CN108982409A - 一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法 - Google Patents
一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法 Download PDFInfo
- Publication number
- CN108982409A CN108982409A CN201810894356.2A CN201810894356A CN108982409A CN 108982409 A CN108982409 A CN 108982409A CN 201810894356 A CN201810894356 A CN 201810894356A CN 108982409 A CN108982409 A CN 108982409A
- Authority
- CN
- China
- Prior art keywords
- sample
- kelp
- infrared
- content
- lignocellulosic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 151
- 241000512259 Ascophyllum nodosum Species 0.000 title claims abstract description 75
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 60
- 239000000470 constituent Substances 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 239000000126 substance Substances 0.000 claims abstract description 54
- 229920002678 cellulose Polymers 0.000 claims description 48
- 239000001913 cellulose Substances 0.000 claims description 48
- 229920005610 lignin Polymers 0.000 claims description 39
- 229920002488 Hemicellulose Polymers 0.000 claims description 38
- 238000001228 spectrum Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 29
- 238000004611 spectroscopical analysis Methods 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 14
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 239000004575 stone Substances 0.000 claims description 7
- 239000003643 water by type Substances 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000003647 oxidation Effects 0.000 claims description 4
- 238000007254 oxidation reaction Methods 0.000 claims description 4
- 238000004566 IR spectroscopy Methods 0.000 claims 1
- 239000002028 Biomass Substances 0.000 abstract description 34
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 241001474374 Blennius Species 0.000 abstract description 6
- 238000009614 chemical analysis method Methods 0.000 abstract 1
- 230000001681 protective effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 90
- 241001260874 Sargassum horneri Species 0.000 description 50
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 28
- 239000000243 solution Substances 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 17
- 238000004445 quantitative analysis Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 11
- 235000019441 ethanol Nutrition 0.000 description 10
- 238000010521 absorption reaction Methods 0.000 description 8
- 230000009102 absorption Effects 0.000 description 7
- 238000001035 drying Methods 0.000 description 7
- 239000000706 filtrate Substances 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 239000002253 acid Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 240000007594 Oryza sativa Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 239000002551 biofuel Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000001376 precipitating effect Effects 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 241000195493 Cryptophyta Species 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 239000002956 ash Substances 0.000 description 4
- 239000003225 biodiesel Substances 0.000 description 4
- 238000004587 chromatography analysis Methods 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 239000008367 deionised water Substances 0.000 description 4
- 229910021641 deionized water Inorganic materials 0.000 description 4
- 238000010790 dilution Methods 0.000 description 4
- 239000012895 dilution Substances 0.000 description 4
- 239000012153 distilled water Substances 0.000 description 4
- 230000007062 hydrolysis Effects 0.000 description 4
- 238000006460 hydrolysis reaction Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 238000005303 weighing Methods 0.000 description 4
- 239000002023 wood Substances 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 240000000111 Saccharum officinarum Species 0.000 description 3
- 235000007201 Saccharum officinarum Nutrition 0.000 description 3
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 238000000944 Soxhlet extraction Methods 0.000 description 3
- 229920002522 Wood fibre Polymers 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000000855 fermentation Methods 0.000 description 3
