燕山大学河北省测试计量技术与仪器重点实验室, 河北 秦皇岛 066004
多环芳烃(PAHs)作为一种芳香族化合物, 普遍存在于人们的生产生活中, 它具有强烈的致癌性, 威胁着人们的生命和健康。 所以, 对多环芳烃实施简洁、 高效、 精确的检测方法很有必要。 根据常见的多环芳烃类型, 选取多环芳烃萘(NAP)、 芴(FLU)、 苊(ANA)的固体粉末状物质作为实验样本。 取NAP, FLU和ANA粉末各1 g溶于少量的甲醇(光谱级)溶液, 然后转移到100 mL的去离子水溶液中, 配置PAHs标准溶液。 采用FS920荧光光谱仪, 实验中为避免荧光光谱仪本身产生的瑞利散射影响, 设置起始的发射波长滞后激发波长10 nm。 以标准溶液为基准, 获取ANA, NAP和FLU单质的水溶液的荧光光谱图。 在标准溶液的基础上, 配置0.1 mg·mL-1的单质水溶液, 然后将ANA与NAP, FLU分别取不同的体积相互混合形成两种混合溶液, 各自形成16种不同浓度比例的混合溶液, 再取不同体积的三种溶液相互混合, 摇匀震荡, 最后一共形成48种不同体积比例的混合溶液。 最后将实验数据输入Matlab中得到苊萘、 苊芴、 苊芴萘混合溶液的荧光光谱, 发现混合溶液的激发波长在260~320 nm、 发射波长300~380 nm波长范围内, 最佳发射波长的位置相似, 荧光峰对应的激发波长有大部分重叠。 针对荧光光谱不能直接辨别混合物的种类的不足, 将基于遗传算法(GA)优化的支持向量机(SVM)应用于多环芳烃混合物种类的检测中, 将数据随机打乱, 并且将遗传算法的终止进化代数设为200、 训练数据和预测数据分别为36个和12个, 得到训练结果的准确率为95.42%。 将实验结果对比分析普通支持向量机和BP神经网络, 结果表明, 基于遗传算法优化的支持向量机分类误差较小, 能比较准确的分辨混合物的种类。
三维荧光光谱 遗传算法 支持向量机 多环芳烃 Three-dimensional fluorescence spectroscopy Genetic algorithnm Support vector machine Polycyclic aromatic hydrocarbons (PAHs) 光谱学与光谱分析
2020, 40(4): 1149
燕山大学河北省测试计量技术与仪器重点实验室, 河北 秦皇岛 066004
三维荧光光谱法在研究多环芳烃(PAHs)类物质的荧光信息时起到了重要作用。 多环芳烃类物质具有致癌性, 难降解性, 多由尾气排放, 垃圾焚烧产生, 危害着人类健康及环境, 因此人们不断探索对多环芳烃检测的方法。 实验选取多环芳烃中的苊和萘作为检测物质, 利用FLS920荧光光谱仪, 为避免荧光光谱仪本身产生的瑞利散射影响, 设置起始的发射波长滞后激发波长40 nm, 设置扫描的激发波长(λex)范围为: 200~370 nm, 发射波长(λem)范围为: 240~390 nm, 对多环芳烃进行荧光扫描获取荧光数据, 采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。 实验选用的苊和萘均购于阿拉丁试剂官网, 配制浓度为10 mg·L-1的一级储备液, 再将一级储备液稀释, 得到苊和萘浓度为0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4和4.5 mg·L-1的二级储备液, 并将苊和萘进行混合。 在进行光谱分析前需要对苊和萘的光谱进行预处理, 采用空白扣除法扣除拉曼散射的影响, 并采用集合经验模态分解(EEMD)消除干扰噪声。 实验测得苊存在两个波峰, 位于λex=298 nm, λem=324/338 nm处, 萘存在一个波峰, 位于λex=280 nm, λem=322 nm处。 选用的PARAFAC算法对组分数的的选择很敏感, 因此采用核一致诊断法预估组分数, 估计值2和3的核一致值都在60%以上, 分别对混合样品进行了2因子和3因子的PARAFAC分解, 将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理, 并绘制光谱图, 与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。 同时将PARAFAC得到的混合样本的预测浓度, 通过计算回收率(R)和均方根误差(RMSEP)来判定定量分析的准确度。 选择2因子时, 各混合样品中苊和萘拟合度为95.7%和96.7%, 平均回收率分别为101.8%和98.9%, 均方根误差分别为0.018 7和0.031 6; 选择3因子时, 各混合样品中苊和萘拟合度为95.3%和95.8%, 平均回收率分别为97%和102.5%, 均方根误差分别为0.033和0.116, 由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。 分析实验结果表明, 基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析, 能够有效的判定混合样品的类别, 同时能够成功的预测出混合样品的浓度。
三维荧光光谱 多环芳烃 集合经验模态 平行因子算法 Three-dimensional fluorescence spectroscopy Pdycyclic aromatic hydrocarbons EEMD PARAAFAC
燕山大学 电气工程学院 河北省测试计量技术及仪器重点实验室,河北 秦皇岛 066004
采用FS920荧光光谱仪分析了苯并[k]荧蒽(BkF)、苯并[b]荧蒽(BbF)和两者混合物的荧光特性.结果表明BkF的两个荧光峰分别位于306 nm/405 nm和306 nm/430 nm,BbF的两个荧光峰分别位于306 nm/410nm和306 nm/435 nm.BkF和BbF不同浓度配比及其相互间的荧光干扰,使得混合物荧光特性差异较大,荧光强度和浓度间关系变得复杂.为准确测定混合物中BkF和BbF的浓度,采用递阶算法优化的径向基神经网络对其进行检测,结果表明BkF和BbF的平均回收率分别为98.45%和97.71%.该方法能够实现多环芳烃类污染物共存成分的识别和浓度预测.
光谱学 三维荧光光谱 递阶算法优化的径向基神经网络 多环芳烃 浓度检测 Spectroscopy Three-dimensional fluorescence spectroscopy Hierarchical Genetic Algorithm Radial Basis Functi Polycyclic aromatic hydrocarbons Concentration detection