CN111044501B - 基于拉曼光谱的酚类有机污染物快速检测方法 - Google Patents
基于拉曼光谱的酚类有机污染物快速检测方法 Download PDFInfo
- Publication number
- CN111044501B CN111044501B CN201911410816.0A CN201911410816A CN111044501B CN 111044501 B CN111044501 B CN 111044501B CN 201911410816 A CN201911410816 A CN 201911410816A CN 111044501 B CN111044501 B CN 111044501B
- Authority
- CN
- China
- Prior art keywords
- raman
- organic pollutants
- phenolic organic
- sample
- rapidly detecting
- 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.)
- Active
Links
Images
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/40—Concentrating samples
- G01N1/405—Concentrating samples by adsorption or absorption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (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)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供一种基于拉曼光谱的酚类有机污染物快速检测方法,包括如下步骤:1)使用被动采样器选择性地将酚类有机污染物富集于采样器的富集层中;2)利用拉曼光谱对所述富集层进行检测获取拉曼检测数据;3)通过拉曼快速检测模型分析所述根据所述拉曼检测数据,得到所述酚类有机污染物的浓度以及物质相关系数。通过本发明的于拉曼光谱的酚类有机污染物快速检测方法,可以实现快速、简单、高效的环境污染物测定。
Description
技术领域
本发明涉及环境污染物监测技术领域,具体涉及一种基于拉曼光谱的酚类有机污染物快速检测方法。
背景技术
随着经济的快速发展和城市化进程的加快,我国水体和土壤污染问题日益严重。酚类化合物作为有机化学工业的基本原料,广泛存在于自然界。在工业上,酚类大量用于制造酚醛树脂、高分子材料、离子交换树脂、合成纤维、染料、药物、炸药等。自然界存在的酚类化合物有2000多种,有一元酚、二元酚和多元酚,根据其能否与水蒸气一起挥发的性质,分为挥发酚和不挥发酚。地表水中酚类化合物主要来自炼油、煤气洗涤、炼焦、造纸、合成氨、木材防腐和化工等工业废水。除工业含酚废水外,粪便和含氮有机物在分解过程中也产生少量酚类化合物。城市中排出的大量粪便污水也是水体中酚污染物的重要来源。由于酚类化合物的结构中存在氧原子,所以大多数酚类化合物在水中具有相当高的溶解度,增强了酚类化合物迁移转化的能力,使它成为环境中主要的污染物之一。在生活污水、天然水和饮用水中普遍存在,尤其是其中的氧酚类化合物广泛用作杀虫剂和消毒剂,从而污染地表水源。
酚类化合物属于毒性很强的有机污染物。酚类化合物可分为挥发酚和不挥发酚两大类:沸点在230℃以下的酚为挥发酚,除对硝基酚外的一元酚均属于挥发酚;沸点在230℃以上的酚为不挥发酚,例如二元酚及三元酚多属于不挥发酚。大多数硝基酚有致突变的作用;酚的甲基衍生物不仅致畸,而且致癌。它们的毒性随着芳环上取代程度的增加而增大。六种酚类污染物已被列入中国水环境优先控制污染“黑名单”,它们是:苯酚、间甲酚、问氯酚、2,4,6一三氯酚、五氯酚及对硝基酚。
由于酚类污染物对土壤及水环境具有极大的危害,对其进行准确快速检测的需求也日益迫切。目前,酚类污染物的检测方法主要有色谱分析法、分光光度法、荧光法、免疫分析法、电化学法。色谱法具有较高的灵敏度、精确度和分离效果,但色谱分析方法具有检测成本高,样本前处理过程复杂、需要专业人员操作等缺点,无法实现快速检测。光谱学分析方法可以实现较快的检测速度,但是通常情况下检出限较低。免疫分析法和电化学法功能相对单一,无法实现多物质的同时检测。因此,亟待开发一种能实现多物质快速检测的方法,用于污染现场的快速实时检测。
与此同时,拉曼光谱技术是一种分子光谱技术,利用光子与物质之间的相互作用,对物质材料进行分子结构进行研究分析。每一种分子都有唯一的拉曼光谱“指纹信息”,并且拉曼指纹峰的强度与物质的量成正比,因此拉曼光谱不仅可以用于物质组成的定性分析,并且还可以用于物质浓度的定量分析。使用拉曼光谱技术可以实现物质的快速鉴定与含量分析,但是拉曼光谱技术的检测限较低,无法适用于环境污染物的直接检测。
发明内容
有鉴于此,本发明提供一种基于拉曼光谱的酚类有机污染物快速检测方法。
为解决上述技术问题,本发明采用以下技术方案:
