CN104132923A - 一种重金属浓酸液体中浅铬黄浓度的检测方法 - Google Patents

Abstract

本发明公开了一种重金属浓酸液体中浅铬黄浓度的检测方法，该方法以不同浅铬黄浓度的重金属浓酸液体作为测试样本，获取各个测试样本在设定波数范围内以硅片为衬底时的拉曼光谱，并根据所有测试样本的拉曼光谱，分别采用连续投影算法和多元线性回归分析法确定定标波数，根据各个测试样本的浅铬黄浓度，以及各个定标波数处的峰强与520cm^-1处的峰强的比值构建浓度-强度比的第一线性回归模型作为定标模型，利用定标模型测量得到待测样本中浅铬黄的浓度。利用Raman测试进行分析，操作简单，不需要进行繁琐、耗时的样品制备过程，同时避免了其他来源的干扰进而保证了测试的浅铬黄的准确性，且以硅作为对比大大提高了测试的准确性。

Description

一种重金属浓酸液体中浅铬黄浓度的检测方法

技术领域

本发明涉及浅铬黄浓度检测技术领域，具体涉及一种重金属浓酸液体中浅铬黄浓度的检测方法。

背景技术

浅铬黄是铅铬黄的其中一种，是一种用作油性合成树脂涂料、印刷油墨、水彩和油彩的颜料，色纸、橡胶和塑料制品的无机着色颜料，由于其具有完善的颜料应用性能、相对低廉的价格和完整的色泽范围，因此得到了广泛的应用。其主要化学成分为铬酸铅，铬酸铅对人体的危害是巨大的，可引起贫血、肾损害、铅中毒、皮炎、湿疹、铬鼻病和皮肤溃疡等，国际癌症研究中心(IARC)已将“铬和某些铬化合物”列入对人类致癌的化学物质。而每生产1吨铅铬黄颜料大约排放出120-150吨废水，废水中一般含有超过国家排放标准5-10倍以上的铅、铬离子及其化合物的悬浮物。废水的治理主要是通过调节液体的pH值，使铅、铬离子反应生成沉淀，以达到去除的效果。

目前对液体中浅铬黄的检测主要是通过测定液体中铅、铬等重金属来评定的，主要的检测方法主要有：原子吸收光谱法、电感耦合等离子体法、原子荧光光谱法和溶出伏安法等。

原子吸收光谱法是基于蒸气相中被测元素的基态原子对其原子共振辐射的吸收强度来测定试样中被测元素含量的一种方法。该法的优点是选择性强、灵敏度高、分析范围广，但是在多元素检测时不能同时分析，难熔元素的检测灵敏度差，对于基体复杂的样品分析，尚存某些干扰问题需要解决。

电感耦合等离子体法主要包括电感耦合等离子体原子发射光谱(ICP-AES)法和电感耦合等离子体质谱(ICP-MS)法。ICP-AES是高频感应电流产生的高温将反应气加热、电离，利用元素发出的特征谱线进行测定，它的灵敏度高，干扰小，线性宽，可同时或顺序测定多种金属元素；电感藕合等离子体质谱(ICP-MS)分析技术是将电感藕合等离子体与质谱联用，利用电感藕合等离子体使样品汽化，将待测金属分离出来，从而进人质谱进行测定，通过离子荷质比进行无机元素的定性分析、半定量分析、定量分析，同时进行多种元素及同位素的测定，具有比原子吸收法更低的检测限，是痕量元素分析领域中最先进的方法，但价格昂贵，易受污染。

原子荧光光谱法(AFS)的原理是原子蒸气吸收一定波长的光辐射而被激发，受激原子随后通过激发过程发射出一定波长的光辐射，在一定的实验条件下，其辐射强度与原子浓度成正比。原子荧光光谱法具有灵敏度高，选择性强，试样量少和方法简单等特点；但其不足之处是应用范围还不够广泛。

