CN103335914A

CN103335914A - 一种木质生物质碳元素含量的测定方法

Info

Publication number: CN103335914A
Application number: CN2013102472572A
Authority: CN
Inventors: 张宏亮; 苏伟
Original assignee: Electric Power Research Institute of Guangdong Power Grid Co Ltd
Current assignee: China Southern Power Grid Power Technology Co Ltd
Priority date: 2013-06-19
Filing date: 2013-06-19
Publication date: 2013-10-02
Anticipated expiration: 2033-06-19
Also published as: CN103335914B

Abstract

本发明公开了一种木质生物质碳元素含量的测定方法，包括以下步骤：分别测定受测木质生物质的水分含量、灰分含量和挥发分含量；根据测定结果，计算出受测木质生物质的空气干燥基固定碳质量分数；将数据代入以下自变量多元线性回归分析方程中，求解出受测木质生物质的碳元素含量Y_C＝41.64-0.22X_M-0.20X_ASH+0.080X_VM+0.044X_FC，其中，受测木质生物质的水分质量分数X_M、空气干燥基灰分质量分数X_ASH、空气干燥基挥发分质量分数X_VM和空气干燥基固定碳质量分数X_FC分别满足以下条件：

。本发明具有快速、便捷、费用低、准确度高的优点。

Description

一种木质生物质碳元素含量的测定方法

技术领域

本发明涉及一种碳元素含量的测定方法，具体地说是一种木质生物质碳元素含量的测定方法。

背景技术

随着煤炭等常规化石能源的逐步消耗，生物质能、太阳能、风能等可再生能源成为我国能源中增长最快的新兴领域，特别是生物质能，目前可开发生物质能约为3.18亿吨煤当量，2050年可为9.76亿吨。我国生物质能发展的重点是生物质发电，规划2020年生物质发电装机容量达到2000万Kw。

碳是生物质中主要的有机可燃成分，新建电厂燃烧设备自送风机、炉膛到排烟风机的设计、设备选型、燃烧过程的控制等，都要以生物质的碳元素分析组成为基本依据，同时可以评价生物质质量，指导锅炉安全经济燃烧。生物质中的碳分为有机物中的碳和单质形式存在的固定碳，含碳量一般在44%～58%，碳含量的多少决定了发热量的高低，是生物质中最重要的可燃成分。

目前碳的测定方法是采用三节炉和二节炉法、电量-重量法和高温燃烧红外热导法，这些方法中三节炉和二节炉法、电量-重量法测定时间长，测定布置繁琐，对检测人员技术水平要求较高，而高温燃烧红外热导法要求使用昂贵仪器，测定结果受到多种因素影响，难以满足实际应用。

发明内容

本发明所要解决的技术问题，就是提供一种快速、便捷、费用低、准确度高的木质生物质碳元素含量的测定方法。

解决上述技术问题，本发明采用的技术方法如下：

一种木质生物质碳元素含量的测定方法，其特征在于：所述的测定方法包括以下步骤：

（S1）测定受测木质生物质的水分含量；

（S2）测定受测木质生物质的灰分含量；

（S3）测定受测木质生物质的挥发分含量；

（S4）根据步骤（S1）至（S3）的测定结果，计算出受测木质生物质的空气干燥基固定碳质量分数X_FC＝100-(X_M+X_ASH+X_VM)；

其中，X_M、X_ASH和X_VM依次表示受测木质生物质的水分质量分数、空气干燥基灰分质量分数和空气干燥基挥发分质量分数；

（S5）将步骤（S1）至（S4）获得的数据代入以下自变量多元线性回归分析方程中，求解出受测木质生物质的碳元素含量Y_C，

Y_C＝41.64-0.22X_M-0.20X_ASH+0.080X_VM+0.044X_FC，

其中，受测木质生物质的水分质量分数X_M、空气干燥基灰分质量分数X_ASH、空气干燥基挥发分质量分数X_VM和空气干燥基固定碳质量分数X_FC分别满足以下条件：

\{\begin{matrix} 6.9 % < X_{M} < 20.4 % \\ 0.4 % < X_{ASH} < 8.4 % \\ 56 % < X_{VM} < 76 % \\ 12.28 % < X_{FC} < 24.19 % \end{matrix}