- 230000004151 fermentation Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 240000008564 Boehmeria nivea Species 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 241000878006 Miscanthus sinensis Species 0.000 description 2
- 229920001131 Pulp (paper) Polymers 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000012075 bio-oil Substances 0.000 description 2
- 238000001354 calcination Methods 0.000 description 2
- ZCCIPPOKBCJFDN-UHFFFAOYSA-N calcium nitrate Chemical compound [Ca+2].[O-][N+]([O-])=O.[O-][N+]([O-])=O ZCCIPPOKBCJFDN-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 239000002029 lignocellulosic biomass Substances 0.000 description 2
- 125000000325 methylidene group Chemical group [H]C([H])=* 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000011368 organic material Substances 0.000 description 2
- KJFMBFZCATUALV-UHFFFAOYSA-N phenolphthalein Chemical compound C1=CC(O)=CC=C1C1(C=2C=CC(O)=CC=2)C2=CC=CC=C2C(=O)O1 KJFMBFZCATUALV-UHFFFAOYSA-N 0.000 description 2
- 239000010908 plant waste Substances 0.000 description 2
- 238000000197 pyrolysis Methods 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000012498 ultrapure water Substances 0.000 description 2
- 241000609240 Ambelania acida Species 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 238000004477 FT-NIR spectroscopy Methods 0.000 description 1
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 240000000249 Morus alba Species 0.000 description 1
- 235000008708 Morus alba Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- 108091005804 Peptidases Proteins 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000004365 Protease Substances 0.000 description 1
- 102100037486 Reverse transcriptase/ribonuclease H Human genes 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 229930182558 Sterol Natural products 0.000 description 1
- 229960000583 acetic acid Drugs 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000010905 bagasse Substances 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012496 blank sample Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- IIEZZHAKHPDYBD-UHFFFAOYSA-N ethoxy-hydroxy-oxoazanium Chemical group CCO[N+](O)=O IIEZZHAKHPDYBD-UHFFFAOYSA-N 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000012362 glacial acetic acid Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000013537 high throughput screening Methods 0.000 description 1
- 239000010903 husk Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000012978 lignocellulosic material Substances 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- VUZPPFZMUPKLLV-UHFFFAOYSA-N methane;hydrate Chemical compound C.O VUZPPFZMUPKLLV-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004153 renaturation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- AKHNMLFCWUSKQB-UHFFFAOYSA-L sodium thiosulfate Chemical compound [Na+].[Na+].[O-]S([O-])(=O)=S AKHNMLFCWUSKQB-UHFFFAOYSA-L 0.000 description 1
- 235000019345 sodium thiosulphate Nutrition 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 150000003432 sterols Chemical class 0.000 description 1
- 235000003702 sterols Nutrition 0.000 description 1
- 239000010907 stover Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 150000003505 terpenes Chemical class 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,属于海藻生物质检测领域,包括以下步骤:(1)大型褐藻样本的收集与预处理;(2)大型褐藻样本近红外光谱数据的采集;(3)大型褐藻样本中木质纤维素三组分含量的湿化学分析法测定;(4)近红外快速检测模型的建立与验证;(5)近红外快速检测模型的应用。本发明可用于快速、准确测定大型褐藻中的木质纤维素三组分含量,满足了实际生产检测中高通量的要求,且与现有的木质纤维素化学分析方法相比,本方法具有操作简便、绿色环保等优点。
Description
技术领域
本发明涉及海藻生物质检测领域,特别地,涉及一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法。
背景技术
温室效应等环境恶化问题及能源危机使发展以可再生能源为主的现代能源体系成为国际社会的共识,参照文献1:郭楷模,陈伟,吴勘,何涛,汪其,李富岭.国际能源科技发展新动向及其对我国的启示[J].世界科技研究与发展,2018,40(03):227-238;文献2:Vamvuka,D.Bio‐oil,solid and gaseous biofuels from biomass pyrolysisprocesses—An overview[J].International Journal of Energy Research,2011,35(10):835-862.即范缪克·道.生物质热解过程生产生物油以及固体和气体生物燃料的概述[J].国际能源研究期刊,2011,35(10):835-862。而生物质能具有普遍性以及丰富性,是可大规模部署与利用的可再生能源之一。在现有的生物质能源转化技术或工艺中,其原料多采用玉米、甘蔗等食用作物,存在对粮食价格造成冲击的弊端,参照文献3:邱庆庆,任秀莲,吴泽,陈泳兴,魏琦峰.海藻生物质能源转化研究现状[J].生物技术进展,2015,5(03):153-157。而大型褐藻作为水生植物的典型代表,具有不占用淡水及土地资源、产量丰富等特点,是较为理想的生物质原料之一。
