论文部分内容阅读
秸秆的热化学工程特性是秸秆能源化利用的重要特性,为了探讨秸秆热化工特性的快速检测方法,本课题采集不同地区不同品种的水稻、小麦、玉米、油菜共计188个秸秆样品,参照国家标准测定了样品的元素分析指标、高/低位热值和工业分析指标,应用反射和透射光谱技术,通过傅里叶近红外光谱仪、高光谱反射和透射成像系统3种方式分别获取秸秆的近红外光谱、可见/近红外反射光谱以及可见/近红外透射光谱信息,采用偏最小二乘算法(PLS)分别建立3种方式下的秸秆热化学工程特性指标的定量分析模型,比较3种光谱采集方式下光谱的不同预处理方法、变量选取算法所建模型的优劣,确定各指标的最优检测模型。主要研究结果如下:(1)通过比较高光谱反射、透射及近红外光谱检测元素的定标效果,确定了基于高光谱反射技术的元素分析指标(C、N、H、S、O)模型最优。光谱最优预处理方法分别为:C元素为无预处理(None);N元素为去趋势变换(Detrend);H元素为多元散射校正结合标准化(MSC+Autoscale);S元素为一阶导数结合标准化(FD+Autoscale);O元素为去趋势变换结合均值中心化(Detrend+Mean Center)。确定竞争性自适应重加权采样算法(CARS)为最优变量选择算法,对各个元素定量分析模型进行优化,参与建模的变量数显著下降,且模型的稳定性和预测性能均有提升。N、O元素的模型最优,N元素采用24个变量建立模型,验证集相关系数(Rp)为0.923,均方根误差(RMSEP)为0.196%,相对分析误差(RPD)为3.11;O元素仅采用10个光谱变量建立模型,验证集相关系数(Rp)为0.876,均方根误差(RMSEP)为1.015%,相对分析误差(RPD)为2.32。N、O元素的模型可用于实际应用,C、H、S元素CARS-PLS模型预测效果不理想。(2)通过比较高光谱反射、透射及近红外光谱检测热值的定标效果,确定了基于近红外光谱技术的热值分析指标(高位热值、低位热值)模型最优。最优光谱预处理方法分别为:高位热值为多元散射校正结合一阶导数及S-G平滑(MSC+FD+S-G smooth);低位热值为多元散射校正结合一阶导数(MSC+FD)。高位热值校正集相关系数(Rc)为0.904,均方根误差(RMSEC)为291 J·g-1,交互验证相关系数(Rcv)为0.859,交互验证均方根误差(RMSECV)为348 J·g-1,验证集相关系数(Rp)为0.908,均方根误差(RMSEP)为328 J·g-1,平均偏差(Bias)为34.616 J·g-1,相对分析误差(RPD)为2.22,所建立的高位热值定量分析模型可用于定量分析;低位热值校正集相关系数(Rc)为0.869,均方根误差(RMSEC)为315 J·g-1,交互验证相关系数(Rcv)为0.822,交互验证均方根误差(RMSECV)为363 J·g-1,验证集相关系数(Rp)为0.850,均方根误差(RMSEP)为365 J·g-1,平均偏差(Bias)为34.979 J·g-1,相对分析误差(RPD)为1.94。结果表明,所建立的定量分析模型可用低位热值的估测,模型精度还可进一步提高。(3)比较了高光谱反射、透射及近红外光谱检测工业分析指标的模型效果,确定了基于反射高光谱成像技术的工业分析指标(灰分、水分、挥发份、固定碳)模型最优。最优光谱预处理方法分别为:灰分为多元散射校正结合标准化(MSC+Autoscale);水分为标准正态变量校正结合标准化(SNV+Autoscale);挥发份为一阶导数结合均值中心化(FD+Mean Center);固定碳为标准正态变量校正结合均值中心化(SNV+Mean Center)。最优变量选取方法均为竞争性自适应重加权采样算法(CARS)。采用CARS算法对秸秆工业分析指标定量分析模型进行优化以后,灰分所建模型的验证集相关系数(Rp)为0.931,均方根误差(RMSEP)减小为0.369%,相对分析误差(RPD)为8.86,模型表现出很好的预测能力;其它3种工业分析指标模型的预测效果不甚理想,不能用于实际定量分析。