。

作为本发明步骤（S1）中测定受测木质生物质的水分含量的优选实施方式，所述步骤（S1）中，测定受测木质生物质的水分含量包括以下步骤：

（S1-1）将一定量的受测木质生物质样品用干燥箱进行干燥，其中，干燥温度为102℃至105℃，干燥时间为120分钟；

（S1-2）将干燥后的受测木质生物质样品用天平称重；

（S1-3）根据由步骤（S1-1）和（S1-2）获知的受测木质生物质样品干燥前、后的质量损失，计算出受测木质生物质的水分质量分数X_M。

作为本发明步骤（S2）中测定受测木质生物质的灰分含量的优选实施方式，所述步骤（S2）中，测定受测木质生物质的灰分含量包括以下步骤：

（S2-1）将一定量的受测木质生物质样品用马弗炉进行灼烧，其中，灼烧温度为550℃，灼烧时间为120分钟；

（S2-2）将灼烧后的受测木质生物质样品用天平称重；

（S2-3）根据由步骤（S2-1）和（S2-2）获知的受测木质生物质样品灼烧前、后的质量损失，计算出受测木质生物质的空气干燥基灰分质量分数X_ASH。

作为本发明步骤（S3）中测定受测木质生物质的挥发分含量的优选实施方式，所述步骤（S3）中，测定受测木质生物质的挥发分含量包括以下步骤：

（S3-1）将一定量的受测木质生物质样品以隔绝空气的方式用马弗炉加热，其中，加热温度为900℃，加热时间为7分钟；

（S3-2）将加热后的受测木质生物质样品用天平称重；

（S3-3）根据由步骤（S3-1）和（S3-2）获知的受测木质生物质样品加热前、后的质量损失，并减去所述受测木质生物质的水分质量分数X_M，计算出受测木质生物质的空气干燥基挥发分质量分数X_VM。

与现有技术相比，本发明具有以下有益效果：

本发明通过测定受测木质生物质的水分、灰分、挥发分含量，并计算出气固定碳含量，最后再通过自变量多元线性回归分析方程计算出受测木质生物质的碳元素含量，其中，对受测木质生物质的水分、灰分、挥发分含量的测定，所需受测木质生物质的样品量少，各测定步骤简单，快速，所需仪器设备价格低廉，并且不需要繁琐的人工操作，检测结果影响因素较少，避免了现有碳元素测定方法繁琐、仪器贵重、测定时间长的缺点，因此，本发明的测定方法步骤简单、快捷，所需时间少，并且设备维护费、试剂消耗费用较低，对环境造成的污染也小，实现了快速、便捷的测定受测木质生物质中碳元素含量。

并且，本发明通过大量实测数据验证，其测定结果与实测结果吻合，平均相对误差ABE为1.27%，平均绝对误差AAE为3.96%，其绝对误差范围在0.029%-14.78%，因此，本发明对受测木质生物质碳元素含量的测定准确度高。