根据本发明实施例的一种基于拉曼光谱的酚类有机污染物快速检测方法,包括如下步骤:
1)使用被动采样器选择性地将酚类有机污染物富集于采样器的富集层中;
2)利用拉曼光谱对所述富集层进行检测获取拉曼检测数据;
3)通过拉曼快速检测模型分析所述根据所述拉曼检测数据,得到所述酚类有机污染物的浓度以及物质相关系数。
进一步地,所述步骤1)包括:
1-1)使用活性炭颗粒通过溶胶-凝胶法制作被动采样器的富集层;
1-2)将步骤1-1)得到的被动采样器置于酚类有机污染物的溶液中吸附采样预定时间;
1-3)采样结束过程后,去除采样器,得到所述将富集层,用于进行拉曼光谱检测。
进一步地,所述步骤3)中,所述拉曼快速检测模型通过如下方法得到:
3-1)制备酚类有机物的标准样本溶液;
3-2)对于所述标准样本溶液,使用被动采样器中的富集层选择性地吸附所述标准样本溶液中的酚类有机物预定时间;
3-3)利用拉曼光谱对所述富集层进行检测获取样本拉曼检测数据;
3-4)基于所述样本拉曼检测数据,构建所述拉曼快速检测模型。
进一步地,所述步骤3-4)中,首先对所述样本拉曼检测数据进行预处理,接着采用偏最小二乘回归基于所述样本拉曼检测数据建立所述拉曼快速检测模型,并使用交叉验证的方法对所述拉曼快速检测模型进行评估。
进一步地,所述预处理包括:全谱范围内依次进行小波变换降噪处理、Savitzky-Golay卷积一阶求导、截取300-1800cm-1波段以及矢量归一化。
进一步地,在对所述样本拉曼检测数据进行预处理后,先使用PCA算法剔除较大的离异值,然后使用竞争自适应重加权采样方法(Competitive Adaptive ReweightedSampling,CARS)对建模的变量进行筛选,通过筛选出60个波长数作为建模使用。
进一步地,偏最小二乘回归方法的主因子参数选取10。
进一步地,使用交叉验证的方法对所述拉曼快速检测模型进行评估时的评估参数包括:决定系数R2、交互验证均方根误差RMSECV。
进一步地,所述的拉曼光谱检测中,拉曼光谱仪工作参数为:光谱分辨率小于或者等于3cm-1,光谱范围为100-3400cm-1,仪器测试前使用硅片520cm-1的峰进行校正。
根据本发明实施例的基于拉曼光谱的酚类有机污染物快速检测方法,能够实现快速、简单、高效的环境污染物测定。
附图说明
图1是苯酚的拉曼光谱图。
图2是CARS变量筛选流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
被动采样器中的吸附层材料有多种选择,如下示例,仅以活性炭吸琼脂附层为例,说明使用被动采样器结合拉曼光谱技术进行酚类污染物的快速检测。但是,其他吸附材料,包括石墨烯、有机吸附树脂等同样可以用于本发明的快速检测方法。
以下以苯酚为例,描述具体的检测方法:
(一)建立拉曼快速检测模型:
(a)制作采样器吸附层:将1g活性炭(100目)加入10ml浓度为1.5%wt的琼脂糖沸腾溶液中,充分混合均匀后,迅速注入模具中,自然冷却成型,得到厚度为1mm的吸附层,切割成合适的大小(例中为1*1cm),组装入被动采样器;
(b)配置梯度浓度标准溶液:苯酚浓度范围为10-100mg/L,以5mg/L为浓度梯度配置一系列标准溶液,溶液体系为1L;
(c)将采样器吸附层置于配置的标准溶液中30min,待吸附完成后取出吸附层;
(d)对吸附完成的吸附层使用拉曼光谱仪进行扫面检测,其中仪器参数设置为:光谱范围为100-3400cm-1(见图1),整个测试过程中拉曼激光器的功率和曝光时间均保持不变。
(e)获取的拉曼检测数据首先做预处理:对100-3400cm-1的拉曼数据进行小波变换降噪处理、Savitzky-Golay卷积一阶求导、截取300-1800cm-1波段以及矢量归一化;
(f)经过预处理的数据,首先使用PCA算法剔除较大的离异值,然后使用竞争自适应重加权采样方法(CARS)对建模的变量进行筛选,通过CARS筛选出60个波长数作为建模使用;
(g)对筛选出来的拉曼位移变量,使用偏最小二乘法进行分析建模(PLS主因子数选10);
(h)将上述建立的模型进行性能评估,评估参数包括:决定系数R2、交互验证均方根误差RMSECV。
(二)几个关键参数的确定
(1)确定被动采样器在待检测样本中的吸附时间
(a)同上,制作多片吸附层,使用拉曼光谱仪进行扫描检测确认无背景干扰;
(b)配置50mg/L的苯酚溶液1L,将吸附层置于溶液中,静置不同时间后取出(时间为10、20、30、40、50、60min),采用3个平行实验进行检测;
(c)取出吸附层后,使用拉曼光谱仪进行检测,作为仪器测定值:通过分析不同时间条件下苯酚特征峰的峰面积积分,计算得到不同时间条件下的变异系数变化。通过实验,证明30-60min时间段下的变异系数趋于稳定,可以作为较适合的富集浓缩时间,通过检测工作对精度和效率的需求,确定选用30min作为标准吸附时间。该条件下结果基本已经趋于稳定,因此从降低成本以及提高测试速度的角度出发,30min的富集浓缩时间基本已经足够满足需求。
(2)确定建模使用的拉曼位移变量
(a)拉曼光谱通常由大量数据点构成,光谱信息复杂,且包含了大量冗余信息和无效信息,在进行全谱分析预测时不仅导致拉曼光谱估算模型复杂度高,而且影响了模型的预测精度。因此采用合适的变量筛选方法可以简化模型,并且提高模型的预测能力;