溶出伏安法又称反向溶出极谱法，这种方法是使被测的物质，在待测离子极谱分析产生极限电流的电位下电解一定的时间，然后改变电极的电位，使富集在该电极上的物质重新溶出，根据溶出过程中所得到的伏安曲线来进行定量分析。该方法的灵敏度很高，故在超纯物质分析中具有实用价值，但是影响溶出电流的因素有很多，如富集时间、搅拌速度和电位扫描速率等。

以上方法都是通过鉴定溶液中重金属铅和铬的存在，进而推断出液体中残留的浅铬黄含量，但是在液体处理过程中，无法排除铅、铬的其他来源。所以，单靠重金属铅和铬的检测无法确定液体中铅、铬一定来源于浅铬黄。并且用以上方法检测时需要用到大量的试剂进行前处理，过程繁琐，无法做到快速检测。此外，目前对浅铬黄废水处理过程中，每一流程里残余浅铬黄的监测还鲜见报道。

发明内容

针对现有技术的不足，本发明提供了一种重金属浓酸液体中浅铬黄浓度的检测方法。

一种重金属浓酸液体中浅铬黄浓度的检测方法，包括：

(1)以不同浅铬黄浓度的重金属浓酸液体作为测试样本，获取各个测试样本在设定波数范围内以硅片为衬底时的拉曼光谱；

(2)根据所有测试样本的拉曼光谱，分别采用连续投影算法提取若干组特征峰，每组特征峰的数量不同，采用连续投影算法时以520cm^-1处的列向量作为初始投影向量；

(3)利用多元线性回归分析法确定各组特征峰的验证均方根误差，选择验证均方根误差最小的一组特征峰作为特征指纹峰，并以特征指纹峰作为定标波数，根据各个测试样本的浅铬黄浓度，以及相应拉曼光谱中各个定标波数处的峰强与520cm^-1处的峰强的比值构建浓度-强度比的第一线性回归模型作为定标模型；

所述的线性回归模型为：

Y＝60.232-0.02043λ₁+0.02239λ₂-0.160λ₃+0.286λ₄-0.512λ₅-0.295λ₆+0.01646λ₇-0.01229λ₈+0.140λ₉+1.061λ₁₀-0.298λ₁₁，

其中，λ₁、λ₂、λ₃、λ₄、λ₅、λ₆、λ₇、λ₈、λ₉、λ₁₀和λ₁₁分别为1028 cm^-1、976 cm^-1、941 cm^-1、910 cm^-1、760 cm^-1、572 cm^-1、532 cm^-1、529cm^-1、387cm^-1、366cm^-1和164cm^-1处的峰强与520cm^-1处的峰强的比值；

(4)获取待测样本在设定波数范围内以硅片为衬底时的拉曼光谱，计算该拉曼光谱中各个定标波数处的峰强和520cm^-1处的峰强的比值，并代入定标模型计算得到待测样本中浅铬黄的浓度。

拉曼光谱是基于拉曼效应建立起来的分子结构表征技术，起源于晶体或分子振动(和点阵振动)与转动，拉曼谱线的位置、强度和线宽可提供分子振动、转动方面的信息，可以据此实现分子中某些化学键和官能团的“指纹鉴别”。拉曼光谱作为分子水平的测试手段，易于实现复杂混合物体系的成分鉴定分析。与其他依靠检测属铅和铬元素的方法比较，利用拉曼检测能够保证测试的铅和铬元素来源于浅铬黄，进而保证了测试的浅铬黄的准确性，避免了其他来源的干扰。

本发明的重金属浓酸液体多指的是重金属的H₂SO₄溶液。

本发明中的硅片多采用单晶硅片，且与测试样本接触面为抛光面，有利于增强520cm^-1处的拉曼振动。

本发明中在连续投影算法时，将硅的特征峰(520cm^-1处的峰)的列向量作为初始投影向量，确保了在处理大数据样本时，结果的唯一性，同时也大大加快了数据的处理速度。另一方面，在建模过程中，挑选了不影响溶液结构性质的衬底硅片，以其特征峰做为参照，将测试样本的各个特征指纹峰的强度与520cm^-1处的峰强的比值构建定标模型，可以实现拉曼光谱的半定量检测，大大提高了测试的准确性；