附图说明

下面结合附图和具体实施例对本发明作进一步的详细说明：

图1为本发明木质生物质碳元素含量测定方法的流程框图；

图2为本发明木质生物质碳元素含量测定方法中步骤（S1）的流程框图；

图3为本发明木质生物质碳元素含量测定方法中步骤（S2）的流程框图；

图4为本发明木质生物质碳元素含量测定方法中步骤（S3）的流程框图；

图5为木质生物质碳元素含量的采用本发明方法获得的结果与实测值的对比图。

具体实施方式

如图1所示，本发明的木质生物质碳元素含量的测定方法，包括以下步骤：

（S1）测定受测木质生物质的水分含量，参见图2，其测定的步骤如下：

（S1-1）将一定量的受测木质生物质样品用干燥箱进行干燥，其中，干燥温度为102℃，干燥时间为120分钟；

（S1-2）将干燥后的受测木质生物质样品用天平称重；

（S2）测定受测木质生物质的灰分含量，参见图3，其测定的步骤如下：

（S2-2）将灼烧后的受测木质生物质样品用天平称重；

（S3）测定受测木质生物质的挥发分含量，参见图3，其测定的步骤如下：

（S3-2）将加热后的受测木质生物质样品用天平称重；

其中，X_M、X_ASH和X_VM依次表示受测木质生物质的水分质量分数、空气干燥基灰分质量分数和空气干燥基挥发分质量分数。

Y_C＝41.64-0.22X_M-0.20X_ASH+0.080X_VM+0.044X_FC，

\{\begin{matrix} 6.9 % < X_{M} < 20.4 % \\ 0.4 % < X_{ASH} < 8.4 % \\ 56 % < X_{VM} < 76 % \\ 12.28 % < X_{FC} < 24.19 % \end{matrix}

。

其中，上述步骤（S5）中所采用的自变量多元线性回归分析方程，其建立的过程如下：

1、多元线性回归模型建立

设影响因变量Y的自变量个数为P，并分别记为x₁,x₂,…,x_p,，所谓多元线性模型是指这些自变量对Y的影响是线性的，即：

Y＝β₀+β₁x₁+β₂x₂+…+β_px_p+ε，ε～N(0,σ²)

其中β₀,β₁,β₂,…,β_p，σ²是与x₁,x₂,…,x_p无关的未知参数，称Y为对自变量x₁,x₂,…,x_p,的线性回归函数。

记n组样本分别是(x_i1,x_i2,…,x_ip,y_i)(i＝1,2,…,n)，则有：

\{\begin{matrix} y_{1} = β_{0} + β_{1} x_{11} + β_{2} x_{12} + \cdot \cdot \cdot + β_{p} x_{1 p} + ϵ_{1} \\ y_{2} = β_{0} + β_{1} x_{21} + β_{2} x_{22} + \cdot \cdot \cdot + β_{p} x_{2 p} + ϵ_{2} \\ \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \\ y_{n} = β_{0} + β_{1} x_{n 1} + β_{2} x_{n 2} + \cdot \cdot \cdot + β_{p} x_{np} + ϵ_{n} \end{matrix},

其中ε₁,ε₂,…,ε_n相互独立，且ε_i～N(0,σ²)，i＝1,2,…,n，这个模型称为多元线性回归的数学模型。令：

Y = (\begin{matrix} y_{1} \\ y_{2} \\ \cdot \\ \cdot \\ \cdot \\ y_{n} \end{matrix}),

X = (\begin{matrix} 1 & x_{11} & x_{12} & \cdot \cdot \cdot & x_{1 p} \\ 1 & x_{21} & x_{22} & \cdot \cdot \cdot & x_{2 p} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ 1 & x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{np} \end{matrix}),

β = (\begin{matrix} β_{0} \\ β_{1} \\ \cdot \\ \cdot \\ \cdot \\ β_{p} \end{matrix}),

ϵ = (\begin{matrix} ϵ_{1} \\ ϵ_{2} \\ \cdot \\ \cdot \\ \cdot \\ ϵ_{n} \end{matrix})

则上述数学模型可用矩阵形式表示为：

Y＝Xβ+ε

其中ε是n维随机向量，它的分量相互独立。

在大量的受测木质生物质各组分含量的实测数据中，随机选取35组生物质数据作为分析依据，以水分、灰分、挥发分、固定碳为自变量，以元素分析中碳元素含量(C)为因变量，进行多元线性归回分析。

设影响因变量Y（C）的自变量个数为4，并分别记为x₁,x₂,x₃,x₄，则有：

Y＝β₀+β₁x₁+β₂x₂+β₃x₃+β₄x₄+ε，ε～N(0,σ²)

