生物質(zhì)秸稈熱化工特性的NIRS分析方法與熱值模型構(gòu)建.pdf

1、熱化工特性是生物質(zhì)秸稈有效利用的基礎(chǔ)特性之一，為了研究和探討生物質(zhì)秸稈熱化工特性近紅外光譜快速檢測和熱值計算方法，采集農(nóng)作物秸稈樣品199個，其中油菜39個，小麥39個，玉米21個和水稻100個，按照標(biāo)準檢測方法測定樣品的工業(yè)分析組成、元素分析組成和高、低位熱值，對樣品進行近紅外光譜數(shù)據(jù)采集。利用TQ Analyst8.3化學(xué)計量學(xué)軟件，采用光譜杠桿值(Leverage)和學(xué)生殘差(Residual)法剔除異常樣品，通過不同的光程散射校

2、正方法和光譜預(yù)處理方法，結(jié)合偏最小二乘法（PLS）方法，建立了生物質(zhì)秸稈工業(yè)分析組成、元素分析組成和熱值的近紅外光譜定量分析模型;同時分別對樣品的工業(yè)分析組成、元素分析組成與熱值之間的關(guān)系進行了相關(guān)性分析和共線性診斷，建立了基于工業(yè)分析組成和元素分析組成的熱值預(yù)測模型。研究結(jié)果如下:
　　 (1)建立了秸稈樣品工業(yè)分析組成的近紅外光譜定量分析模型，并采用獨立的驗證集樣品對定量分析模型進行了驗證。驗證集水分的化學(xué)分析值與NIRS模

3、型預(yù)測值之間的決定系數(shù)(R2p)、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.220、0.886、1.114;揮發(fā)分的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)（R2p）、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.821、1.230、2.391;灰分的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)(R2p）、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.967、0.568、5.551;固定碳不是直接測定，而

4、是由公式算出，水分、揮發(fā)分和灰分測定值的誤差產(chǎn)生累計，使得固定碳含量值誤差較大，造成定量分析模型精度很低，因而不作驗證。結(jié)果表明，灰分的定量分析模型效果最好，揮發(fā)分、水分分別次之，固定碳的模型效果最差。
　　 (2)建立了秸稈樣品元素分析組成的近紅外光譜定量分析模型，并采用獨立的驗證集樣品對定量分析模型進行了驗證。驗證集N元素的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)(R2p)、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分

5、別為0.895、0.186、3.120;C元素的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)（R2p）、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.811、1.090、2.323;H元素的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)(R2p）、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.554、0.425、1.514;S元素的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)（R2p）、標(biāo)準差(RMSEP)和相對分析誤差(

6、RPD)分別為0.303、0.039、1.211;O元素的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)（R2p）、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.634、1.140、1.663;固定碳不是直接測定，而是由公式算出，水分、揮發(fā)分和灰分測定值的誤差產(chǎn)生累計。結(jié)果表明，N元素的定量分析模型效果最好，C、O、H元素分別次之，S元素的模型效果最差。
　　 (3)建立了秸稈樣品高位熱值和低位熱值的近紅外光譜定量分析模型

7、，并采用獨立的驗證集樣品對定量分析模型進行了驗證。驗證集高位熱值的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)（R2p）、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.931、169 J.g-1、3.839;低位熱值的化學(xué)分析值與NIRS模型預(yù)測值之間的決定系數(shù)(R2p)、標(biāo)準差(RMSEP)和相對分析誤差(RPD)分別為0.857、228 J.g-1、2.676。結(jié)果表明，高位熱值的NIRS定標(biāo)模型預(yù)測效果良好，可以用于實際檢

8、測;低位熱值的NIRS定標(biāo)模型進行定量分析是可行的，但預(yù)測精度需要進一步提高。
　　 (4)建立了基于工業(yè)分析組成的高位熱值和低位熱值的預(yù)測模型。經(jīng)比較分析，采用主成分回歸方法建立高、低位熱值預(yù)測模型效果最優(yōu)，高位熱值預(yù)測模型的決定系數(shù)R2為0.912，預(yù)測值標(biāo)準差SEP為203J.g-1，相對標(biāo)準差RSD為1.25％;低位熱值預(yù)測模型的決定系數(shù)R2為0.906，預(yù)測值標(biāo)準差SEP為198J.g-1，相對標(biāo)準差RSD為1.33％

9、。對熱值預(yù)測模型進行外部驗證，高位熱值預(yù)測模型的預(yù)測標(biāo)準差SEP、相對標(biāo)準差RSD分別為182 J.g-1、1.09％，低位熱值預(yù)測模型的的預(yù)測標(biāo)準差SEP、相對標(biāo)準差RSD分別為194 J.g-1、1.29％。結(jié)果表明，主成分回歸方法建立的基于工業(yè)分析指標(biāo)的生物質(zhì)秸稈熱值預(yù)測模型可以較準確地預(yù)測生物質(zhì)秸稈熱值。
　　 (5)建立了基于元素分析組成的的高位熱值和低位熱值的預(yù)測模型。分別采用多元線性回歸、主成分回歸和BP神經(jīng)網(wǎng)絡(luò)建

10、立了基于元素分析組成的高位熱值和低位熱值預(yù)測模型。對模型進行內(nèi)部評價顯示，BP神經(jīng)網(wǎng)絡(luò)方法建立的熱值模型的決定系數(shù)R2為最大，預(yù)測標(biāo)準差SEP和相對標(biāo)準差RSD最小，高位熱值的決定系數(shù)R2、預(yù)測標(biāo)準差SEP、相對標(biāo)準差RSD分別為0.979、98 J.g-1、0.61％，低位熱值的分別為0.976、99 J.g-1、0.67％。通過熱值預(yù)測模型的外部驗證，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果較好，其中，高位熱值的決定系數(shù)R2、預(yù)測標(biāo)準差SEP、相