目前,利用大型海藻发酵制取沼气、乙醇等生物燃料的研究取得了较好的成果,为大型海藻生物质的利用提供了理论依据和实践基础,参照文献4:于敏,关春江,那杰.大型海藻发酵制取乙醇研究浅析[J].水产学杂志,2014,27(01):55-59;文献5:Martín,M.,Grossmann,I.E.Optimal engineered algae composition for the integratedsimultaneous production of bioethanol and biodiesel[J].Aiche Journal,2013,59(8):2872-2883.即马丁·米,格罗斯曼·伊格纳西奥.同步生产生物乙醇与生物柴油的最佳工程藻类组分研究[J].美国化学工程师学会期刊,2013,59(8):2872-2883;文献6:JohnR P,Anisha G S,Nampoothiri K M,et al.Micro and macroalgal biomass:a renewablesource for bioethanol[J].Bioresource Technology,2011,102(1):186.即约翰·罗然,妮莎,马达范等.微藻与大型海藻作为生物乙醇的可再生资源研究[J].生物资源技术,2011,102(1):186。相较于陆源生物质,大型海藻中含量较高的纤维素与半纤维素组分有利于生物燃料产量的提高,而含量较低的木质素组分则有利于水解及发酵工艺中降解过程的进行,参照文献7:Wei,N.,Quarterman,J.,Jin,Y.S.Marine macroalgae:an untappedresource for producing fuels and chemicals[J].Trends in Biotechnology,2013,31(2):70-77.即魏娜,乔希·季曼,金永苏.海洋巨藻:用于生产燃料和化学品的未开发资源[J].生物质技术趋势,2013,31(2):70-77;文献8:Martín,M.,Grossmann,I.E.Optimalengineered algae composition for the integrated simultaneous production ofbioethanol and biodiesel[J].Aiche Journal,2013,59(8):2872-2883.即马丁·米,格罗斯曼·伊格纳西奥.同步生产生物乙醇与生物柴油的最佳工程藻类组分研究[J].美国化学工程师学会期刊,2013,59(8):2872-2883;文献9:Gallagher,M.E.,Hockaday,W.C.,Masiello,C.A.,et al.Biochemical suitability of crop residues for cellulosicethanol:disincentives to nitrogen fertilization in corn agriculture[J].Environmental Science&Technology,2011,45(5):2013.即加拉格尔·摩根,霍卡迪·威廉,马西洛·卡罗琳等.作物残渣生产生物乙醇的生物适应性与农业氮肥施用抑制的研究[J].环境科学及技术,2011,45(5):2013;文献10:Huang,H.J.,Ramaswamy,S.,Aldajani,W.,et al.Effect of biomass species and plant size on cellulosic ethanol:acomparative process and economic analysis[J].Biomass&Bioenergy,2009,33(2):234-246.即黄华江,拉马斯瓦米,瓦利德等.生物质种类和植物大小对纤维素乙醇的影响:比较过程和经济分析[J].生物质和生物能源,2009,33(2):234-246;文献11:Krasznai,D.J.,Hartley,R.C.,Roy,H.M.,et al.Compositional analysis of lignocellulosicbiomass:conventional methodologies and future outlook[J].Critical Reviews inBiotechnology,2017,38(2):1.即丹尼尔·克拉兹奈,雷切尔·哈利特,汉娜·罗伊等.木质纤维素生物质的组成分析:常规方法和未来展望[J].生物质技术评论,2017,38(2):1。因此,木质纤维素三组分的含量对以大型褐藻为原料的生物燃料工艺的产量及品质具有显著影响,快速准确地测定大型褐藻中木质纤维素的含量十分必要。
现有的大型褐藻木质纤维素含量分析方法主要分为传统湿化学分析法以及现代仪器分析法,参照文献12:陈霜.低纤维素植物原料化学成分定量分析方法研究[D].东华大学,2017。其中,传统湿化学分析法主要包括苎麻化学成分定量分析方法(GB/T 5889-1986)、Van Soest法及其改进法(参照文献13:Jin,X.,Chen,X.,Shi,C.,etal.Determination of hemicellulose,cellulose and lignin content using visibleand near infrared spectroscopy in Miscanthus sinensis[J].BioresourceTechnology,2017,241:603.即金晓丽,陈晓玲,石春海等.可见光和近红外光谱法测定芒草中半纤维素、纤维素和木质素含量[J].生物资源技术,2017,241:603;文献14:文玉,王玉万.蔗渣木质纤维成分的系统分析法研究[J].华侨大学学报(自然科学版),1986(03):321-328.;文献15:姜伟.植物纤维原料化学定量方法研究及其近红外预测模型构建[D].东华大学,2013.)、造纸原料化学成分测定标准(GB/T 2677.10-1995及GB/T 2677.8-1994)、硝酸乙醇和Klason法(参照文献16:He,W.,Hu,H.Prediction of hot-water-solubleextractive,pentosan and cellulose content of various wood species using FT-NIR spectroscopy[J].Bioresource Technology,2013,140(3):299-305.即何文明,胡惠仁.傅里叶近红外光谱法预测各种木材的热水溶性提取物、戊聚糖和纤维素含量[J].生物资源技术,2013,140(3):299-305.;文献17:Liu,L.,Ye,X.P.,Womac,A.R.,etal.Variability of biomass chemical composition and rapid analysis using FT-NIR techniques[J].Carbohydrate Polymers,2010,81(4):820-829.即刘璐,菲利普·叶,阿尔文等.生物质化学成分的可变性及采用傅里叶近红外光谱技术进行快速分析[J].碳水化合物的聚合物,2010,81(4):820-829;文献18:Assis,C.,Ramos,R.S.,Silva,L.A.,etal.Prediction of Lignin Content in Different Parts of Sugarcane Using Near-Infrared Spectroscopy(NIR),Ordered Predictors Selection(OPS),and PartialLeast Squares(PLS)[J].Applied Spectroscopy,2017,71(7):3702817704147.即卡米拉·阿西斯,雷切尔·拉莫斯,利迪安娜·席尔瓦等.使用近红外光谱(NIR),有序预测因子选择(OPS)和偏最小二乘法(PLS)预测甘蔗不同部位的木质素含量[J].应用光谱学,2017,71(7):3702817704147)、氧化酶及DNS法(参照文献19:Ververis,C.,Georghiou,K.,Danielidis,D.,et al.Cellulose,Hemicelluloses,Lignin and Ash Content of SomeOrganic Materials and Their Suitability for Use as Paper Pulp Supplements[J].Bioresource Technology,2007,98(2):296-301.即富法瑞斯,基里亚科斯,丹妮雷斯等.纤维素,半纤维素,木质素和灰分含量对部分有机材料作为纸浆补充剂的适用性研究[J].生物资源技术,2007,98(2):296-301;文献20:Lindedam,J.,Bruun,S.,H.,etal.Evaluation of high throughput screening methods in picking up differencesbetween cultivars of lignocellulosic biomass for ethanol production[J].Biomass&Bioenergy,2014,66(7):261-267.即兰登·简,桑德·布鲁恩,亨宁·约根森等.高通量筛选用于乙醇生产的木质纤维素生物质栽培品种之间差异方法的评估[J].Biomass&Bioenergy,2014,66(7):261-267)以及基于植物生物化学分析方法进行改进的方法(参照文献21:熊素敏,左秀凤,朱永义.稻壳中纤维素、半纤维素和木质素的测定[J].粮食与饲料工业,2005(08):40-41.;文献22:王金主,王元秀,李峰,高艳华,徐军庆,袁建国.玉米秸秆中纤维素、半纤维素和木质素的测定[J].山东食品发酵,2010(03):44-47.;文献23:蒋媛媛.铜藻基生物乙醇制备及藻渣综合利用研究[D].浙江工业大学,2015.)等方法。其中,苎麻化学成分定量分析方法的组分检测范围较为全面,但主要适用于麻类纤维的检测,在对其它植物原料组分的实际检测案例中发现此法并不完全适用,特别是对木质纤维素三组分的检测,该方法通过所有成分总含量减去其它各成分含量的总和进行测定,误差较大;Van Soest法及其改进法在检测木质纤维素含量时,需使用中性洗涤剂进行处理,这会导致部分蛋白质与脂类无法去除完全,令测定结果存在误差,其改进法采用蛋白酶进行预处理,虽然提高了准确性但令实验操作更为复杂,效率低下;造纸原料化学成分测定标准对各组分的测定都是相互独立的,测定结果相对准确,但该方法仅能测定木质素与综纤维素含量,无法对半纤维素及纤维素含量进行测定;其它湿化学方法也同样存在检测步骤繁琐,耗时较长等缺点。现代仪器分析方法则主要包括气相色谱法(GC)(参照文献24:张红漫,郑荣平,陈敬文,黄和.NREL法测定木质纤维素原料组分的含量[J].分析试验室,2010,29(11):15-18)以及高效液相色谱法(HPLC,专利申请号:CN201310593952.4),色谱法检测结果更为精确,但检测步骤同样较为复杂且检测成本昂贵。
由于物质所含有的各类相同或不同基团在不同的化学环境中的近红外吸收波长(700-2526nm)及强度都有明显差别,因此近红外光谱包含了检测物质丰富的结构及组成信息,其中最常观测到的谱带是含氢基团(C-H、N-H、O-H)的吸收,因此近红外光谱非常适合用于含氢有机物质(如农产品、石化产品和药品等)物化参数的测量。但近红外光谱吸收峰大多是中红外光谱基频吸收的倍频与合频吸收峰,这令近红外光谱呈现出吸收强度弱、谱带宽且交叠严重以及特征性不强等缺点,参照文献25:褚小立.化学计量学方法与分子光谱分析技术[M].北京:化学工业出版社,2011:2-12.。而化学计量学是一门通过统计学或数学方法在体系的化学测量值与其状态之间建立联系的学科,由近红外光谱结合化学计量学所衍生出的近红外光谱分析法,是一种能够从信息强度弱且纷繁复杂的近红外光谱中提取所需关键信息,通过建立数学模型,实现对未知样品的定性或定量分析的方法,具有分析快速简便、分析对象无损、分析过程环保、分析结果准确、分析成本低廉、可实现现场在线分析等优点,参照文献26:姚婉清,彭梦侠,刘婷.近红外光谱结合化学计量学方法在化学分析中的应用[J].嘉应学院学报,2018,36(05):17-27.。
目前,近红外光谱分析法在木质纤维素检测方面的应用对象多为木材(专利申请号:CN201610936185.6)、竹材(专利申请号:CN200610099486.4)、油菜茎秆(专利申请号:CN201710438483.7)、玉米(专利申请号:CN201511023790.6)、烟叶(专利申请号:CN201510047433.7)等陆源生物质,而对于大型海藻(特别是大型褐藻)木质纤维素三组分含量的快速检测方法的研究较为鲜见。由于大型海藻等海洋生物质除木质纤维素组分外,其余主要活性物质(例如藻胶、甾醇类及萜类化合物等)与陆源生物质有较大不同,已有的陆源生物质近红外光谱分析法难以直接应用于大型海藻等海洋生物质木质纤维素含量的检测。
发明内容
有鉴于传统湿化学定量分析方法及现代色谱法在大型褐藻木质纤维素三组分含量测定中存在的缺点,本发明的目的在于提供一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,实现对大型褐藻木质纤维素三组分含量快捷无损、成本低廉且结果精确的检测。
本发明解决其技术问题所采用的技术方案是:
一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,包括以下步骤:
第一步,大型褐藻样本的收集与预处理
采集不同海域多个批次的大型褐藻样本,在用清水洗涤至除尽表面附着的泥沙和盐分后放置于阳光下初步干燥,随后在烘箱内进一步干燥,最后经粉碎机粉碎后用多层筛网筛分,取60目褐藻颗粒装入抽真空的密封透明袋中备用;
第二步,大型褐藻样本近红外光谱数据的采集
称取大型褐藻颗粒置于近红外光谱仪的旋转样品池,装满刮平,在漫反射模式下采集光谱数据,光谱仪扫描次数为64,分辨率为8cm-1,扫描波数范围为12000~4000cm-1,每个样品的近红外光谱数据重复采集多次,取多次光谱数据的平均值作为对应褐藻样本的原始近红外光谱;
第三步,大型褐藻样本中木质纤维素三组分含量的湿化学分析法测定
采用改进后的硫酸与重铬酸钾氧化法测定大型褐藻样本的纤维素含量,采用水解法测定大型褐藻样本的半纤维素含量,采用美国国家可再生能源实验室NREL方法测定大型褐藻样本的木质素含量;
第四步,近红外快速检测模型的建立与验证
首先,由第二步采集的近红外原始光谱数据与第三步测定的木质纤维素三组分含量数据构成总样本集,对总样本集进行异常样本的识别与剔除,剩余样本集采用Kennard-Stone方法划分为校正集、验证集与预测集。然后基于校正集与验证集,对近红外原始光谱数据进行光谱预处理与特征波长筛选,并采用偏最小二乘法(PLS)分别建立纤维素含量近红外快速检测模型、半纤维素含量近红外快速检测模型、木质素含量近红外快速检测模型,最后基于预测集,对所近红外快速检测模型进行验证,其中采用相关系数R、均方根误差Rmsec、相对分析误差RPD作为模型预测性能的评价指标;
第五步,近红外快速检测模型的应用
将待测的未知大型褐藻样本依据所述第一步进行样品预处理,继而依据所述第二步采集相应的近红外光谱数据,将近红外光谱数据输入所述第四步中已建立的近红外快速检测模型中,即可得到待测大型褐藻样本的木质纤维素三组分含量数据。
优选地,所述第四步中,所建纤维素含量近红外快速检测模型的优选参数如下:
(a)光谱预处理方法为Savitzky-Golay卷积一阶导数法(1st)+去趋势算法,其中,Savitzky-Golay卷积一阶导数法的参数为:窗口宽度为331cm-1,多项式拟合阶数为3;去趋势算法的参数为:多项式拟合阶数为1;
(b)特征波长筛选方法为间隔偏最小二乘法(IPLS)+遗传算法(GA),建模波段为4930~4560cm-1和5820~5640cm-1;
(c)偏最小二乘法(PLS)所选的主因子数为10。
或者是,所述第四步中,所建半纤维素含量近红外快速检测模型的优选参数如下:
(a)光谱预处理方法为Savitzky-Golay卷积一阶导数法(1st),其中,Savitzky-Golay卷积一阶导数法的参数为:窗口宽度为201cm-1,多项式拟合阶数为3;
(b)特征波长筛选方法为间隔偏最小二乘法(IPLS),建模波段为5643~5340cm-1;
(c)偏最小二乘法(PLS)所选的主因子数为15。
再或者是,所述第四步中,所建木质素含量近红外快速检测模型的优选参数如下:
(a)光谱预处理方法为Savitzky-Golay卷积平滑法,其中,Savitzky-Golay卷积平滑法的参数为:窗口宽度为231cm-1,多项式拟合阶数为3;
(b)特征波长筛选方法为相关系数法,建模波段为5377~4824cm-1以及7405~6194cm-1;
(c)偏最小二乘法(PLS)所选的主因子数为15。
本发明有益效果在于:所述的一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,在大型褐藻组分检测中引入了近红外分析技术,实现了对木质纤维素三组分的快速测定,与传统湿化学定量分析方法及现代色谱法相比,不仅具有检测快捷、结果准确、过程环保等优点,同时有利于提升现有生物质转化工艺中对大型褐藻生物质组分含量的质量控制水平,还可推广应用于其它海藻乃至海洋生物质的质量控制中。
附图说明
图1是铜藻颗粒近红外原始光谱扫描图;
图2是铜藻颗粒纤维素含量化学分析值分布图;
图3是铜藻颗粒纤维素含量化学分析值与近红外模型预测值的相关图;
图4是铜藻颗粒纤维素含量化学分析值与近红外模型预测值的比较图;
图5是铜藻颗粒半纤维素含量化学分析值分布图;
图6是铜藻颗粒半纤维素含量化学分析值与近红外模型预测值的相关图;
图7是铜藻颗粒半纤维素含量化学分析值与近红外模型预测值的比较图;
图8是铜藻颗粒木质素含量化学分析值分布图;
图9是铜藻颗粒木质素含量化学分析值与近红外模型预测值的相关图;
图10是铜藻颗粒木质素含量化学分析值与近红外模型预测值的比较图。
具体实施方式
以下将结合附图及实施例对本发明的实施方式进行进一步说明,且实施例中所选的大型褐藻为铜藻。
参照图1~图10,一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,包括以下步骤:
第一步,大型褐藻样本的收集与预处理
采集不同海域多个批次的大型褐藻样本,在用清水洗涤至除尽表面附着的泥沙和盐分后放置于阳光下初步干燥,随后在烘箱内进一步干燥,最后经粉碎机粉碎后用多层筛网筛分,取60目褐藻颗粒装入抽真空的密封透明袋中备用;
第二步,大型褐藻样本近红外光谱数据的采集
称取大型褐藻颗粒置于近红外光谱仪的旋转样品池,装满刮平,在漫反射模式下采集光谱数据,光谱仪扫描次数为64,分辨率为8cm-1,扫描波数范围为12000~4000cm-1,每个样品的近红外光谱数据重复采集多次,取多次光谱数据的平均值作为对应褐藻样本的原始近红外光谱;
第三步,大型褐藻样本中木质纤维素三组分含量的湿化学分析法测定
采用改进后的硫酸与重铬酸钾氧化法测定大型褐藻样本的纤维素含量,采用水解法测定大型褐藻样本的半纤维素含量,采用美国国家可再生能源实验室NREL方法测定大型褐藻样本的木质素含量;
第四步,近红外快速检测模型的建立与验证
首先,由第二步采集的近红外原始光谱数据与第三步测定的木质纤维素三组分含量数据构成总样本集,对总样本集进行异常样本的识别与剔除,剩余样本集采用Kennard-Stone方法划分为校正集、验证集与预测集。然后基于校正集与验证集,对近红外原始光谱数据进行光谱预处理与特征波长筛选,并采用偏最小二乘法(PLS)分别建立纤维素含量近红外快速检测模型、半纤维素含量近红外快速检测模型、木质素含量近红外快速检测模型,最后基于预测集,对所近红外快速检测模型进行验证,其中采用相关系数R、均方根误差Rmsec、相对分析误差RPD作为模型预测性能的评价指标;