其中β₀,β₁,β₂,β₃,β₄，σ²是与x₁,x₂,x₃,x₄无关的未知参数。

记35组样本分别是(x_i1,x_i2,x_i3,x_i4,y_i)(i＝1,2,…,35)，则有：

\{\begin{matrix} y_{1} = β_{0} + β_{1} x_{11} + β_{2} x_{12} + β_{3} x_{13} + β_{4} x_{14} + ϵ_{1} \\ y_{2} = β_{0} + β_{1} x_{21} + β_{2} x_{22} + β_{3} x_{23} + β_{4} x_{24} + ϵ_{2} \\ y_{3} = β_{0} + β_{1} x_{31} + β_{2} x_{32} + β_{3} x_{33} + β_{4} x_{34} + ϵ_{3} \\ \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \\ y_{35} = β_{0} + β_{1} x_{35,1} + β_{2} x_{35,2} + β_{3} x_{35,3} + β_{4} x_{35,4} + ϵ_{35} \end{matrix},

其中ε₁,ε₂,…,ε₃₅相互独立，且ε_i～N(0,σ²)，i=1,2…35，这个模型称为多元线性回归的数学模型。令：

Y = (\begin{matrix} y_{1} \\ y_{2} \\ \cdot \cdot \cdot \\ y_{35} \end{matrix}),

X = (\begin{matrix} 1 & x_{11} & x_{12} & x_{13} & x_{14} \\ 1 & x_{21} & x_{22} & x_{23} & x_{24} \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ 1 & x_{35,1} & x_{35,2} & x_{35,3} & x_{35,4} \end{matrix}),

β = (\begin{matrix} β_{0} \\ β_{1} \\ β_{2} \\ β_{3} \\ β_{4} \end{matrix}),

ϵ = (\begin{matrix} ϵ_{1} \\ ϵ_{2} \\ ϵ_{3} \\ \cdot \cdot \cdot \\ ϵ_{35} \end{matrix})

则上述数学模型可用矩阵形式表示为：

Y＝Xβ+ε

其中ε是4维随机向量，它的分量相互独立。

2、多元线性回归模型系数确定：

为求解多元线性回归方程系数，依据最小二乘法，形成如下方程组：

\{\begin{matrix} \frac{&PartialD; Q (\hat{β})}{{&PartialD; β}_{0}} = - 2 Σ_{i = 1}^{35} (y_{i} - {\hat{β}}_{0} - {\hat{β}}_{1} x_{i 1} - {\hat{β}}_{2} x_{i 2} - {\hat{β}}_{3} x_{i 3} - {\hat{β}}_{4} x_{i 4}) = 0 \\ \frac{&PartialD; Q (\hat{β})}{{&PartialD; β}_{1}} = - 2 Σ_{i = 1}^{35} (y_{i} - {\hat{β}}_{0} - {\hat{β}}_{1} x_{i 1} - {\hat{β}}_{2} x_{i 2} - {\hat{β}}_{3} x_{i 3} - {\hat{β}}_{4} x_{i 4}) = 0 \\ \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \cdot \\ \frac{&PartialD; Q (\hat{β})}{{&PartialD; β}_{4}} = - 2 Σ_{i = 1}^{35} (y_{i} - {\hat{β}}_{0} - {\hat{β}}_{1} x_{i 1} - {\hat{β}}_{2} x_{i 2} - {\hat{β}}_{3} x_{i 3} - {\hat{β}}_{4} x_{i 4}) = 0 \end{matrix}

解方程组得回归方程为：

3、多元线性回归模型显著性检验：

3.1线性回归方程的显著性检验：

对所得多元线性回归方程作显著性检验就是要看自变量x₁,x₂,x₃,x₄从整体上对随机变量y是否有明显的影响，即检验假设：

\{\begin{matrix} H_{0} : β_{1} = β_{2} = \cdot \cdot \cdot = β_{4} = 0 \\ H_{1} : β_{i} &NotEqual; 0,1 \leq i \leq 4 \end{matrix}

