双脉冲激光诱导击穿光谱结合多元定标法定量分析大豆油中的铅

应用双脉冲激光诱导击穿光谱(DP-LIBS)对大豆油中的铅(Pb)含量进行检测。配制9个大豆油样品,采用一定规格圆柱形桐木对样品中Pb进行富集,然后通过Ava-Spec二通道高精度光谱仪采集其LIBS光谱信号。根据样品的LIBS谱线图和美国国家标准技术研究所(NIST)原子光谱数据库,确定选用CaⅡ393.284 nm,CaⅡ396.752 nm,NⅡ399.399 nm和PbⅠ405.685 nm的特征谱线强度作为自变量,得到Pb含量的多元线性回归定量分析模型,并通过方差分析和t检验验证分析模型的可行性。结果表明,采用Pb元素直接定标法得到的平均相对误差约为16%,拟合度R2为0.981 8;采用多元线性回归模型得到的平均相对误差为7.25%,拟合度R2为0.997 1,3个检验样品的相对误差均在合理范围内。采用多元校正分析模型可以充分利用光谱中的有效信息,降低基体效应的影响,从而提高LIBS分析的准确性。     

激光诱导击穿光谱技术结合偏最小二乘回归快速预测废钢中8种元素的含量北大核心CSCD

基于激光诱导击穿光谱(LIBS)技术,结合偏最小二乘回归(PLSR),建立了废钢中铬、镍、铜、硅、锰、钒、碳、钛等8种元素的定量分析模型。采用便携激光诱导击穿光谱废钢成分检测仪对12个钢铁标准样品进行扫描,对光谱数据进行剔除、平均、基线校正、归一化等预处理,以美国国家标准与技术研究院发射谱线数据库为参考依据,以筛选出的各元素建模波段的光谱数据作为模型输入,采用十折交叉验证方法,确定铬、镍、铜、硅、锰、钒、碳、钛的潜变量数分别为16,24,18,22,25,14,9,22,在优化的参数下分别对8种元素进行建模。结果显示:8种元素模型的相关决定系数为0.9571~0.9996,均方根误差为0.0034~0.0706,平均百分比误差为6.6764~75.645,残差平方和为0.0020~0.6532;除碳元素外,其余7种元素测定值的相对标准偏差(n=5)均不大于7.0%;模型用于预测实际废钢样品中锰、硅、铜元素的含量,所得结果与火花直读光谱法的基本一致。     

猪肉中铅的LIBS绿色检测可行性分析

为了验证激光诱导击穿光谱(LIBS)分析猪肉中重金属铅(Pb)元素的可行性,选取经实验室Pb污染处理的猪肉样品为研究对象,将样品进行烘干、粉碎和压片物理前处理;利用LIBS获取压片样品的光谱信息,并采用原子吸收光谱(AAS)法对样品中Pb元素真实浓度进行检测。结果显示,LIBS能探测出Pb含量大于4.56 mg/kg的干样样品中Pb I405.78特征谱线信息,且样品中Pb特征线的LIBS强度与其浓度具有一定的梯度关系,但简单的线性关系不明显。采用一元二次多项式拟合结果表明,对于含量小于10 mg/kg的样品,预测准确度较高且线性分析灵敏度高,而高浓度样品预测准确度则显著降低。说明可能存在某个浓度界限决定采用不同定标模型的预测精度。本工作的研究为猪肉中Pb元素的LIBS分析提供了可行性证明,为进一步的研究提供了思路。     