多元线性回归分析是用来研究一个因变量与一组自变量之间的依存关系的，步骤(3)中根据线性回归分析的结果，选择均方根误差最小的一组特征峰作为特征指纹峰计算待测样本中浅铬黄的浓度，能够提高测量结果的准确度。

所述步骤(1)包括如下步骤：

(1-1)将硅片置入容器底部后，向容器中注入测试样本；

(1-2)将注有测试样本的容器放置在显微拉曼光谱仪的载物台上测试该测试样本的拉曼光谱。

获取以硅片为衬底的Raman光谱(拉曼光谱)时，可以直接将样本均匀涂抹在硅片上，然后将均匀涂抹的硅片放置在显微拉曼光谱仪的载物台上测试样本的拉曼光谱。但是由于液体具有流动性，且所需要的测试样本量是微量的，液体表面存在着张力，直接涂抹无法确保样品表面的平整，易对实验造成影响。其次，采用涂抹时，很难保每次涂抹的测试样本的量刚好相等，从而存在测试误差。本发明中利用容器盛放测试样本，便于对测试样本进行定量，也能够使表面平整，有利于减小因测试条件引起的测试误差。

本发明中为保证量相同，每次均将容器注满，然后利用刮板沿容器顶面去除将多余的液体。

通常采用圆柱形容器，相应的，所述硅片为圆形，且硅片直径比容器的内径小1～2mm。

进行Raman测试时，为保证能够采集到硅衬底的Raman振动，尽量使硅片能够覆盖整个容器底部，且在测试时尽量不要扫描靠近容器边缘的点。若技术条件允许时，可直接将Si片焊接于容器内的底部，或采用硅材料的容器。

本发明中Raman测试的测试条件如下：测试激光波长为532nm，测试激光功率为25mv，曝光时间为1s，曝光次数为1次，采集孔径为20μm，物镜为20倍，扫描点数为30。

作为优选，测试样本的数量为50～150。

单独通过某一个测试样本的Raman光谱很难准确的确定浅铬黄的特征指纹峰，本发明中通过对大样本进行统计学分析，能够准确的找出浅铬黄振动相关的特征指纹峰。通常样本数越多，特征指纹峰判定越准确，但是这样会导致计算量大，效率低。因此测试样本的数量需要根据实际情况考虑，不可太高，也不能太低。另外，为便于实现所有测试样本可分为若干组(通常为5～7组)，每一组的浅铬黄浓度相同，不同组之间的浅铬黄浓度进行梯度设置。

作为优选，设定波数范围为112.3～2717.2 cm^-1。

重金属浓酸液体中与浅铬黄相关的振动峰分布在该波数范围内，因此通过设定该112.3～2717.2 cm^-1的波数范围扫描。

所述步骤(2)各组特征峰中特征峰的个数为5～15。

提取得到的特征峰的组数根据实际情况设定，不同组中特征峰的个数互不相同，兼顾到模型的建模效率以及模型的准确性，将特征峰的个数设定为5～15，每组包含的特征峰个数均不同。

所述步骤(3)中构建定标模型后还包括更新定标波数和定标模型，更新后的定标模型为：

Y＝84.326+0.345λ₄-0.516λ₅-0.364λ₆+0.01869λ₇-0.01155λ₈+0.766λ₁₀-0.231λ₁₁。

更新方法如下：

对所述的第一线性回归模型进行方差分析筛选定标波数，并将筛选后的定标波数作为最终的定标波数，根据所有测试样本的浅铬黄浓度，以及筛选后的各个定标波数处的峰强和520cm^-1处的峰强的比值构建浓度-强度比的第二线性回归模型作为定标模型。

通过对第一线性回归模型进行方差分析对特征指纹峰进行筛选，确定得到最终的定标波数，进一步提高定标模型的准确性，进而减小最终测试的浓度值与实际浓度值之间的偏差。

本发明中未作特殊说明，Y均表示测试样本中浅铬黄的含量，其单位为mg/ml。

与现有技术相比，本发明具有如下优点：

(1)利用Raman测试进行分析，利用拉曼检测能够保证测试的铅和铬元素来源于浅铬黄，进而保证了测试的浅铬黄的准确性，避免了其他来源的干扰；

(2)利用硅片作为衬底，一方面，由于本实验的检测对象是液体，用硅片作为衬底，可以方便实验中的聚焦；另一方面，硅片的信号峰单一，主要在520cm^-1处，对测试样本的信号干扰少；同时，以测试样本的各个特征指纹峰的强度与520cm^-1处的峰强的比值构建定标模型，可以实现拉曼光谱的半定量检测，大大提高了测试的准确性；

(3)操作简单，避免了传统浅铬黄含量测量的提取、消解等繁琐、耗时的样品制备过程，为快速有效地实时监测浅铬黄废水处理过程中残余浅铬黄的浓度提供有效手段，具有良好的应用前景。

具体实施方式

下面将结合具体实施例和对比例对本发明进行详细描述。

分别称取1g、0.8g、0.6g、0.4g、0.2g浅铬黄于50ml烧杯中，用移液管移入10mlH₂SO₄浓溶液，用玻璃棒充分搅拌混匀，静置过夜后，配制成5个浓度梯度的液体样本。每个浓度水平取15个样本，5个浓度梯度的合计得到75个测试样本。

实施例1

一种重金属浓酸液体中浅铬黄浓度的检测方法，包括：

(1)以不同浅铬黄浓度的重金属浓酸液体作为测试样本，获取各个测试样本在2717.2cm^-1～112.3cm^-1波数范围内以硅片为衬底时的拉曼光谱。

本实施例中采用96孔平底培养皿(孔径：6.4mm，底面积：0.32cm²，容积为0.36ml)作为容器，一个孔即作为一个容器。将每孔的底部首先放置一块直径为5mm，厚度为0.5mm的圆形硅片，用移液管移取0.4ml上层液体于培养皿孔中，用刮板沿着培养皿边缘将多余的液体去除，然后将培养皿放置在玻璃片上，待用。

将盛有测试样本的容器放置在显微拉曼光谱仪的载物台上测试各个测试样本的拉曼光谱。每个样本的测试条件相同，均如下：

测试激光波长为532nm，测试激光功率为25mv，曝光时间为1s，曝光次数为1次，采集孔径为20μm，物镜为20倍，扫描点数为30。

(2)根据所有测试样本的拉曼光谱，分别采用连续投影算法提取若干组特征峰，每组特征峰的数量不同，采用连续投影算法时以520cm^-1处的列向量作为初始投影向量；

根据测试样本的个数M(本实施例中M＝75)和波数的个数K组成大小为M×K的光谱矩阵X，光谱矩阵X中的元素x_ij为第i个测试样本在第j个波数处的拉曼峰的强度值，j＝1个波数对应的波数最大，依次向后减小。

连续投影算法(SPA算法)是一种前向循环选择方法，它从光谱矩阵X中任意一个波长对应的一列组作为投影向量开始，每次循环，计算该投影向量在未选入的波长对应的向量上的投影，再将投影向量的模最大的波长引入到波长组合，直到循环N次。每一次新选入的波长，都与前一个线性关系最小。

本实施例中一共需要提取11组特征峰，各组特征峰包含的特征峰的个数分别为5、6、……15。对于每一组特征峰均采用SPA方法进行提取，记每组特征峰的个数为N，则SPA方法包括如下步骤：

(2-1)初始化：n＝1(第一次迭代)，在光谱矩阵X中520cm^-1对应的元素组成一个列向量作为投影向量，即初始投影向量，记为X_k(0)(即j＝k(0)，且第k(0)波数为520cm^-1)；

(2-2)集合S定义为：S＝{j,1≤j≤K，即还没有被选择进波长链的列向量，其中，k(n-1)表示第n次迭代选出来的最大投影所在的列向量，根据公式：

Px_j＝x_j-(x_j ^Tx_k(n-1))x_k(n-1)(x^T _k(n-1)x_k(n-1))^-1，

分别计算X_j在S集合中各个波数对应的列向量上的投影，并根据公式：

k(n)＝arg(max||Px_j||，j∈S)

确定投影最大的j的取值，并记为k(n)，其中||Px_j||为投影向量在X_j上的投影的模；

(2-3)如果n<N，则令n＝n+1，并返回步骤(2-1)，并以X_k(n)作为初始投影向量，否则停止，并以每次最大投影对应的波数作为特征峰所在的位置，进而得到除520cm^-1外，另外包含N个特征峰的一组特征峰。

(3)分别对每一组N个特征峰建立线性回归模型，使用多元线性回归分析法来判断所建模型的优劣，选出最小的RMSEP的一组特征峰作为特征指纹峰。以选择的特征指纹峰作为定标波数，根据各个测试样本的浅铬黄浓度，以及相应拉曼光谱中各个定标波数处的峰强与520cm^-1处的峰强的比值构建浓度-强度比的第一线性回归模型作为定标模型；

本实施例中得到的第一线性回归模型为：

Y＝60.232-0.02043λ₁+0.02239λ₂-0.160λ₃+0.286λ₄-0.512λ₅

-0.295λ₆+0.01646λ₇-0.01229λ₈+0.140λ₉+1.061λ₁₀

-0.298λ₁₁

其中，λ₁、λ₂、λ₃、λ₄、λ₅、λ₆、λ₇、λ₈、λ₉、λ₁₀和λ₁₁分别为1028 cm^-1、976 cm^-1、941 cm^-1、910 cm^-1、760 cm^-1、572 cm^-1、532 cm^-1、529cm^-1、387cm^-1、366cm^-1和164cm^-1处的峰强与520cm^-1处的峰强的比值；

(4)获取待测样本在设定波数范围内以硅片为衬底时的拉曼光谱，计算该拉曼光谱中各个定标波数处的峰强和520cm^-1处的峰强的比值，并代入定标模型计算得到待测样本中浅铬黄的浓度。

利用定标模型对这25个待测样本的浅铬黄浓度的预测结果如表1所示，模型的相关系数为0.979544，均方根误差为5.917443。说明该模型能够实现浓H₂SO₄溶液中浅铬黄浓度的有效检测。

表1

实施例2

与实施例1相同，所不同的是步骤(3)中构建定标模型后还包括更新定标波数和定标模型，更新方法如下：

对第一线性回归模型进行方差分析筛选定标波数，并将筛选后的定标波数作为最终的定标波数，并根据所有测试样本的浅铬黄浓度，以及拉曼光谱中筛选后的各个定标波数处的峰强和520cm^-1处的峰强的比值构建浓度-强度比的第二线性回归模型作为更新后的定标模型。

对定标模型进行方差分析，结果如表2所示

表2

表2显示波数变量λ₁₀₂₈、λ₃₈₇(样本在波数1028cm^-1、387cm^-1处的拉曼光谱强度)的显著水平P>0.05，表明波数变量λ₁₀₂₈、λ₃₈₇与因变量Y(浓酸液体中浅铬黄的浓度)无显著相关性，故波数1028cm^-1、387cm^-1不适合用来建立浓酸液体中浅铬黄浓度的测量模型。由于在976cm^-1、941cm^-1处的拉曼光谱曲线没有显著的特征峰，故也加以剔除。最后剩下910 cm^-1、760 cm^-1、572 cm^-1、532 cm^-1、529cm^-1、366 cm^-1、164cm^-1七个波数作为最终定标波数，并根据这七个定标波数重新建立线性回归模型作为更新后的定标模型。

本实施例中，更新后的定标模型为：

Y＝4.326+0.345λ₄-0.516λ₅-0.364λ₆+0.01869λ₇-0.01155λ₈+0.766λ₁₀-0.231λ₁₁。

利用更新后的定标模型对这25个待测样本的浅铬黄浓度的预测结果如表3所示，模型的相关系数为0.974560，均方根误差为6.549535。说明该模型能够实现H₂SO₄溶液中浅铬黄浓度的有效检测。

表3

对比例

选取邻近七个波长分别为460nm，655nm，813nm，816nm，855nm，1037m，,1182m，基于这七个波长建立用于测量重金属浓酸液体中浅铬黄浓度的定标模型：

Y＝250.219772-0.287λ₁₁₈₂/λ₅₂₀-0.05914λ₁₀₃₇/λ₅₂₀+1.566λ₈₅₅/λ₅₂₀-0.233λ₈₁₆/λ₅₂₀-1.253λ₈₁₃/λ₅₂₀+0.139λ₆₅₅/λ₅₂₀-0.209λ₄₆₀/λ₅₂₀。

利用该定标模型计算得到的样本重金属浓酸液体中浅铬黄浓度的检测值与真实值如表4所示，该定标模型的预测相关系数为0.891862，效果明显差于本发明所提方法的预测相关系数0.974560。

表4

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，包括：

(1)以不同浅铬黄浓度的重金属浓酸液体作为测试样本，获取各个测试样本在设定波数范围内以硅片为衬底时的拉曼光谱；

(2)根据所有测试样本的拉曼光谱，分别采用连续投影算法提取若干组特征峰，每组特征峰的数量不同，采用连续投影算法时以520cm^-1处的列向量作为初始投影向量；

(3)利用多元线性回归分析法确定各组特征峰的验证均方根误差，选择验证均方根误差最小的一组特征峰作为特征指纹峰，并以特征指纹峰作为定标波数，根据各个测试样本的浅铬黄浓度，以及相应拉曼光谱中各个定标波数处的峰强与520cm^-1处的峰强的比值构建浓度-强度比的第一线性回归模型作为定标模型；

所述的线性回归模型为：

Y＝60.232-0.02043λ₁+0.02239λ₂-0.160λ₃+0.286λ₄-0.512λ₅-0.295λ₆+0.01646λ₇-0.01229λ₈+0.140λ₉+1.061λ₁₀-0.298λ₁₁，

其中，λ₁、λ₂、λ₃、λ₄、λ₅、λ₆、λ₇、λ₈、λ₉、λ₁₀和λ₁₁分别为1028 cm^-1、976 cm^-1、941 cm^-1、910 cm^-1、760 cm^-1、572 cm^-1、532 cm^-1、529cm^-1、387cm^-1、366cm^-1和164cm^-1处的峰强与520cm^-1处的峰强的比值；

(4)获取待测样本在设定波数范围内以硅片为衬底时的拉曼光谱，计算该拉曼光谱中各个定标波数处的峰强和520cm^-1处的峰强的比值，并代入定标模型计算得到待测样本中浅铬黄的浓度。

2.如权利要求1所述的重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，所述步骤(1)包括如下步骤：

(1-1)将硅片置入容器底部后，向容器中注入测试样本；

(1-2)将注有测试样本的容器放置在显微拉曼光谱仪的载物台上测试该测试样本的拉曼光谱。

3.如权利要求2所述的重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，所述硅片为圆形，且硅片直径比容器的内径小1～2mm。

4.如权利要求1所述的重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，测试样本的数量为50～150。

5.如权利要求1所述的重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，设定波数范围为112.3～2717.2 cm^-1。

6.如权利要求1所述的重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，所述步骤(2)各组特征峰中特征峰的个数为5～15。

7.如权利要求1～6中任意一项权利要求所述的重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，所述步骤(3)中构建定标模型后还包括更新定标波数和定标模型，更新后的定标模型为：

Y＝4.326+0.345λ₄-0.516λ₅-0.364λ₆+0.01869λ₇-0.01155λ₈+0.766λ₁₀-0.231λ₁₁。

8.如权利要求7所述的重金属浓酸液体中浅铬黄浓度的检测方法，其特征在于，更新方法如下：

对所述的第一线性回归模型进行方差分析筛选定标波数，并将筛选后的定标波数作为最终的定标波数，根据所有测试样本的浅铬黄浓度，以及筛选后的各个定标波数处的峰强和520cm^-1处的峰强的比值构建浓度-强度比的第二线性回归模型作为定标模型。