将线性拟合值

和实际值y带入离差平方和F检验公式并进行F检验，得结果如下：

由此可知，显著性P值小于0.05，因此拒绝原假设H₀，检验结果显著，碳元素含量受自变量含量（水分、灰分、挥发分、固定碳）整体影响较大。

3.2回归系数的显著性检验：

检验每个x_i对Y（碳元素含量）影响是否显著，则有检验假设：

H₀:β_i＝0,H₁:β_i≠0；

将线性拟合值

和实际值y带入离差平方和t检验公式并进行t检验，得结果如下：

由此可知，各自变量检验显著性P值小于0.05，因此拒绝原假设H₀，检验结果显著，碳元素含量受单个自变量含量（水分、灰分、挥发分、固定碳）影响也较大。

由此可知，所建立的多元线性回归方程具有实际意义，可以在合理变量范围内进行预测分析。

4、多元线性回归模型的预测误差分析

最后，通过已建立的回归方程，对另一组木材类木质生物质的碳元素分析指标进行预测，并引入绝对平均偏差（AAE）和相对平均偏差（ABE）的误差计算方法，对回归模型的预测结果进行误差分析。其中绝对平均偏差和相对平均偏差的公式表达式如下式所示：

AAE = \frac{1}{n} Σ_{i = 1}^{n} | \frac{{Value}_{p} - {Value}_{M}}{{Value}_{M}} | \times 100 %

ABE = \frac{1}{n} Σ_{i = 1}^{n} {\frac{{Value}_{p} - {Value}_{M}}{{Value}_{M}}} \times 100 %

其中，下角标P和M分别对应着验证数据利用回归模型的输出预测值和验证数据的实际检测值。n代表验证数据的样本数。AAE表示的为模型的绝对平均偏差，其值越小，则模型的预测效果越好。ABE代表着模型的相对平均偏差，其值越高代表模型预测总体趋势较之于实测值偏高。

在本例中，8组预测结果具体见图5，所得的ABE（平均相对误差）为1.27%，AAE（平均绝对误差）为3.96%，其绝对误差范围在0.029%-14.78%，由此可见，通过自变量多元线性回归方程进行预测，效果较好，在实际应用中可为确定出木质生物质中碳含量提供参考依据。

最后，再由大量的受测木质生物质各组分含量的实测数据中，随机选取出43组数据，用受测木质生物质的实测碳元素含量B与用本发明的方法计算出的碳元素含量A进行对比，其对比结果如下表1所示，并且由表1可以看出，用本发明的方法计算出的碳元素含量准确性很高。并且，本发明通过对木质生物质进行测定，以获得木质生物质的水分、灰分、挥发分含量，然后将这三个检测结果进行计算以得到对应的固定碳含量，最后将木质生物质的水分、灰分、挥发分含量和固定碳含量待入自变量多元线性回归分析方程中进行计算，便可以准确可靠的获得木质生物质中碳元素含量，因此，本发明的方法简单、快捷，所需时间少，无需昂贵设施，且检测成本低廉。

表1木质生物质燃料实测数据t

样品编号	水分/%	灰分/%	挥发分/%	固定碳/%	计算碳A/%	实测碳B/%
							1	8.68	2.2	73.0	15.80	45.83	46.35
2	9.84	0.8	75.0	14.20	45.94	46.74
							3	10.00	1.4	68.3	20.35	45.52	46.55
4	8.20	3.2	66.0	21.80	45.44	42.26
							5	10.25	0.6	71.6	17.80	45.78	48.15
6	20.10	3.5	57.0	20.10	41.96	42.22
							7	9.14	1.3	70.0	18.70	45.79	47.65
8	8.33	2.7	68.6	19.70	45.62	47.91
							9	6.95	1.3	73.5	15.20	46.40	46.83
10	11.30	1.6	71.0	16.40	45.24	45.34
							11	10.40	7.4	61.0	21.60	43.70	45.52
12	9.20	4.9	62.91	22.69	44.67	47.82
							13	6.90	6.7	61.2	22.10	44.65	45.28
14	9.10	8.0	69.0	13.43	44.15	45.14
							15	9.10	3.8	62.0	24.19	44.90	46.90
16	20.40	3.9	57.0	19.10	41.77	42.31
							17	9.35	0.4	69.0	20.60	45.93	45.88
18	8.60	1.4	69.2	20.40	45.90	47.93
							19	9.20	0.8	75.0	14.20	46.08	48.67
20	8.75	1.3	73.5	16.20	46.05	44.69
							21	9.13	1.8	67.0	21.20	45.56	48.22
22	14.00	6.8	56.0	23.20	42.70	42.19