第五步,近红外快速检测模型的应用
将待测的未知大型褐藻样本依据所述第一步进行样品预处理,继而依据所述第二步采集相应的近红外光谱数据,将近红外光谱数据输入所述第四步中已建立的近红外快速检测模型中,即可得到待测大型褐藻样本的木质纤维素三组分含量数据。
实施例1:铜藻纤维素含量快速检测方法,过程如下:
(1)大型褐藻样本的收集与预处理
采集不同海域多个批次的40组铜藻作为实施例样品,样品通过清水洗涤直至表面附着的泥沙及盐分都被除尽,随后放置于阳光下进行简单风干,继而在105℃下烘干,将洗净后的干燥铜藻样品用粉碎机将其粉碎并通过多层筛网,取60目样品装入抽空空气的密封透明袋中备用。
(2)大型褐藻样本近红外光谱数据的采集
称取大型褐藻颗粒4g置于近红外光谱仪的旋转样品池,装满刮平,由与NicoletiS10傅里叶变换近红外光谱仪(美国Thermo Fisher公司)同精度或更高精度的近红外光谱仪在漫反射模式下采集光谱,扫描次数为64,分辨率为8cm-1,扫描时环境温度保持恒定(5~25℃),湿度低于25%,样品应粒度均匀且充分干燥,仪器设定自动采集背景光谱,光谱仪扫描波数范围为12000~4000cm-1,每个样品的近红外光谱数据重复采集3次,取3次光谱数据的平均值作为对应褐藻样本的原始近红外光谱。40组铜藻颗粒近红外原始光谱扫描图见附图1。
(3)大型褐藻纤维素含量的湿化学分析法测定
湿化学分析法采用改进后的硫酸与重铬酸钾氧化法,方法详细步骤如下:称取0.2g(±0.0001g)铜藻颗粒置于100mL锥形瓶中,加入5mL冰醋酸和硝酸的混合液(体积比1:1),塞上玻璃塞置于已沸腾的水浴中加热25min,并不断搅拌;取出冷却至室温后过滤,弃去滤液,收集全部沉淀并用蒸馏水洗涤3次;将沉淀置于100mL锥形瓶中,向沉淀中加入10mL质量分数为10%的硫酸溶液和10mL 0.1mol/L的重铬酸钾溶液,摇匀后置于已沸腾的水浴中加热10min;加入10mL蒸馏水,溶液冷却至室温后,加入5mL质量分数为20%的KI溶液和1mL质量分数为0.5%的淀粉溶液,摇匀后用0.2mol/L的硫代硫酸钠滴定,并用10mL质量分数为10%的硫酸溶液混合10mL 0.1mol/L的重铬酸钾溶液作为空白样进行滴定。纤维素含量按下式计算:
式中:X代表纤维素含量,%;K代表硫代硫酸钠溶液的浓度,mol/L;a代表空白滴定所消耗的硫代硫酸钠溶液的体积,mL;b代表溶液所消耗的硫代硫酸钠溶液的体积,mL。
40组铜藻颗粒纤维素含量化学分析值分布见附图2。
(4)近红外快速检测模型的建立与验证
首先,由步骤(2)采集的近红外原始光谱数据与步骤(3)测定的木质纤维素三组分含量数据构成总样本集,对总样本集进行异常样本的识别与剔除,异常样本检验方法包括马氏距离法、浓度残差法以及主成分分析法。最终,40组铜藻样本经过异常样本识别后剔除3个样本,基于Kennard-Stone(K-S)方法选取24组样本作为校正集,9组样本作为验证集以及4组样本作为预测集。
将上述校正集与验证集光谱数据导入matlab 8.3软件进行近红外快速检测模型的建立。模型建立过程中,选择合适的光谱预处理方法能够有效的剔除原始近红外光谱中混杂的环境噪声、仪器噪声以及其它无关信息,对于提高模型稳定性及精确性具有重要意义。
采用Savitzky-Golay卷积平滑法、Savitzky-Golay卷积导数法、去趋势算法、多元散射校正法(MSC)、标准正态变量变换法(SNV)、归一化法以及正规化法中的一种或多种方法结合,对步骤(2)采集的近红外原始光谱进行光谱预处理,去除包括环境噪声、仪器噪声等在内的无关噪声,采用相关系数R及均方根误差Rmsec作为模型评价指标对上述光谱预处理方法进行比较,结果见表1。
表1不同光谱预处理方法对铜藻纤维素含量近红外快速检测模型的影响
表1
注:S-G为Savitzky-Golay的简写,RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
由表可知,光谱预处理方法应选择为Savitzky-Golay卷积一阶导数法+去趋势算法。
同时,为提高模型对特定组分信息分辨的能力,对单个或少量目标组分样本建模进行含量分析时,可以在不损耗必要信息的同时,适当的缩小光谱范围,剔除光谱不相关或非线性变量,以此富集具有代表性的光谱波段并减弱非相关信息对模型辨识的影响,提高模型的稳定性及预测精度。
采用间隔偏最小二乘法(IPLS)、竞争性自适应权重取样法(CARS)、相关系数法、连续投影法(SPA)、遗传算法(GA)中的一种或多种方法结合,对步骤(4)中经过光谱预处理的近红外光谱进行特征波长筛选,采用相关系数R及均方根误差Rmsec作为模型评价指标对上述特征波长筛选方法进行比较,结果见表2。
表2不同特征波长筛选方法对铜藻纤维素含量近红外快速检测模型的影响
表2
注:RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
由表可知,纤维素模型建模波段应选为4930~4560cm-1和5820~5640cm-1,这是由于该波段包含了纤维素组分中非键合羟基伸缩振动的组合频以及亚甲基的伸缩振动,因此能够有效地提高模型对纤维素组分的辨识性能。
在确定光谱预处理方法及建模波段后,以偏最小二乘建立近红外快速检测模型。其中,选取的主因子数太小,则会丢失近红外光谱中较多的有效信息,拟合不充分;选取的主因子数太多,则会导致测量噪声过多的包括进来,出现过拟合现象,模型预测误差会显著增大。
采用相关系数R及均方根误差Rmsec作为模型评价指标对多个主因子数选取情况进行比较,结果见表3。
表3不同主因子数对铜藻纤维素含量近红外快速检测模型的影响
表3
注:RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
综合考虑不同主因子数对模型预测相关系数值与均方根误差值的影响,,主因子数应优选为10。
纤维素含量近红外快速检测模型建立后,基于预测集,对所建定量分析模型进行验证。并采用相关系数R及均方根误差Rmsec及相对分析误差RPD作为评价指标对所建模型的预测性能进行验证,结果见表4。
表4纤维素含量近红外快速检测模型的验证结果
表4
所建纤维素含量近红外快速检测模型预测性能较优,适用性较好,铜藻纤维素含量的化学分析值与模型预测值的相关图见附图3,铜藻纤维素含量的化学分析值与模型预测值的比较图见附图4。
(5)纤维素含量近红外快速检测模型的应用
将待测的未知大型褐藻依据步骤(1)进行样品预处理,继而依据步骤(2)采集相应的近红外光谱,将光谱数据导入matlab 8.3软件,并基于已建立的纤维素近红外定量分析模型,即可快速测定待测未知大型褐藻中的纤维素组分的含量。
实施例2:铜藻半纤维素含量快速检测方法,过程如下:
(1)大型褐藻样本的收集与预处理
采集不同海域不同批次的40组铜藻作为实施例样品,样品通过清水洗涤直至表面附着的泥沙及盐分都被除尽,随后放置于阳光下进行简单风干,继而在105℃下烘干,将洗净后的干燥铜藻样品用粉碎机将其粉碎并通过多层筛网,取60目样品装入抽空空气的密封透明袋中备用。
(2)大型褐藻样本近红外光谱数据的采集
称取大型褐藻颗粒4g置于近红外光谱仪的旋转样品池,装满刮平,由与NicoletiS10傅里叶变换近红外光谱仪(美国Thermo Fisher公司)同精度或更高精度的近红外光谱仪在漫反射模式下采集光谱,扫描次数为64,分辨率为8cm-1,扫描时环境温度保持恒定(5~25℃),湿度低于25%,样品应粒度均匀且充分干燥,仪器设定自动采集背景光谱,光谱仪扫描波数范围为12000~4000cm-1,每个样品的近红外光谱数据重复采集3次,取3次光谱数据的平均值作为对应褐藻样本的原始近红外光谱。40组铜藻颗粒近红外原始光谱扫描图见附图1。
(3)大型褐藻半纤维素含量的湿化学分析法测定
湿化学分析法采用水解法,方法详细步骤如下:称取铜藻0.1g(±0.0001g)置于50mL烧杯中,加入10mL质量分数40%的硝酸钙溶液,置于水浴锅中加热煮沸10min;取出冷却至室温后过滤,弃去滤液,收集全部沉淀并用蒸馏水洗涤3次;将沉淀置于25mL试管中,向沉淀中加入10mL浓度为2mol/L的盐酸溶液,摇匀后置于已沸腾的水浴中搅拌加热45min;随后取出,冷却至室温后过滤,收集全部滤液置于100mL容量瓶,将沉淀冲洗3次,洗涤液同样倒入容量瓶中;向容量瓶中加入1滴酚酞指示剂,并用2mol/L的氢氧化钠溶液中和至粉红色,然后用蒸馏水稀释至刻度线;将溶液过滤至烧杯中,舍弃最初的几滴滤液;接着取8mL滤液于试管中,并加入2mL DNS试剂,记此时溶液中还原糖的浓度为C,单位为mg/mL,置于已沸腾的水浴中加热10min,冷却至室温后,在540nm波长下测定吸光度,记为A。其中吸光度A与还原糖浓度C之间的关系符合葡萄糖标准曲线,具体线性关系如下:
A=8.319C+0.0018
半纤维素含量按下式计算:
式中:X代表半纤维素含量,%;m为称取的铜藻颗粒质量,g。
40组铜藻颗粒半纤维素含量化学分析值分布见附图5。
(4)近红外快速检测模型的建立与验证
首先,由步骤(2)采集的近红外原始光谱数据与步骤(3)测定的木质纤维素三组分含量数据构成总样本集,对总样本集进行异常样本的识别与剔除,异常样本检验方法包括马氏距离法、浓度残差法以及主成分分析法。最终,40组铜藻样本中并无异常样存在,基于Kennard-Stone(K-S)方法选取24组样本作为校正集,10组样本作为验证集以及6组样本作为预测集。
将上述校正集与验证集光谱数据导入matlab 8.3软件进行近红外快速检测模型的建立。模型建立过程中,选择合适的光谱预处理方法能够有效的剔除原始近红外光谱中混杂的环境噪声、仪器噪声以及其它无关信息,对于提高模型稳定性及精确性具有重要意义。
采用Savitzky-Golay卷积平滑法、Savitzky-Golay卷积导数法、去趋势算法、多元散射校正法(MSC)、标准正态变量变换法(SNV)、归一化法以及正规化法中的一种或多种方法结合,对步骤(2)采集的近红外原始光谱进行光谱预处理,去除包括环境噪声、仪器噪声等在内的无关噪声,采用相关系数R及均方根误差Rmsec作为模型评价指标对上述光谱预处理方法进行比较,结果见表5。
表5不同光谱预处理方法对铜藻半纤维素含量近红外快速检测模型的影响
表5
注:S-G为Savitzky-Golay的简写,RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
由表可知,光谱预处理方法应选择为Savitzky-Golay卷积一阶导数法。
同时,为提高模型对特定组分信息分辨的能力对单个或少量目标组分样本建模进行含量分析时,可以在不损耗必要信息的同时,适当的缩小光谱范围,剔除光谱不相关或非线性变量,以此富集具有代表性的光谱波段并减弱非相关信息对模型辨识的影响,提高模型的稳定性及预测精度。
采用间隔偏最小二乘法(IPLS)、竞争性自适应权重取样法(CARS)、相关系数法、连续投影法(SPA)、遗传算法(GA)中的一种或多种方法结合,对步骤(4)中经过光谱预处理的近红外光谱进行特征波长筛选,采用相关系数R及均方根误差Rmsec作为模型评价指标对上述特征波长筛选方法进行比较,结果见表6。
表6不同特征波长筛选方法对铜藻半纤维素含量近红外快速检测模型的影响
表6
注:RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
由表可知,半纤维素模型建模波段应选为5643~5340cm-1,这是由于该波段包含了半纤维素组分中非键合羟基伸缩振动与C-O键伸缩振动的组合频以及亚甲基的伸缩振动,因此能够有效地提高模型对半纤维素组分的辨识性能。
在确定光谱预处理方法及建模波段后,以偏最小二乘建立近红外快速检测模型。其中,选取的主因子数太小,则会丢失近红外光谱中较多的有效信息,拟合不充分;选取的主因子数太多,则会导致测量噪声过多的包括进来,出现过拟合现象,模型预测误差会显著增大。
采用相关系数R及均方根误差Rmsec作为模型评价指标对多个主因子数选取情况进行比较,结果见表7。
表7不同主因子数对铜藻半纤维素含量近红外快速检测模型的影响
表7
注:RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
综合考虑不同主因子数对模型预测相关系数值与均方根误差值的影响,,主因子数应优选为15。
半纤维素含量近红外快速检测模型建立后,基于预测集,对所建定量分析模型进行验证,并采用相关系数R及均方根误差Rmsec及相对分析误差RPD作为评价指标对所建模型的预测性能进行验证,结果见表8。
表8半纤维素含量近红外快速检测模型的验证结果
表8
所建半纤维素含量近红外快速检测模型预测性能较优,适用性较好,铜藻半纤维素含量的化学分析值与模型预测值的相关图见附图6,铜藻半纤维素含量的化学分析值与模型预测值的比较图见附图7。
(5)半纤维素含量近红外快速检测模型的应用
将待测的未知大型褐藻依据步骤(1)进行样品预处理,继而依据步骤(2)采集相应的近红外光谱,将光谱数据导入matlab 8.3软件,并基于已建立的半纤维素近红外定量分析模型,即可快速测定待测未知大型褐藻中的半纤维素组分的含量。
实施例3:铜藻木质素含量快速检测方法,过程如下:
(1)大型褐藻样本的收集与预处理
采集不同海域不同批次的40组铜藻作为实施例样品,样品通过清水洗涤直至表面附着的泥沙及盐分都被除尽,随后放置于阳光下进行简单风干,继而在105℃下烘干,将洗净后的干燥铜藻样品用粉碎机将其粉碎并通过多层筛网,取60目样品装入抽空空气的密封透明袋中备用。
(2)大型褐藻样本近红外光谱数据的采集
称取大型褐藻颗粒4g置于近红外光谱仪的旋转样品池,装满刮平,由与NicoletiS10傅里叶变换近红外光谱仪(美国Thermo Fisher公司)同精度或更高精度的近红外光谱仪在漫反射模式下采集光谱,扫描次数为64,分辨率为8cm-1,扫描时环境温度保持恒定(5~25℃),湿度低于25%,样品应粒度均匀且充分干燥,仪器设定自动采集背景光谱,光谱仪扫描波数范围为12000~4000cm-1,每个样品的近红外光谱数据重复采集3次,取3次光谱数据的平均值作为对应褐藻样本的原始近红外光谱。40组铜藻颗粒近红外原始光谱扫描图见附图1。
(3)大型褐藻木质素含量的湿化学分析法测定
湿化学分析法采用美国国家可再生能源实验室(NREL)方法,方法详细步骤如下:称取0.3g(±0.001g)的铜藻颗粒加入水解瓶,标记,做平行样,以200mL高纯水对样品进行索氏提取,控制流速每小时进行6次回流,共进行6至24h,随后烘干,称量;再以190±5mL乙醇对样品进行索式提取,控制流速每小时进行6次回流,共进行16~24h,随后烘干,称量;加入3.00±0.01mL的72%硫酸,搅拌至原料充分混合,混匀后置于30±3℃的水浴中保温60±5min,每5~10min搅拌一次,取出加入84±0.04mL去离子水稀释到4%,盖紧旋钮,颠倒混匀;酸水解后使用G3玻璃器皿进行真空过滤,过滤时使用热的去离子水(可减少过滤时间)洗涤过滤至残渣为中性,收取滤液及滤渣进行后续实验。
滤渣在烘箱(105±3℃)中进行烘干,取出后放置于干燥器中干燥至绝干,称量记录(精确至0.1mg,记为G1);干燥后转移到马弗炉中,575±25℃灼烧24±6h测量灰分。马弗炉升温程序为:室温升温至105℃,在105℃保留12min,而后10℃/min升至250℃,保留30min,随后20℃/min升至575℃,最后保留180min,降温至100℃以下后,取出在干燥器中冷却至室温后称重记录(精确至0.1g,G2),每个样品取平行对照。
酸不溶木质素的含量按下式进行计算:
酸不溶木质素含量=(G1-G2)×(1-Extra)/[G(1-W)]×100%
其中:G1为过滤后残渣和玻璃滤器的绝干重量,g;G2为灼烧后的灰分和玻璃滤器的重量,g;G为样品质量,g;W为水分含量,%;Extra代表高纯水及乙醇索氏提取中抽提物的含量,%。
酸水解后真空过滤所得滤液,用4%的硫酸或去离子水做空白对照,使用紫外分光光度计测量,适宜波长(部分资料推荐:205nm)下测量吸光值,稀释相应倍数,使得其吸收值在0.7~1.0。稀释的时候使用4%稀硫酸或去离子水(稀释液与空白对照应一致),吸收值重复性要在±0.05,每个样品取平行对照。
酸溶木质素的含量按下式进行计算:
酸溶木质素的含量=D×A×V/(Pathlength×G)×100%
其中:D为稀释倍数((稀释前溶液体积+稀释液体积)/稀释前溶液体积);A为紫外吸收值;V为滤液的总体积,mL;Pathlength为分光光度计的光路长度,cm;G为样品的绝干重,g。
最终铜藻样本的木质素含量为酸不溶木质素含量与酸溶木质素的含量之和。
40组铜藻颗粒木质素含量化学分析值分布见附图8。
(4)近红外快速检测模型的建立与验证
首先,由步骤(2)采集的近红外原始光谱数据与步骤(3)测定的木质纤维素三组分含量数据构成总样本集,对总样本集进行异常样本的识别与剔除,异常样本检验方法包括马氏距离法、浓度残差法以及主成分分析法。最终,40组铜藻样本中并无异常样存在,基于Kennard-Stone(K-S)方法选取24组样本作为校正集,10组样本作为验证集以及6组样本作为预测集。
将上述校正集与验证集光谱数据导入matlab 8.3软件进行近红外快速检测模型的建立。模型建立过程中,选择合适的光谱预处理方法能够有效的剔除原始近红外光谱中混杂的环境噪声、仪器噪声以及其它无关信息,对于提高模型稳定性及精确性具有重要意义。
采用Savitzky-Golay卷积平滑法、Savitzky-Golay卷积导数法、去趋势算法、多元散射校正法(MSC)、标准正态变量变换法(SNV)、归一化法以及正规化法中的一种或多种方法结合,对步骤(2)采集的近红外原始光谱进行光谱预处理,去除包括环境噪声、仪器噪声等在内的无关噪声,采用相关系数R及均方根误差Rmsec作为模型评价指标对上述光谱预处理方法进行比较,结果见表9。
表9不同光谱预处理方法对铜藻木质素含量近红外快速检测模型的影响
表9
注:S-G为Savitzky-Golay的简写,RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
由表可知,光谱预处理方法应选择为Savitzky-Golay卷积平滑法。
同时,为提高模型对特定组分信息分辨的能力,对单个或少量目标组分样本建模进行含量分析时,可以在不损耗必要信息的同时,适当的缩小光谱范围,剔除光谱不相关或非线性变量,以此富集具有代表性的光谱波段并减弱非相关信息对模型辨识的影响,提高模型的稳定性及预测精度。
采用间隔偏最小二乘法(IPLS)、竞争性自适应权重取样法(CARS)、相关系数法、连续投影法(SPA)、遗传算法(GA)中的一种或多种方法结合,对步骤(4)中经过光谱预处理的近红外光谱进行特征波长筛选,采用相关系数R及均方根误差Rmsec作为模型评价指标对多个特征波长筛选方法进行比较,结果见表10。
表10不同特征波长筛选方法对铜藻木质素含量近红外快速检测模型的影响
表10
注:RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
由表可知,木质素模型建模波段应选为5377~4824cm-1以及7405~6194cm-1,这是由于该波段包含了木质素组分中非键合羟基伸缩振动的一级倍频、羟基聚合体伸缩振动的一级倍频以及非键合羟基伸缩振动与C-O键伸缩振动的组合频,能够有效地提高模型对木质素组分的辨识性能。
在确定光谱预处理方法及建模波段后,以偏最小二乘建立近红外快速检测模型。其中,选取的主因子数太小,则会丢失近红外光谱中较多的有效信息,拟合不充分;选取的主因子数太多,则会导致测量噪声过多的包括进来,出现过拟合现象,模型预测误差会显著增大。
采用相关系数R及均方根误差Rmsec作为模型评价指标对多个主因子数选取情况进行比较,结果见表11。