(b)对比常用的变量优选方法,包括竞争性适应重加权采样(competitiveadaptive reweighted sampling,CARS)、连续投影算法(successive projectionsalgorithm,SPA)、无信息变量消除(uninformative variables elimination,UVE)方法、遗传算法(genetic algorithm,GA)。通过比较这些方法优选光谱变量后所建立的偏最小二乘回归(partial least squares regression,PLS)模型的精度,找出精度最优的模型,并与全波段PLSR模型相比较,如下表1所示,最终得出CARS-PLS模型效果是最佳的;
表1各种回归方法的结果比较
(c)CARS-PLS方法采用“适者生存”原则,将每个变量看成一个个体,通过自适应加权采样技术筛选出PLS模型中回归系数绝对值较大的波长,去掉权重较小的波长,从而获得一系列波长变量子集,并对每个波长变量子集采用交叉验证建模,根据交叉验证均方根误差(RMSECV)值最小原则,选择最优的波长变量子集;
(d)随着CARS采样次数的增加,被选中波长变量数量逐渐下降,波长筛选过程中RMSECV值不断减少,表明筛选过程中剔除的变量与分类无关,而24次采样以后,RMSECV值逐渐变大,表明筛选过程中开始剔除与分类有关的重要变量,从而导致RMSECV值上升。根据RMSECV最小原则,最终筛选出的波长变量数为60个(表2)。如图2所示,研究在多次运行CARS时,都得到了非常相似的变量选择过程回归系数变化图。
表2通过CARS筛选用于建模的拉曼位移变量
(3)确定被动采样器的检测限
(a)根据所属的被动采样器吸附层的活性炭性质与含量,估算该吸附层对苯酚的预期检出限为10mg/L;
(b)配制20mg/L的苯酚溶液,使用所述制备的吸附层置于溶液中进行吸附,采用9个平行样;
(c)吸附层在溶液中静置30min后取出,使用拉曼光谱仪进行检测,使用快速检测模型进行分析,得到检测浓度数据;
(d)通过以下公式:
通过计算得到:该吸附层对于苯酚的检测限为18.9mg/L。
需要说明的是,不同规格(包括其尺寸大小、其中的活性炭颗粒大小和含量等)的吸附层,其检出限、快速检测模型不同,并且对于不同介质的试样,其检出限也略有差异。上述示例只是为论证本发明的检测方法的可行性,且通过试验已经证实,本发明的检测方法是可行的。在实际检测时,对于不同规格吸附层的被动采样器,必须重新做标准曲线。
(三)苯酚溶液浓度快速检测
(a)使用被动采样器,浸入实际的样本浸出溶液中,进行30min的吸附平衡后,取出吸附层待检测;
(b)使用拉曼光谱仪对被动采样器的吸附层进行检测,获取拉曼检测数据;
(c)对拉曼检测数据进行预处理后,代入拉曼快速检测模型,计算获得待检测样本的浓度。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此,凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (9)
1.一种基于拉曼光谱的酚类有机污染物快速检测方法,其特征在于,包括如下步骤:
1)使用被动采样器选择性地将酚类有机污染物富集于采样器的富集层中;
2)利用拉曼光谱对所述富集层进行检测获取拉曼检测数据;
3)通过拉曼快速检测模型分析所述拉曼检测数据,得到所述酚类有机污染物的浓度以及物质相关系数,
其中,所述步骤1)包括:
1-1)使用活性炭颗粒通过溶胶-凝胶法制作被动采样器的富集层,包括:将活性炭加入浓度为1.5%wt的琼脂糖沸腾溶液中,充分混合均匀后注入模具中自然冷却成型,得到厚度为1mm的富集层;
1-2)将步骤1-1)得到的被动采样器置于酚类有机污染物的溶液中吸附采样预定时间;
1-3)采样结束过程后,去除采样器,得到所述富集层,用于进行拉曼光谱检测。
2.根据权利要求1所述的酚类有机污染物快速检测方法,其特征在于,所述步骤3)中,所述拉曼快速检测模型通过如下方法得到:
3-1)制备酚类有机物的标准样本溶液;
3-2)对于所述标准样本溶液,使用被动采样器中的富集层选择性地吸附所述标准样本溶液中的酚类有机物预定时间;
3-3)利用拉曼光谱对所述富集层进行检测获取样本拉曼检测数据;
3-4)基于所述样本拉曼检测数据,构建所述拉曼快速检测模型。
4.根据权利要求2所述的酚类有机污染物快速检测方法,其特征在于,所述步骤3-4)中,首先对所述样本拉曼检测数据进行预处理,接着采用偏最小二乘回归基于所述样本拉曼检测数据建立所述拉曼快速检测模型,并使用交叉验证的方法对所述拉曼快速检测模型进行评估。
5.根据权利要求4所述的酚类有机污染物快速检测方法,其特征在于,所述预处理包括:全谱范围内依次进行小波变换降噪处理、Savitzky-Golay卷积一阶求导、截取300-1800cm-1波段以及矢量归一化。
6.根据权利要求4所述的酚类有机污染物快速检测方法,其特征在于,在对所述样本拉曼检测数据进行预处理后,先使用PCA算法剔除较大的离异值,然后使用竞争自适应重加权采样方法对建模的变量进行筛选,通过筛选出60个波长数作为建模使用。
7.根据权利要求4所述的酚类有机污染物快速检测方法,其特征在于,偏最小二乘回归方法的主因子参数选取10。
8.根据权利要求4所述的酚类有机污染物快速检测方法,其特征在于,使用交叉验证的方法对所述拉曼快速检测模型进行评估时的评估参数包括:决定系数R2、交互验证均方根误差RMSECV。
9.根据权利要求1所述的酚类有机污染物快速检测方法,其特征在于,所述的拉曼光谱检测中,拉曼光谱仪工作参数为:光谱分辨率小于或者等于3cm-1,光谱范围为100-3400cm-1,仪器测试前使用硅片520cm-1的峰进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410816.0A CN111044501B (zh) | 2019-12-31 | 2019-12-31 | 基于拉曼光谱的酚类有机污染物快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410816.0A CN111044501B (zh) | 2019-12-31 | 2019-12-31 | 基于拉曼光谱的酚类有机污染物快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111044501A CN111044501A (zh) | 2020-04-21 |
CN111044501B true CN111044501B (zh) | 2023-03-24 |
Family
ID=70242542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410816.0A Active CN111044501B (zh) | 2019-12-31 | 2019-12-31 | 基于拉曼光谱的酚类有机污染物快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111044501B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308507B (zh) * | 2013-05-27 | 2016-06-15 | 广西科技大学 | 一种快速测定聚氨酯中游离-nco的分析方法 |
CN103411955A (zh) * | 2013-08-21 | 2013-11-27 | 天津大学 | 基于拉曼光谱的头孢类抗生素混合溶液的浓度检测方法 |
CN109876771B (zh) * | 2019-04-17 | 2021-11-30 | 上海工程技术大学 | 一种丝瓜活性炭气凝胶材料、其制备方法和应用 |
-
2019
- 2019-12-31 CN CN201911410816.0A patent/CN111044501B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111044501A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kothawala et al. | Inner filter correction of dissolved organic matter fluorescence | |
Li et al. | Utilization of UV-Vis spectroscopy and related data analyses for dissolved organic matter (DOM) studies: A review | |
Korak et al. | Critical analysis of commonly used fluorescence metrics to characterize dissolved organic matter | |
Kothawala et al. | Controls of dissolved organic matter quality: Evidence from a large‐scale boreal lake survey | |
Andrade-Eiroa et al. | Environmental applications of excitation-emission spectrofluorimetry: an in-depth review I | |
Yu et al. | Comparison of PARAFAC components of fluorescent dissolved and particular organic matter from two urbanized rivers | |
Parr et al. | comPARAFAC: a library and tools for rapid and quantitative comparison of dissolved organic matter components resolved by Parallel Factor Analysis | |
Philibert et al. | Drinking water aromaticity and treatability is predicted by dissolved organic matter fluorescence | |
Hansen et al. | Procedures for using the Horiba Scientific Aqualog® fluorometer to measure absorbance and fluorescence from dissolved organic matter | |
Xing et al. | Quantitative estimation of wastewater quality parameters by hyperspectral band screening using GC, VIP and SPA | |
Cui et al. | Characterization of chromophoric dissolved organic matter and relationships among PARAFAC components and water quality parameters in Heilongjiang, China | |
Ju et al. | Rapid Identification of Atmospheric Gaseous Pollutants Using Fourier‐Transform Infrared Spectroscopy Combined with Independent Component Analysis | |
Yi et al. | Will various interpretation strategies of the same ultrahigh‐resolution mass spectrometry data tell different biogeochemical stories? A first assessment based on natural aquatic dissolved organic matter | |
Pesántez et al. | High‐frequency multi‐solute calibration using an in situ UV–visible sensor | |
Zhu et al. | Characterization of dissolved organic matter in Dongjianghu Lake by UV-visible absorption spectroscopy with multivariate analysis | |
Maxson et al. | Fourier transform infrared spectroscopy as a tracer of organic matter sources in lake sediments | |
JP2008145297A (ja) | 海水中の硝酸イオン及び亜硝酸イオンの濃度測定方法、測定システム、測定プログラム及びその記録媒体 | |
Jing et al. | Fluorescence analysis for water characterization: measurement processes, influencing factors, and data analysis | |
CN111044501B (zh) | 基于拉曼光谱的酚类有机污染物快速检测方法 | |
Tellez et al. | Comparison of purge and trap GC/MS and spectrophotometry for monitoring petroleum hydrocarbon degradation in oilfield produced waters | |
Kristensen et al. | Catchment tracers reveal discharge, recharge and sources of groundwater-borne pollutants in a novel lake modelling approach | |
Van den Broeke | On-line and in-situ UV/vis spectroscopy | |
CN115165791A (zh) | 基于中红外全反射光谱在线检测污水硝态氮的方法 | |
Hong et al. | Characterization of reactive photoinduced species in rainwater | |
Maguire et al. | Ultraviolet‐visual spectroscopy estimation of nitrate concentrations in surface waters via machine learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |