeures pour une gestion plus efficiente de la pollution plastique.

Source : https://www.sciencedirect.com/science/article/abs/pii/S0039914026002316?dgcid=rss_sd_all

Détection Précoce des Altérations Microbiennes : Plateforme de Biosurveillance Raman et IA pour la Sécurité Alimentaire

/dans /par

Plateforme de biosurveillance Raman intégrée à l'IA pour la détection précoce de la détérioration microbienne en sécurité alimentaire

Introduction

La sécurité alimentaire demeure un enjeu mondial majeur, tant d’un point de vue sanitaire qu'économique. La contamination microbienne des denrées alimentaires cause chaque année de nombreuses hospitalisations, engendrant une vigilance accrue dans la détection rapide et fiable de la détérioration microbienne. L’innovation technologique, à la croisée de l’intelligence artificielle (IA) et de la spectroscopie Raman, offre une solution de pointe pour la surveillance en temps réel de la fraîcheur des aliments.

Principes Fondamentaux de la Plateforme Raman-IA

La spectroscopie Raman fournit une signature moléculaire précise basée sur la diffusion inélastique de la lumière laser sur les molécules constitutives des aliments. Combinée à l’intelligence artificielle, cette technologie devient une méthode robuste pour identifier les changements subtils associés à la prolifération microbienne sur la matrice alimentaire.

Fonctionnement du Dispositif

  1. Échantillonnage Direct : L’échantillon alimentaire est exposé à un faisceau laser, produisant un spectre Raman spécifique.
  2. Acquisition Spectrale : Le capteur détecte les variations des pics spectraux liées à la composition chimique et aux interactions microbiennes.
  3. Traitement par Algorithmes IA : Un algorithme d’apprentissage automatique, entraîné sur une vaste base de données de spectres, classe les échantillons selon leur état de fraîcheur et le niveau de contamination.

Identification et Suivi en Temps Réel

Grâce à la versatilité algorithmique, la plateforme identifie de manière précoce les marqueurs caractéristiques de la dégradation microbienne, quitte à détecter l’amorce d’un processus de détérioration avant que les signes ne soient perceptibles sensoriellement ou visuellement. L’automatisation minimise l’erreur humaine et accélère l’évaluation, réduisant le délai entre l’analyse et la prise de décision.

Spécificité des Pathogènes et Sensibilité Analytique

Les algorithmes d’apprentissage supervisé, comme les machines à vecteurs de support (SVM) ou les réseaux à convolution profonde, permettent de distinguer entre différentes souches microbiennes (Salmonella, Listeria, E. coli, etc.) associées à des profils spectraux uniques. L’extraction des éléments discriminants optimise la détection, même à faible concentration bactérienne. La sensibilité atteint quelques unités formant colonie (UFC), assurant une alerte précoce critique en environnement industriel ou de distribution.

Validation sur Diverses Matrices Alimentaires

La plateforme a été validée sur une diversité de produits alimentaires—viandes, fruits, laitages. Chaque matrice présente une composition biochimique différente influençant la réponse Raman, mais l’analyse multivariée assistée par IA permet d’adapter les modèles de classification de manière dynamique.

Exemples d'Applications :

  • Viandes fraîches : Dépistage rapide des contaminations à Salmonella.
  • Produits laitiers : Détection de la croissance de Listeria monocytogenes.
  • Fruits et légumes : Surveillance des altérations fongiques précoces.
  • Produits transformés : Évaluation de la stabilité microbiologique pendant le stockage.

Avantages Comparatifs sur les Méthodes Conventionnelles

  • Rapidité : Résultats en quelques minutes, contre plusieurs heures ou jours pour les méthodes de culture traditionnelles.
  • Non-destructivité : Analyse sans destruction de l’échantillon, préservant l’intégralité du produit.
  • Portabilité : Miniaturisation des dispositifs Raman et intégration simple dans les chaînes de production ou de distribution.
  • Réduction des Faux Positifs : Discrimination accrue grâce à des modèles IA entraînés sur des milliers de spectres réels.