脐橙果皮LIBS光谱预测Cu元素在果肉中分布规律的可行性分析

为了验证果皮激光诱导击穿光谱(LIBS)预测果肉重金属元素分布规律的可行性,以市售新鲜赣南脐橙为例,先对新鲜脐橙果皮进行LIBS光谱采集,得到样品在300~850 nm之间的光谱图。LIBS图谱显示赣南脐橙中含有丰富的矿质元素Ca,Na,K和Fe以及有机物质H,O,C,N,对于Cu元素则直接探测不到特征光谱。通过阳极溶出伏安法(ASV)测试获取新鲜脐橙果皮果肉中Cu元素的平均浓度分别为0.5524 mg/kg和0.3056 mg/kg,均在国家标准GB-2004规定的安全限量范围(10 mg/kg)之内,果皮与果肉浓度比约为1.8891。对于烘干后的脐橙皮,经过压片处理后,采集脐橙皮干样的LIBS光谱,Cu元素谱线清晰。说明经过简单的烘干压片物理方法处理后,LIBS有望通过采集干样光谱信息,辅助以各种光谱数据预处理及化学计量学分析方法,实现对新鲜脐橙样品中Cu元素的分布规律进行预测,并推广到其它水果中重金属元素的分析应用中。     

基于黑体辐射提高自由定标激光诱导击穿光谱(CF-LIBS)定量精度的方法

自由定标激光诱导击穿光谱(Calibration-Free LIBS,CF-LIBS)技术是定量分析行业发展的主要趋势之一。该技术可直接基于局部热力学平衡等离子体模型,通过LIBS光谱数据和谱线参数计算出等离子体参数和各元素含量。且无需使用标准样品建立定标曲线,该技术不受基体效应的影响,非常适合实时、在线和多元素同时分析。但由光学厚而引起的自吸收效应是影响定量分析的重要因素。通过对比实验光谱数据与黑体辐射强度,研究等离子体温度,提高光学系统收集效率,抑制自吸收效应对CF-LIBS定量结果的影响。经过黑体辐射校正后,基体元素Fe的测定含量从88.700%提升到94.575%,相对误差(RE)从8.072%降低到1.984%。微量元素Cr、Mo和V的测定含量分别从0.635%、0.096%和0.023%降低至0.698%、0.143%和0.022%,相对误差(RE)从13.723%、45.455%和21.053%降低至5.163%、18.75%和15.789%。整体的平均绝对误差(MAE)从1.994%降低至0.497%。玻尔兹曼图拟合回归曲线有了更高的线性度。拟合系数R²     

基于激光诱导击穿光谱对钛元素自吸收效应的分析

为了减小谱线自吸收效应对样品物质中元素定量分析带来的干扰,提高激光诱导击穿光谱技术(LIBS)对钢铁中微量元素的检测准确度和精度,以攀钢生铁标准样品作为研究对象,选取Fe(Ⅰ)438.4 nm、Fe(Ⅰ)347.6 nm作为内标线,以原子线Ti(Ⅰ)506.5 nm、离子线Ti(Ⅱ)334.9 nm作为分析线,对Ti元素谱线的自吸收效应进行校正,分别建立内定标曲线,并建立了相应的量化模型。先通过指数函数拟合定标曲线来表征自吸收效应,然后对自吸收效应进行校正。自吸收校正后,Ti两组定标曲线的决定系数R²分别从0.882增加到0.994、0.881增加到0.917,分别提高了12.7%和4.0%。定量分析时,2^#和5^#样品用于验证,结果显示两验证样品中Ti预测浓度的相对误差都降低到了10%以内,预测浓度的相对误差分别减少了72.01%、97.10%,测量精度得到明显提高,并且自吸收校正后的预测浓度近似于等于标准浓度。实验表明,通过指数函数拟合定标曲线的方式来量化自吸收效应,并对其进行校正的方法可以提升对Ti的分析精度,方法为...     

激光诱导击穿光谱技术/多元二次非线性回归分析土壤中的铬元素

利用激光诱导击穿光谱(LIBS)技术对土壤中铬元素的含量进行了定量分析研究.由于土壤成分复杂,光谱谱线存在较严重的重叠干扰,若采用一元回归方法分析常得不到理想结果.为了更充分有效地利用光谱中信息,以土壤中Cr Ⅰ 425.43 nm和Fe Ⅰ 425.07 nm谱线的积分强度为自变量,Cr元素浓度为因变量,建立交叉降维近似多元非线性回归、多元二次非线性回归和平方降维近似多元非线性回归模型.对比分析表明,当添加Cr和Fe元素特征谱线强度交叉项影响时,所建立的多元二次非线性回归模型效果最佳,预测浓度与实际参考浓度之间线性关系达到0.9943,预测4个验证样品的相对误差分别为3.57％,0.76％,7.66％和2.24％.     

激光诱导击穿光谱检测青菜中镉元素的多变量筛选研究

利用激光诱导击穿光谱(LIBS)技术与常规化学分析方法获取28个浓度梯度含Cd元素的青菜样品的LIBS谱线信息以及Cd含量信息.对获取的光谱信息结合标准归一化处理(SNV)、一阶导数(FD)、二阶导数(SD)、中心化处理(Center)作为偏最小二乘法(PLS)模型的优选方法;再根据4种预处理方法的预测结果选取最佳方法,同时将该方法作为间隔偏最小二乘法(iPLS)与联合区间间隔偏最小二乘法(SiPLS)优选青菜LIBS谱线的最佳波长区间.结果表明:通过SiPLS优选的特征波长区间分别为214.72 ～ 215.82 nm,215.88～ 216.97 nm,225.08 ～ 226.35 nm,并且经过中心化预处理后建立的验证模型效果最好,结果显示交叉验证均方根误差(RMSECV)为1.487,验证均方根误差(RMSEP)为1.094,相关系数(R)为0.9942,平均相对误差(ARE)为11.60％.研究结果表明,所选优化方法适合青菜中重金属Cd元素的LIBS校正模型的建立,且具有较好的预测效果.     

共轴双脉冲激光诱导击穿光谱和最小二乘支持向量机法定量分析植物油中铬

利用共轴双脉冲激光诱导击穿光谱( DP-LIBS)技术对植物油(大豆油、花生油和玉米油)中的重金属铬( Cr)含量进行定量分析。采用Ava-Spec双通道高精度光谱仪采集样品的LIBS光谱,然后通过其LIBS谱线图确定了CN分子谱线(421.49 nm)、Ca原子谱线(422.64 nm)及Cr的3条原子谱线(425.39、427.43和428.87 nm),根据上述谱线建立了Cr元素的单变量定标模型和最小二乘支持向量机(LS-SVM)校正模型,并用验证样品对它们进行检验。研究结果表明,对于单变量定标法,大豆油、花生油及玉米油验证样品的平均预测相对误差(PRE)分别为12.57%,12.11%和13.72%;对于三变量LS-SVM法,其定标样品真实值与预测值之间的拟合度 R2分别为0.9785,0.9792和0.9654,验证样品的平均 PRE 分别为8.92%,8.33%和10.98%;对于五变量LS-SVM法(增加两基体元素谱线变量),其定标样品真实值与预测值之间的拟合度R2分别为0.9895,0.9901和0.9855,验证样品的平均PRE分别为7.46%,8.96%和8.95%。由此可知,LS-SVM校正模型性能优于单变量定标法,且五变量LS-SVM校正模型性能优于三变量LS-SVM校正模型;采用LS-SVM法及引入合适的基体元素谱线( CN、Ca)能有效减小定量分析误差,提高LIBS技术对植物油中Cr含量预测的精度。     

飞秒-纳秒双脉冲激光诱导击穿光谱(LIBS)技术对合金的定量分析

激光诱导击穿光谱(Laser-induced breakdown spectroscopy, LIBS)技术几乎不受聚变环境中的强磁场影响,是一种最有希望实现托卡马克装置中面向等离子体材料(Plasma facing materials, PFMs)原位在线诊断的技术,已被用于多个托卡马克PFMs壁诊断。然而,LIBS技术对PFMs表面元素的探测限、定量分析以及PFMs的服役状态判定依旧面临很大挑战。采用同轴飞秒-纳秒激光协同技术,建立了飞秒-纳秒双脉冲激光诱导击穿光谱(fs-ns-DP-LIBS)技术,通过高峰值功率、低激光能量的飞秒激光诱导等离子体,再用纳秒激光增强常规单脉冲LIBS技术信号发射强度,进而提升常规单脉冲LIBS的探测灵敏度,同时结合6种合金标准样品,采用fs-ns-DP-LIBS技术对样品中的主要元素进行了定量分析,并进一步结合机器学习方法对6种合金进行种类判别。结果显示：在纳秒单脉冲和飞秒单脉冲LIBS检测中,Ni、Fe和Mo在400～800 nm波段没有观察到明显特征峰,仅观察到Cr的特征峰;在飞秒-纳秒脉冲间2μs延时,NiⅠ498.02 nm、FeⅠ517....     

不同光谱预处理对激光诱导击穿光谱检测猪肉中铅含量的影响

为了研究适合激光诱导击穿光谱(LIBS)检测猪肉中重金属铅(Pb)元素含量的光谱预处理方法,将配制的84个猪肉腿肌样品分为校正集和预测集,以相关系数(R)、内部交叉验证均方差(RMSECV)和预测均方根误差(RMSEP)作为评价指标,比较了5种光谱预处理方法对偏最小二乘法(PLS)建模预测效果的影响.结果表明,多元散射校正(MSC)预处理效果最好,定标模型预测值与实验室分析元素检测值的相关系数(R)达到0.9908,RMSECV为0.302,RMSEP为0.282,主成分数为16,18个预测集样品的验证结果的平均相对预测误差(ARPE)为7.8％.说明MSC是LIBS检测猪肉Pb含量的有效光谱预处理方法,该研究为进一步实现食品中重金属快速定量分析提供了方法和数据参考.     

激光诱导击穿光谱结合CARS变量选择方法定量检测奶粉中的镁

为监测奶粉中的镁(Mg)元素含量,本研究利用激光诱导击穿光谱(LIBS)技术对奶粉中Mg元素进行定量检测。对于每个样品,采用压片机在20 MPa压力下进行压片处理,然后利用高精度光谱仪在200~750 nm波段范围内获取压片样品的LIBS光谱。根据LIBS光谱特征,将光谱划分为4个波段,并进行初步的波段优选和光谱预处理分析。在此基础上,采用竞争性自适应重加权算法(CARS)对波长变量进行优选,再应用偏最小二乘法(PLS)建立奶粉中Mg元素含量的预测模型,并对预测集样本进行预测。研究结果表明,LIBS技术结合CARS变量选择方法可以用于奶粉中Mg元素含量的定量检测,最优CARS-PLS预测模型的校正集和预测集的决定系数及平均相对误差分别为0.9999,0.20%和0.9742,3.29%,优于原始光谱所建立的PLS模型,且所用波长变量仅为PLS模型的7.7%。由此表明,CARS方法能有效选择有用的波长变量,可简化预测模型及提高预测模型的稳定性。本研究为奶粉中镁元素含量的快速定量分析提供参考。     

光谱滤波法提高激光诱导击穿光谱对蔬菜中元素Pb的检测精度

激光诱导击穿光谱(Laser induced breakdown spectroscopy, LIBS)原始光谱中包含较多噪声信号, 为探究不同滤波方法对LIBS光谱预处理的影响, 本研究以实验室Pb污染处理的蔬菜为研究对象, 采集波长范围在400.45~410.98 nm的LIBS谱线信息, 分别利用相邻平均(Adjacent averaging)、Savitzky-Golay(S-G)滤波器、快速傅里叶变换(Fast Fourier transformation, FFT)对采集的LIBS光谱进行平滑、去噪, 并结合偏最小二乘法(PLS)定量分析模型对光谱处理效果进行评价.结果表明, S-G平滑效果最优, 当S-G滤波器窗口宽度为15, 拟合阶次为3时, PLS定量模型效果最佳, 其验证集均方根误差(RMSEP)为0.26、平均相对误差(ARE)为3.7%.结果表明, 选择适合的滤波方法有助于提高LIBS光谱质量以及检测模型的精度.     

微波辅助激光诱导击穿光谱对土豆中铅元素谱线强度的增强效果研究

研究了激光诱导击穿光谱(LIBS)对农产品中低浓度重金属元素的探测能力。土豆样品经过实验室污染处理,获得鲜样Pb元素含量范围在9.0~30.0 mg/kg的污染样品。再对样品进行烘干、粉碎、压片处理,以消除水分和样品基体效应对LIBS检测效果的影响。利用微波辅助LIBS(MA-LIBS)的方法对样品和激光烧蚀产生的等离子体进行加热,探讨了MA-LIBS对目标元素Pb的信号强度增强效果。实验结果显示,MA-LIBS能显著提高元素谱线的探测能力,对于Pb I 405.78 nm特征谱线,最低浓度的含Pb土豆样品谱线强度能提高6倍以上,其余样品也有类似的规律。说明M A-LIBS在提高目标元素探测能力上有巨大的发展潜力。     

基于遗传算法和偏最小二乘法的土壤激光诱导击穿光谱定量分析研究

在空气环境下,采用激光诱导击穿光谱(LIBS)技术对土壤成分进行检测,建立了基于遗传算法(GA)和偏最小二乘法(PLS)的定量分析模型。将配制的58个土壤样品分为定标集、监控集和预测集,对11种组分Mn,Cr,Cu,Pb,Ba,Al2O3,Ca O,Fe2O3,Mg O,Na2O和K2O的含量分别进行预测。结果表明,GA作为一种谱线选择的预处理方法,可以有效减少用于PLS建模的光谱谱线的数目,从而简化模型。对于土壤中的大部分组成成分,GA-PLS模型能够显著改善传统PLS模型的预测能力。以Mn元素为例,浓度预测均方根误差(RMSEP)从0.0215%降低至0.0167%,平均百分比误差(MPE)从8.10%降低至5.20%。本研究为进一步提高土壤的LIBS定量分析准确度提供了方法参考。     

基于Voigt峰的未知成分光谱拟合算法及其在甲醇汽油定量分析中的应用

提出了一种基于Voigt函数的未知成分拉曼光谱拟合算法,利用Voigt峰函数的叠加形式对样本中未知成分所产生的背景光谱进行拟合。在扣除背景光谱影响后,利用被测成分的光谱贡献权值与成分浓度之间建立线性关系模型。实验在3种成分不同的基础汽油中加入不同体积比例(2.5%~80.0%)的甲醇溶液,利用本方法对成分未知的基础汽油所产生的背景光谱进行拟合,扣除拟合光谱后,剩余光谱即可视为甲醇的光谱贡献。基于4个训练样本建立了甲醇光谱贡献权值与浓度之间的线性定量分析模型,模型的预测均方误差(RMSEP)为1.86%,复相关系数(R2)达到0.987。结果表明,此方法可有效解决混合物中光谱重叠问题,具有训练样本少、外推性强的优点。     

基于马氏距离和稀疏矩阵技术的LIBS煤质灰分分析

为了提高激光诱导击穿光谱(LIBS)定量测量煤质的精度问题,先对原始数据进行预处理,包括异常值剔除、基线校正,谱线筛选,再将LIBS与偏最小二乘回归法(PLSR)结合建立定量模型以应用于煤质灰分的分析。结果表明,经过预处理后训练样品的拟合度(R²)从0.9740提高到0.9841,均方根误差(RMSE)从0.9613降低到了0.7527,预测均方根误差(RMSEP)从2.2731降到2.0017,同时平均绝对误差(MAE)和平均相对误差分别从1.9747、0.1094降低到1.5572、0.0757。研究表明,基于马氏距离(MD)的异常数据剔除算法结合基于稀疏矩阵技术的基线估计与降噪算法(BEADS),能够在一定程度上能够改善数据的稳定性和光谱信噪比,有利于提高数据建模的预测精度。     

高分辨激光诱导击穿光谱技术用于碳质页岩光谱特征分析

碳质页岩是一种重要的非常规油气源岩,包含丰富的页岩气储存信息。在地质油气勘探领域,识别物性相近的碳质页岩是地质学的难题之一。为快速准确判别碳质页岩特性,本研究利用激光诱导击穿光谱( LIBS)技术对碳质页岩的光谱进行特征分析。以1064 nm纳秒脉冲激光作为激发光源,采用高分辨中阶梯光栅光谱仪配合ICCD搭建高分辨光学系统,利用LIBS装置分析四川盆地某井2396~3428 m不同深度处的5个典型碳质页岩样品,共获取碳质页岩中主量元素Si,Al,Fe,Ca,Mg,K和微量元素Cu,Cr,Ni,Sr,Mn,Ti,Rb等22种元素的350条发射谱线。基于高分辨LIBS系统采集的丰富谱线信息,采用主成分分析( PCA)法提取光谱贡献率最大的主成分得分二维图,识别不同类别碳质页岩样品,实现定性分析。结果表明,高分辨LIBS实验装置不仅可用于碳质页岩主量元素Si,Al,Fe,Ca,Mg,K等谱线分析,同时对微量元素如Ni,Cr,Mn,Sr等也具有很好的灵敏性。此外,LIBS技术与主成分分析( PCA)法结合可以更好地用于碳质页岩定性分析领域,提供科学的碳质页岩岩性判断数据和快速的分类手段,为页岩气开采和评估提供强有力的工具。     

基于多光谱特征融合技术的面粉掺杂定量分析方法

提出了一种基于拉曼光谱技术(Raman)和激光诱导击穿光谱技术(LIBS)的多光谱特征融合技术(MFFT),利用拉曼光谱中分子组分信息和激光诱导击穿光谱中原子组分信息之间的互补特性,采用自适应小波变换(AWT)-竞争性自适应加权(CARS)-偏最小二乘回归(PLS)建模技术,获取了面粉体系更为全面的特征信息。在多光谱特征融合技术中,首先采用AWT-CARS方法分别提取拉曼光谱和激光诱导击穿光谱中的特征变量,然后将两者的特征变量融合为一个向量,采用PLS方法构建MFFT模型,实现了面粉掺杂物的定量分析。通过对二氧化钛、硫酸铝钾等面粉掺杂体系建模分析,考察MFFT模型的有效性。结果表明,与单一拉曼光谱技术或激光诱导击穿光谱技术建立的预测模型相比,MFFT模型显著提升了模型的预测性能,二氧化钛和硫酸铝钾预测模型的线性相关系数分别从相对较差的Raman模型的0.884、0.877提升到0.981、0.980,其预测均方根误差分别从相对较差的Raman模型的0.151、0.154降低到0.069、0.068。表明多光谱特征融合技术可以准确提取Raman光谱中的分子信息和LIBS光谱中的元素信息,使其互为补充、互为校正,进而有效克服面粉基质对掺杂组分定量分析的干扰,显著提高模型的预测精度。     

激光诱导击穿光谱结合CARS变量选择方法定量检测倍硫磷含量

利用双脉冲激光诱导击穿光谱(LIBS)技术对溶液中的倍硫磷含量进行定量检测。采用二通道高精度光谱仪采集不同浓度倍硫磷样品在206.28~481.77 nm波段的LIBS光谱,并对光谱进行多元散射校正(MSC)、标准正态变量变换(SNV)及3点平滑预处理,根据偏最小二乘(PLS)建模确定最优的预处理方法。在此基础上,利用竞争性自适应重加权算法(CARS)筛选与倍硫磷相关的重要变量,然后应用PLS回归建立溶液中倍硫磷含量的定量分析模型,并与单变量定量分析模型及未变量选择的PLS定量分析模型进行比较。结果表明,相比单变量定量分析模型及原始光谱PLS定量分析模型,CARS-PLS定量分析模型的性能更优,其模型的校正集和预测集的决定系数及平均相对误差分别为0.969 4、15.537%和0.995 9、5.016%。此外,与原始光谱PLS模型相比,CARS-PLS模型仅使用其中1.9%的波长变量,但预测集平均误差却由9.829%下降为5.016%。由此可见,LIBS技术检测溶液中的倍硫磷含量具有一定的可行性,且CARS方法能简化定量分析模型,提高模型的预测精度。