表11不同主因子数对铜藻木质素含量近红外快速检测模型的影响
表11
注:RCC、RCV分别代表模型对校正集、验证集的预测相关系数,RmsecCC、RmsecCV分别代表模型对校正集、验证集的预测均方根误差。
综合考虑不同主因子数对模型预测相关系数值与均方根误差值的影响,,主因子数应优选为15。
木质素含量近红外快速检测模型建立后,基于预测集,对所建定量分析模型进行验证。并采用相关系数R及均方根误差Rmsec及相对分析误差RPD作为评价指标对所建模型的预测性能进行验证,结果见表12。
表12木质素含量近红外快速检测模型的验证结果
表12
所建木质素含量近红外快速检测模型预测性能较优,适用性较好,铜藻木质素含量的化学分析值与模型预测值的相关图见附图9,铜藻纤维素含量的化学分析值与模型预测值的比较图见附图10。
(5)木质素含量近红外快速检测模型的应用
将待测的未知大型褐藻依据步骤(1)进行样品预处理,继而依据步骤(2)采集相应的近红外光谱,将光谱数据导入matlab 8.3软件,并基于已建立的木质素近红外定量分析模型,即可快速测定待测未知大型褐藻中的木质素组分的含量。
需要说明的是,以上优选实施例仅为本发明的实施方式更易于理解,而非用以限定本发明。尽管通过上述优选实施例已经对本发明进行了详细的描述,但任何本发明所属技术领域内的技术人员应当理解,可以在实施的形式上及细节上作一定限度的修改与变化,而不偏离本发明权利要求书所限定的范围。
本发明提出一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,综合使用实施例1、2、3中方法,即可实现对大型褐藻中木质纤维素三组分的含量的快速无损分析,与传统湿化学定量分析方法及现代色谱法相比,不仅具有检测快捷、结果准确、过程环保、成本低廉等优点,同时在以大型褐藻为原料的生物质转化工艺中,有利于提升大型褐藻生物质组分含量的质量控制水平,对其它海洋生物质的质量控制工艺的优化具有一定借鉴意义。
Claims (4)
1.一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,其特征在于,所述方法包括以下步骤:
第一步,大型褐藻样本的收集与预处理
采集不同海域多个批次的大型褐藻样本,在用清水洗涤至除尽表面附着的泥沙和盐分后放置于阳光下初步干燥,随后在烘箱内进一步干燥,最后经粉碎机粉碎后用多层筛网筛分,取60目褐藻颗粒装入抽真空的密封透明袋中备用;
第二步,大型褐藻样本近红外光谱数据的采集
称取大型褐藻颗粒置于近红外光谱仪的旋转样品池,装满刮平,在漫反射模式下采集光谱数据,光谱仪扫描次数为64,分辨率为8cm-1,扫描波数范围为12000~4000cm-1,每个样品的近红外光谱数据重复采集多次,取多次光谱数据的平均值作为对应褐藻样本的原始近红外光谱;
第三步,大型褐藻样本中木质纤维素三组分含量的湿化学分析法测定
采用改进后的硫酸与重铬酸钾氧化法测定大型褐藻样本的纤维素含量,采用水解法测定大型褐藻样本的半纤维素含量,采用美国国家可再生能源实验室NREL方法测定大型褐藻样本的木质素含量;
第四步,近红外快速检测模型的建立与验证
首先,由第二步采集的近红外原始光谱数据与第三步测定的木质纤维素三组分含量数据构成总样本集,对总样本集进行异常样本的识别与剔除,剩余样本集采用Kennard-Stone方法划分为校正集、验证集与预测集。然后基于校正集与验证集,对近红外原始光谱数据进行光谱预处理与特征波长筛选,并采用偏最小二乘法PLS分别建立纤维素含量近红外快速检测模型、半纤维素含量近红外快速检测模型、木质素含量近红外快速检测模型,最后基于预测集,对所近红外快速检测模型进行验证,其中采用相关系数R、均方根误差Rmsec、相对分析误差RPD作为模型预测性能的评价指标;
第五步,近红外快速检测模型的应用
将待测的未知大型褐藻样本依据所述第一步进行样品预处理,继而依据所述第二步采集相应的近红外光谱数据,将近红外光谱数据输入所述第四步中已建立的近红外快速检测模型中,即可得到待测大型褐藻样本的木质纤维素三组分含量数据。
2.根据权利要求1所述的一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,其特征在于,所述第四步中,所建纤维素含量近红外快速检测模型的优选参数如下:
(a)光谱预处理方法为Savitzky-Golay卷积一阶导数法(1st)+去趋势算法,其中,Savitzky-Golay卷积一阶导数法的参数为:窗口宽度为331cm-1,多项式拟合阶数为3;去趋势算法的参数为:多项式拟合阶数为1;
(b)特征波长筛选方法为间隔偏最小二乘法IPLS+遗传算法GA,建模波段为4930~4560cm-1和5820~5640cm-1;
(c)偏最小二乘法PLS所选的主因子数为10。
3.根据权利要求1所述的一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,其特征在于,所述第四步中,所建半纤维素含量近红外快速检测模型的优选参数如下:
(a)光谱预处理方法为Savitzky-Golay卷积一阶导数法(1st),其中,Savitzky-Golay卷积一阶导数法的参数为:窗口宽度为201cm-1,多项式拟合阶数为3;
(b)特征波长筛选方法为间隔偏最小二乘法IPLS,建模波段为5643~5340cm-1;
(c)偏最小二乘法PLS所选的主因子数为15。
4.根据权利要求1所述的一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法,其特征在于,所述第四步中所建木质素含量近红外快速检测模型的优选参数如下:
(a)光谱预处理方法为Savitzky-Golay卷积平滑法,其中,Savitzky-Golay卷积平滑法的参数为:窗口宽度为231cm-1,多项式拟合阶数为3;
(b)特征波长筛选方法为相关系数法,建模波段为5377~4824cm-1以及7405~6194cm-1;
(c)偏最小二乘法PLS所选的主因子数为15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810894356.2A CN108982409A (zh) | 2018-08-08 | 2018-08-08 | 一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810894356.2A CN108982409A (zh) | 2018-08-08 | 2018-08-08 | 一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108982409A true CN108982409A (zh) | 2018-12-11 |
Family
ID=64555194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810894356.2A Pending CN108982409A (zh) | 2018-08-08 | 2018-08-08 | 一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108982409A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021046854A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种基于大数据的厨余垃圾分级方法 |
WO2021046851A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种厨余垃圾鉴定分类方法 |
CN112798459A (zh) * | 2020-12-31 | 2021-05-14 | 宁波诺丁汉新材料研究院有限公司 | 一种全自动木质纤维素测定仪及测定方法 |
WO2021130185A1 (de) * | 2019-12-23 | 2021-07-01 | Robert Bosch Gmbh | Verfahren zur erkennung eines verrauschten spektrums durch anpassung des spektrums mittels eines polynoms dritter ordnung |
CN113077006A (zh) * | 2021-04-15 | 2021-07-06 | 天津大学 | 用于分析生物油品质的模型训练方法及分析方法 |
CN113094892A (zh) * | 2021-04-02 | 2021-07-09 | 辽宁石油化工大学 | 一种基于数据剔除与局部偏最小二乘的石油浓度预测方法 |
CN114627979A (zh) * | 2022-03-25 | 2022-06-14 | 中国农业大学 | 一种生物质物料特性概率分布信息的确定方法及确定系统 |
CN115345239A (zh) * | 2022-08-17 | 2022-11-15 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288569A (zh) * | 2010-06-21 | 2011-12-21 | 中国科学院上海生命科学研究院 | 一种纤维生物质的快速分析方法 |
CN104111234A (zh) * | 2014-07-29 | 2014-10-22 | 中国农业大学 | 基于近红外光谱技术的生物质基础特性在线检测方法及装置 |
CN104596975A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 |
CN104596979A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 |