Enjeux d’Implémentation et Perspectives Futuristes

Malgré une performance démontrée, l'intégration à grande échelle de ces solutions nécessite une adaptation aux flux industriels variés et une calibration fine selon la diversité des matrices. L’amélioration continue des bases de données spectrales et la sophistication accrue des modèles IA sont essentielles pour affiner la spécificité et minimiser les risques de malclassement.

À l'avenir, l’extension de cette technologie à la détection d'autres formes de contaminants (chimiques, allergènes) et l’interface avec des systèmes connectés de la chaîne logistique alimentaire renforceront le contrôle qualité global.

Conclusion

L'intégration de la spectroscopie Raman avec des algorithmes avancés d'intelligence artificielle inaugure une ère nouvelle pour la biosurveillance alimentaire, alliant rapidité, fiabilité et adaptabilité. Sa capacité à offrir un suivi précoce et en temps réel de la qualité microbiologique des aliments constituera un pilier majeur pour les industriels et les autorités sanitaires.

Source : https://www.sciencedirect.com/science/article/pii/S0963996926004217?dgcid=rss_sd_all

Détection Précoce des Altérations Microbiennes : Plateforme Raman et IA pour la Sécurité Alimentaire

/dans /par

Plateforme de biosurveillance Raman assistée par IA pour la détection précoce des altérations microbiennes en sécurité alimentaire

Introduction

La sécurité des aliments représente un enjeu mondial majeur, tant pour la santé publique que pour l’industrie agroalimentaire. Le développement des technologies intégrant l'intelligence artificielle (IA) avec des méthodes de détection novatrices, comme la spectroscopie Raman, ouvre la voie à des approches inédites pour l'identification rapide et précise de la détérioration microbienne dans les denrées alimentaires.

Avancées de la Plateforme Raman Intégrée à l’IA

La plateforme étudiée combine la sensibilité de la spectroscopie Raman à des algorithmes d’IA avancés afin d’identifier, à un stade précoce, la présence de micro-organismes responsables d’altérations alimentaires. Cette alliance technologique se fonde sur la capacité du Raman à fournir une signature spectrale unique des composants microbiens, tandis que l’IA facilite l’analyse d’ensembles de données complexes pour une classification robuste des agents pathogènes.

Principe de la Spectroscopie Raman

La spectroscopie Raman est une technique vibratoire qui capte des informations sur la structure moléculaire des échantillons à l’aide de la diffusion inélastique de la lumière laser. Chaque micro-organisme produit un spectre caractéristique spécifique, permettant leur distinction au sein de matrices alimentaires riches et hétérogènes.

Apport de l’Intelligence Artificielle

L’IA, intégrée à cette solution, exploite des méthodes telles que l’apprentissage supervisé (Support Vector Machine, réseaux de neurones, etc.) pour interpréter des spectres complexes. Le traitement automatisé des données amplifie la rapidité, l’objectivité et la fiabilité du diagnostic, surpassant les méthodes classiques basées sur la culture ou les tests biochimiques traditionnels.

Méthodologie Expérimentale

La plateforme propose un protocole expérimental rigoureux :

  • Collecte d’échantillons alimentaires contaminés par des micro-organismes d’intérêt (bactéries, levures, moisissures).
  • Acquisition du signal Raman à l’aide de microscopes portables et de lasers spécifiques.
  • Prétraitement des données (centrage, normalisation, élimination du bruit).
  • Analyse par IA afin de trier, classifier et identifier l’origine microbienne à partir de la base de données spectrales.
  • Validation par comparaison avec les techniques microbiologiques conventionnelles afin d’assurer la robustesse des résultats.

Performances et Avantages

Rapidité et Précision

L’intégration IA-Raman permet de réduire considérablement le temps de détection, offrant des diagnostics en quelques minutes seulement, là où les méthodes culturelles nécessitent plusieurs heures à plusieurs jours.

Sensibilité et Spécificité

La plateforme démontre une sensibilité remarquable pour détecter de faibles concentrations d’agents contaminant, tout en maintenant une spécificité élevée vis-à-vis des matrices alimentaires variées.

Automatisation et Portabilité

La solution est conçue pour l’automatisation et la miniaturisation, ce qui permet une utilisation sur site (dans les usines, marchés ou points de contrôle) sans dépendance à des laboratoires spécialisés.

Implications pour la Sécurité Alimentaire

Grâce à une détection précoce, la plateforme minimise le risque de distribution de produits altérés, évite le gaspillage alimentaire et renforce la surveillance des chaînes logistiques. L’approche optimise également la gestion des rappels de produits, ce qui est crucial pour la réputation des entreprises agroalimentaires et la santé des consommateurs.

Limites et Perspectives

Limites Actuelles

  • Interférences spectrales : Les matrices alimentaires complexes peuvent introduire des signaux parasites susceptibles de gêner l’identification.
  • Coût initial : Les investissements en équipements Raman et le développement de l’IA peuvent représenter un obstacle pour les petites structures.

Perspectives d’Amélioration

  • L’évolution des algorithmes de machine learning promet d’accroître la précision des classifications et la discrimination entre pathogènes proches.
  • L’enrichissement des bases de données spectrales accentuera la robustesse de la plateforme face à de nouveaux agents microbiens émergents.
  • La miniaturisation continue des dispositifs Raman favorisera une adoption généralisée, jusqu’à l’intégration dans les chaînes de production alimentaire.

Conclusion

La plateforme de biosurveillance Raman assistée par IA constitue une avancée significative dans la détection rapide, fiable et non destructive de la détérioration microbienne. Elle repositionne la sécurité alimentaire à l’ère des outils innovants, connectés et intelligents, offrant un contrôle accru du risque microbiologique tout en facilitant la conformité réglementaire internationale.

Source : https://www.sciencedirect.com/science/article/pii/S0963996926004217?dgcid=rss_sd_all

Détection rapide du BHT dans les huiles alimentaires par spectroscopie Raman et modèles chimiométriques

/dans /par

Détection rapide et précise du BHT dans les huiles alimentaires : spectroscopie Raman et modèles chimiométriques

Introduction

La surveillance efficace des antioxydants artificiels tels que le butylhydroxytoluène (BHT) dans les huiles alimentaires s’avère cruciale pour garantir la qualité des produits et la sécurité alimentaire. Le BHT, largement utilisé pour sa capacité à prévenir l’oxydation des lipides, suscite néanmoins des préoccupations liées à la santé publique en raison de son accumulation possible et de réglementations strictes concernant son usage. L’analyse rapide et fiable de ce composé dans des matrices complexes reste donc un défi analytique central pour les industries agroalimentaires et les instances de contrôle.

La spectroscopie Raman offre une alternative prometteuse aux méthodes traditionnelles—telles que la chromatographie en phase gazeuse ou liquide—pour la détection des additifs présents à l’état de trace. Couplée à des approches chimiométriques avancées, cette technique devient un outil puissant pour l’analyse qualitative et quantitative directe du BHT dans les huiles.

Fondements analytiques et objectifs de l’étude

L’objectif principal est de mettre en lumière une approche innovante combinant la spectroscopie Raman à des algorithmes chimiométriques multivariés pour détecter et quantifier de façon précise et rapide le BHT dans des huiles comestibles. Le profil spectral distinctif du BHT, associé à des modèles mathématiques performants, permet d’atteindre une discrimination et une quantification fiables, même dans des environnements matriciels complexes.

Méthodologie expérimentale

Préparation des échantillons et acquisition spectrale

Des huiles alimentaires commerciales (tournesol, colza, soja) ont été choisies pour élaborer des solutions calibrées, en enrichissant progressivement les matrices avec diverses concentrations de BHT. L’objectif est de générer des jeux de données représentatifs dont la variabilité permet d’entraîner et de valider les modèles chimiométriques.

La spectroscopie Raman portable a été employée pour recueillir les spectres de chaque échantillon. Les paramètres instrumentaux (puissance du laser, temps d’intégration) et les conditions expérimentales ont été soigneusement optimisés pour maximiser la sensibilité tout en minimisant le bruit de fond.

Traitement des données et modélisation chimiométrique

Des techniques de prétraitement incluant la correction de la ligne de base, la normalisation et la réduction du bruit ont été systématiquement appliquées. Les spectres ainsi préparés ont servi à la construction de modèles multivariés de régression—principalement la régression partiale des moindres carrés (PLS) et la régression vectorielle de support (SVR). Les performances analytiques de chaque modèle ont été évaluées à l’aide de métriques telles que la racine carrée de l’erreur quadratique moyenne de prédiction (RMSEP) et le coefficient de détermination (R²).

Résultats et interprétations

Signatures Raman du BHT dans les huiles

Le BHT présente des pics Raman caractéristiques, notamment autour de 1610 cm⁻¹ et 1450 cm⁻¹, facilitant sa discrimination même à de faibles concentrations dans la matrice lipidique. L’analyse des spectres issus de différentes huiles montre que la réponse Raman du BHT reste stable malgré les variations éventuelles de composition de la matrice grasse.

Comparaison des modèles de calibration

Le modèle PLS a démontré une excellente linéarité entre l’intensité des pics Raman assignés au BHT et sa concentration réelle, avec un coefficient R² supérieur à 0,98 sur l’ensemble des jeux de validation croisée. L’algorithme SVR, plus robuste aux non-linéarités, a permis d’affiner la détection à l’état de trace et a particulièrement bien réagi en présence de signaux parasites, réduisant significativement l’impact du bruit de fond et des interférences.

En termes de sensibilité, la limite de détection obtenue pour le BHT se situe autour de 0,5 mg/kg d’huile, surpassant ainsi de nombreuses méthodes conventionnelles en termes de rapidité et de simplicité opérationnelle. La précision intra- et inter-jour reste élevée, ce qui valide l’utilisation de la démarche pour des analyses de routine.

Robustesse et validation croisée

Les modèles développés présentent une forte robustesse, confirmée par une validation croisée sur des huiles commerciales variées. La reproductibilité et l’exactitude des mesures sont maintenues, preuve que la méthodologie est transposable à de multiples types d’huiles, indépendamment de leur origine ou de leur degré de raffinement.

Impact industriel et perspectives

La combinaison spectroscopie Raman / chimiométrie constitue un atout majeur pour le contrôle qualité en ligne, car elle autorise des analyses non destructives, rapides et sans préparation lourde des échantillons. Les industriels du secteur agroalimentaire peuvent ainsi adopter un outil innovant pour garantir la conformité réglementaire des lots d’huiles, limiter les risques sanitaires et raccourcir les délais de libération produits.

À l’avenir, l’intégration de bases de données spectrales élargies, ainsi que l’optimisation des algorithmes, permettront de détecter d’autres antioxydants de synthèse ou polluants, renforçant le potentiel du couplage Raman-chimiométrie dans le domaine du contrôle alimentaire.

Conclusion

Grâce à l’association d’une technique spectroscopique performante et de puissants algorithmes multivariés, il devient possible de doser avec efficacité et exactitude le BHT dans les huiles alimentaires. Cette méthodologie, rapide et respectueuse de l’échantillon, favorise des contrôles qualité plus dynamiques et accroît la sécurité alimentaire tout en répondant aux exigences industrielles et réglementaires actuelles.

Source : https://www.mdpi.com/2304-8158/15/4/730

Spectroscopie Raman et Intelligence Artificielle : détection avancée du chlorpyrifos dans les légumes

/dans /par

Spectroscopie Raman et Apprentissage Automatique pour la Détection du Chlorpyrifos dans les Légumes

Introduction

La contamination des produits agricoles par des résidus de pesticides représente une préoccupation majeure en matière de sécurité alimentaire. Parmi eux, le chlorpyrifos, un insecticide couramment utilisé, suscite de vives inquiétudes en raison de ses effets potentiels sur la santé humaine. Cette problématique souligne l'importance de disposer de méthodes analytiques précises, rapides et non destructives pour identifier la présence de ce composé dans les denrées végétales. Récemment, l'association de la spectroscopie Raman et des modèles d'apprentissage automatique a émergé comme une solution prometteuse pour un dépistage efficace et fiable.

Principes de la Spectroscopie Raman

La spectroscopie Raman repose sur l'analyse des interactions lumière-matière afin de caractériser la structure moléculaire des substances analysées. Lorsqu'un faisceau laser éclaire un échantillon, la lumière diffusée est interprétée, révélant des signatures spectrales uniques pour chaque molécule. Ce procédé présente l'avantage d'être non invasif, rapide, et particulièrement adapté à l'analyse sur site de matrices complexes telles que les légumes frais.

  • Analyse rapide et sans préparation préalable
  • Détection directe dans les matrices végétales
  • Haute spécificité spectrale permettant l'identification des composés cibles

Défis de la Détection du Chlorpyrifos

Le repérage du chlorpyrifos dans les légumes s'avère complexe en raison de faibles concentrations, de la variabilité intrinsèque des matrices alimentaires, et de l'abondance d'interférents naturels. Les méthodes classiques, telles que la chromatographie ou la spectrométrie de masse, exigent une préparation d'échantillon fastidieuse et sont coûteuses. À l'opposé, la spectroscopie Raman associée aux techniques d'apprentissage automatique offre une alternative efficace pour surmonter ces obstacles.

Apprentissage Automatique et Analyse Spectrale

L'intégration de l'apprentissage automatique permet d'interpréter et de classifier les données spectrales recueillies. Les algorithmes supervisés, comme les forêts aléatoires (random forests) ou les machines à vecteurs de support (SVM), sont en mesure de reconnaître les signatures spectrales spécifiques attribuables au chlorpyrifos, même en présence de signaux parasites liés aux composés végétaux naturels.

Étapes de l'approche algorithmique :

  1. Acquisition des spectres Raman sur divers légumes contaminés ou non
  2. Prétraitement des données pour éliminer le bruit et normaliser les signaux
  3. Extraction des caractéristiques spectrales discriminantes
  4. Entraînement des modèles sur un large jeu de données annotées
  5. Validation et évaluation des performances sur des échantillons indépendants

Performances et Validations

Les travaux rapportés montrent que les modèles d'apprentissage automatique construits à partir de données Raman parviennent à détecter le chlorpyrifos avec une excellente précision. Selon la diversité des échantillons inclus (tomates, poivrons, choux, etc.), les algorithmes atteignent des taux de reconnaissance supérieurs à 95%. Ces résultats témoignent de la robustesse de la méthode, indépendamment du type de légume analysé.

  • Sensibilité élevée même à de faibles concentrations (limites de détection de l'ordre du ppm)
  • Spécificité remarquable, réduisant le risque de faux positifs et de faux négatifs
  • Adaptabilité à différentes matrices alimentaires après entraînement modèle adapté

Perspectives d'Application et Limites

Le couplage de la spectroscopie Raman à l’intelligence artificielle ouvre la voie à une surveillance automatisée et in situ des résidus de pesticides. Les systèmes portables équipés de modules Raman et de processeurs embarqués pourraient permettre un contrôle qualité rapide, tant sur le terrain qu’à l’entrée des chaînes alimentaires.

Toutefois, l’efficacité de la détection dépend de la variété des bases de données d’entraînement et de la prise en compte de la variabilité naturelle des produits agricoles (maturité, composition biochimique, etc.). Les efforts de standardisation des procédures analytiques, ainsi que l'expansion des jeux de données de référence, s'avèrent donc essentiels pour garantir la reproductibilité et l’exactitude des mesures à grande échelle.

Conclusion

La combinaison de la spectroscopie Raman et des techniques avancées d'apprentissage automatique constitue désormais une approche de choix pour la détection rapide, précise et non destructive du chlorpyrifos dans les légumes frais. Elle s'inscrit dans le développement d'outils modernes pour renforcer la sécurité alimentaire et soutenir la conformité réglementaire des produits agricoles. Son potentiel d’industrialisation et d’intégration dans des programmes de surveillance sanitaire reste prometteur, à condition que les défis liés à la variabilité des matrices et à l’universalité des modèles prédictifs soient continuellement relevés.

Source : https://www.sciencedirect.com/science/article/pii/S0023643825014276?dgcid=rss_sd_all