续表1

样品编号	水分/%	灰分/%	挥发分/%	固定碳/%	计算碳A/%	实测碳B/%
							23	8.70	2.3	70.0	18.70	45.69	46.97
24	8.92	3.2	65.0	22.80	45.24	44.68
							25	9.80	8.0	61.0	20.76	43.68	43.25
26	11.18	1.5	76.0	12.28	45.50	46.19
							27	9.83	1.3	68.2	20.50	45.58	45.30
28	8.60	6.2	67.0	17.80	44.65	46.53
							29	11.00	1.9	69.0	19.10	45.20	44.77
30	7.10	5.4	65.6	22.10	45.22	47.35
							31	10.40	7.6	61.5	20.90	43.67	45.00
32	8.80	6.9	64.5	19.60	44.35	43.71
							33	9.90	8.4	64.0	17.60	43.68	44.36
34	8.28	4.0	65.0	22.00	45.19	45.81
							35	9.34	4.5	69.43	16.89	44.98	45.76
36	8.74	2.20	77.00	20.80	46.35	47.80
							37	8.20	1.10	76.00	22.90	46.70	47.92
38	8.55	0.50	75.60	23.90	46.76	45.72
							39	9.20	0.60	83.00	16.40	46.86	45.97
40	9.50	5.00	77.00	18.00	45.50	45.47
							41	9.80	4.30	77.00	18.70	45.61	46.29
42	8.70	1.30	78.00	9.00	46.10	45.36
							43	13.40	3.60	71.60	24.80	44.79	45.90

本发明不局限与上述具体实施方式，根据上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，例如，经试验，将上述（S1-1）中的干燥温度分别选定为103℃、104℃和105℃，均能得出与上述相同的结论，因此，它们均落在本发明的保护范围之中。

Claims

1.一种木质生物质碳元素含量的测定方法，其特征在于：所述的测定方法包括以下步骤：

（S1）测定受测木质生物质的水分含量；

（S2）测定受测木质生物质的灰分含量；

（S3）测定受测木质生物质的挥发分含量；

Y_C＝41.64-0.22X_M-0.20X_ASH+0.080X_VM+0.044X_FC，

\{\begin{matrix} 6.9 % < X_{M} < 20.4 % \\ 0.4 % < X_{ASH} < 8.4 % \\ 56 % < X_{VM} < 76 % \\ 12.28 % < X_{FC} < 24.19 % \end{matrix}

。

2.根据权利要求1所述的木质生物质碳元素含量的测定方法，其特征在于：所述步骤（S1）中，测定受测木质生物质的水分含量包括以下步骤：

（S1-2）将干燥后的受测木质生物质样品用天平称重；

3.根据权利要求1或2所述的木质生物质碳元素含量的测定方法，其特征在于：所述步骤（S2）中，测定受测木质生物质的灰分含量包括以下步骤：

（S2-2）将灼烧后的受测木质生物质样品用天平称重；

4.根据权利要求3所述的木质生物质碳元素含量的测定方法，其特征在于：所述步骤（S3）中，测定受测木质生物质的挥发分含量包括以下步骤：

（S3-2）将加热后的受测木质生物质样品用天平称重；

5.根据权利要求1或2所述的木质生物质碳元素含量的测定方法，其特征在于：所述步骤（S3）中，测定受测木质生物质的挥发分含量包括以下步骤：

（S3-2）将加热后的受测木质生物质样品用天平称重；