CN106383094A (zh) * | 2016-10-25 | 2017-02-08 | 中国林业科学研究院热带林业研究所 | 一种快速测定尾细桉木材化学成分含量的方法 |
CN106932365A (zh) * | 2015-12-30 | 2017-07-07 | 中国石油天然气股份有限公司 | 一种用近红外仪检测玉米秸秆成分的方法 |
CN108181262A (zh) * | 2017-12-18 | 2018-06-19 | 浙江工业大学 | 一种利用近红外光谱技术快速测定铜藻纤维素含量的方法 |
-
2018
- 2018-08-08 CN CN201810894356.2A patent/CN108982409A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288569A (zh) * | 2010-06-21 | 2011-12-21 | 中国科学院上海生命科学研究院 | 一种纤维生物质的快速分析方法 |
CN104111234A (zh) * | 2014-07-29 | 2014-10-22 | 中国农业大学 | 基于近红外光谱技术的生物质基础特性在线检测方法及装置 |
CN104596975A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 |
CN104596979A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 |
CN106932365A (zh) * | 2015-12-30 | 2017-07-07 | 中国石油天然气股份有限公司 | 一种用近红外仪检测玉米秸秆成分的方法 |
CN106383094A (zh) * | 2016-10-25 | 2017-02-08 | 中国林业科学研究院热带林业研究所 | 一种快速测定尾细桉木材化学成分含量的方法 |
CN108181262A (zh) * | 2017-12-18 | 2018-06-19 | 浙江工业大学 | 一种利用近红外光谱技术快速测定铜藻纤维素含量的方法 |
Non-Patent Citations (4)
Title |
---|
熊素敏 等: "稻壳中纤维素、半纤维素和木质素的测定", 《粮食与饲料工业》 * |
蒋媛媛 等: "稀酸预处理铜藻制备生物乙醇工艺", 《环境科学研究》 * |
褚小立 等: "近红外分析中光谱预处理及波长选择方法进展与应用", 《化学进展》 * |
谢茹胜 等: "NREL法测定大米草原料组分的含量", 《井冈山大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021046854A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种基于大数据的厨余垃圾分级方法 |
WO2021046851A1 (zh) * | 2019-09-14 | 2021-03-18 | 南京大学(溧水)生态环境研究院 | 一种厨余垃圾鉴定分类方法 |
WO2021130185A1 (de) * | 2019-12-23 | 2021-07-01 | Robert Bosch Gmbh | Verfahren zur erkennung eines verrauschten spektrums durch anpassung des spektrums mittels eines polynoms dritter ordnung |
CN112798459A (zh) * | 2020-12-31 | 2021-05-14 | 宁波诺丁汉新材料研究院有限公司 | 一种全自动木质纤维素测定仪及测定方法 |
CN113094892A (zh) * | 2021-04-02 | 2021-07-09 | 辽宁石油化工大学 | 一种基于数据剔除与局部偏最小二乘的石油浓度预测方法 |
CN113077006A (zh) * | 2021-04-15 | 2021-07-06 | 天津大学 | 用于分析生物油品质的模型训练方法及分析方法 |
CN114627979A (zh) * | 2022-03-25 | 2022-06-14 | 中国农业大学 | 一种生物质物料特性概率分布信息的确定方法及确定系统 |
CN115345239A (zh) * | 2022-08-17 | 2022-11-15 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
CN115345239B (zh) * | 2022-08-17 | 2023-10-13 | 无锡迅杰光远科技有限公司 | 样品含量识别方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108982409A (zh) | 一种基于近红外光谱快速检测大型褐藻木质纤维素三组分含量的方法 | |
Xu et al. | Qualitative and quantitative analysis of lignocellulosic biomass using infrared techniques: a mini-review | |
Caliari et al. | Estimation of cellulose crystallinity of sugarcane biomass using near infrared spectroscopy and multivariate analysis methods | |
Zhou et al. | Prediction of mixed hardwood lignin and carbohydrate content using ATR-FTIR and FT-NIR | |
Huang et al. | A rapid and consistent near infrared spectroscopic assay for biomass enzymatic digestibility upon various physical and chemical pretreatments in Miscanthus | |
Zhang et al. | Determination of water content in corn stover silage using near-infrared spectroscopy | |
CN102507480B (zh) | 基于12个特征波长的无损快速检测茶叶含水率的方法 | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
CN108181262A (zh) | 一种利用近红外光谱技术快速测定铜藻纤维素含量的方法 | |
CN102788752A (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
CN101339186A (zh) | 一种在线检测固态生物质生物转化过程的方法 | |
Çetinkol et al. | Structural and chemical characterization of hardwood from tree species with applications as bioenergy feedstocks | |
KR100921914B1 (ko) | 곡물 성분함량 측정장치 및 그 측정방법 | |
Xu et al. | Analysis of lignocellulosic biomass using infrared methodology | |
Rambo et al. | Characterization of biomasses from the north and northeast regions of Brazil for processes in biorefineries | |
CN102928379A (zh) | 一种近红外光谱技术快速检测增健口服液多糖含量的方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
CN105158195A (zh) | 基于近红外光谱技术快速测定制浆材综纤维素含量的方法 | |
CN106932365A (zh) | 一种用近红外仪检测玉米秸秆成分的方法 | |
Rodríguez-Zúñiga et al. | Fast determination of the composition of pretreated sugarcane bagasse using near-infrared spectroscopy | |
CN103344597A (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
Fernández et al. | Determination of the lignocellulosic components of olive tree pruning biomass by near infrared spectroscopy | |
CN102288569A (zh) | 一种纤维生物质的快速分析方法 | |
Wang et al. | Rapid detection of cellulose and hemicellulose contents of corn stover based on near-infrared spectroscopy combined with chemometrics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |