原油样品激光诱导荧光的时间分辨光谱特性研究

为探索激光诱导时间分辨荧光光谱技术应用于海洋悬浮溢油原位探测的可行性,对来自胜利油田六个不同井区不同密度的原油样品的时间分辨荧光光谱进行了探测分析。结果发现,各原油样品荧光发射的持续时间基本相同,从ICCD中数字延时发生器(DDG)的输入延时52ns开始,到输入延时82ns左右结束,各原油样品的荧光峰强度随时间变化曲线的半高宽约10ns;不同原油样品的最强荧光峰位及其衰减寿命不尽相同,并且与样品密度有一定相关性,密度相近的原油具有相近的最强荧光峰位和相似的荧光寿命。对比六种原油样品的时间分辨荧光光谱发现,在荧光增强时,原油荧光光谱峰位不变,当荧光从最大强度开始衰减时,六种原油样品的荧光光谱峰位均出现了不同程度(17~30nm)的红移现象,这一定程度上反映出原油中各荧光组分的荧光衰减速率存在差异,或者存在荧光组分之间的能量传递。所观测到的原油密度相关的时间分辨光谱信息和荧光峰红移现象可望成为水下悬浮溢油识别的有效特征之一。     

基于三维荧光光谱-平行因子分析的海上溢油识别技术研究

在世界范围内溢油事件频繁发生，溢油的组成成分会影响人类身体健康和生态系统。因此，迫切地需要一种可以快速识别溢油种类的方法。针对溢油污染物现场快速鉴别的需求，利用平行因子分析技术建立了基于三维荧光光谱的原油、燃料油识别方法。首先，利用Delannay三角形内插值法对实验选的6种原油(Roncador原油、巴士拉原油、俄罗斯原油、沙特原油(重质)、上扎库姆原油、海二站原油)和三种燃料油(380CST燃料油、5-7号燃料油、岚山燃料油)的三维荧光光谱去散射，去散射后的三维光谱数据进行归一化处理；之后，对三维荧光光谱进行平行因子解析，确定七个荧光组分为最佳荧光组分，进而得到由7个荧光成分组成的样品荧光特征谱，将风化第3，15和45天的样品及未风化样品的第一平行样的荧光特征谱进行贝叶斯方法(Bayes)判别分析和聚类分析，确定油品荧光特征谱的分析能力和18条荧光标准谱库(12条原油标准谱和6条燃料油标准谱)；最后，利用非负最小二乘多元线性回归建立溢油荧光识别方法，对第0，7和30天风化的样品和未风化样品的另一平行样进行识别。实验结果表明，除对风化及未风化的俄罗斯原油识别外，该方法对其余风化和未风化的五种原油和三种燃料油识别正确率均为100.0%，整体识别原油正确率为87.5%，燃料油正确率为100.0%。     

基于激光诱导荧光的常见机油快速识别方法

基于激光诱导荧光光谱原理,提出一种常见机油的快速识别方法。利用激光器发射波长为355nm的紫外激光,诱导九种常见机油样品发射荧光,共采集450组荧光光谱数据,其中360组数据用于分类训练,90组数据用于识别。分析发现不同机油的荧光光谱特征有明显差异,利用主成分分析结合聚类分析法实现了对90组待识别光谱数据的快速识别,识别率可达97.8%。实验证明,激光诱导荧光光谱结合多元分析可以实现不同机油的快速识别与检测。     

基于LIF的海面溢油状态识别研究

随着海洋运输业和海洋石油开采业的快速发展,溢油污染日益严重,给海洋环境和海洋生态平衡带来极大威胁。因此海洋溢油污染的治理、改善,成为海洋环境保护工程中刻不容缓的重要工作。而对不同状态溢油的识别则是解决溢油污染问题的基础与关键。海面上的溢油,主要包括未乳化与乳化两个不同阶段。前者以不同厚度的油膜形式存在,后者以不同油水比的溢油乳化物形式存在。不同状态的海面溢油具有不同的元素组成：油膜为纯油分子,乳化溢油为油水混合结构,构建出差异化的荧光基团。在激光作用下具备各自特征的荧光光谱信息,不同状态显示出较为明显的荧光光谱差异。光谱曲线的形状特征是荧光物质物理化学性质的一种外在体现,所以从光谱的特征形状来分析、比较一定的光谱参量可以达到物质分类和物种识别的目的和效果。为了实现海面溢油不同状态的快速分类识别,通过搭建的LIF探测系统,采集了常用成品油不同状态的荧光光谱,光谱曲线对比发现：乳化阶段的光谱会表现出荧光峰个数增多、荧光强度改变、荧光峰位偏移等一系列特征。在此基础上,根据表观统计学原理,提取光谱的均值、标准差、峰度系数、谱线宽度、曲线斜率等特征参量,并将这些特征值进行聚类分析。结果显示: 基于激光诱导荧光光谱的海面溢油聚类分析结果与实际溢油状态是基本一致的。即在已知油种的前提下,该分类方法可较好识别出海面不同的溢油状态。因此该方法可以为海面溢油识别提供一种新思路,也为LIF技术探测质量的提高,应用水平的提升奠定一定的基础。     

模拟溢油样品激光诱导荧光光谱的偏振特性研究

激光诱导荧光是海洋溢油探测的有效手段之一,但该技术的应用易受自然水体中叶绿素、CDOM等物质荧光信号的干扰。为了寻求排除自然水体荧光干扰的方法,基于532nm连续激光器搭建了激光诱导偏振荧光实验装置,并针对六种不同密度的模拟溢油样品和自然水体开展了荧光光谱偏振特性研究。实验结果发现,与自然水体的荧光光谱不具有明显的偏振特性不同,所有模拟溢油样品的诱导荧光均具有明显的偏振特性,这一结论说明激光诱导荧光光谱的偏振特性可以作为排除叶绿素、CDOM等物质荧光干扰的依据。实验还发现,溢油样品的荧光偏振性质因样品种类而异。在线偏振光激发下,原油样品荧光偏振度随波长逐渐降低,其中重质原油样品偏振度降低幅度最大,轻质原油样品幅度最小,而柴油样品荧光偏振度没有明显变化;当周期性改变激发光的偏振状态时,所有模拟溢油样品的荧光偏振度随之发生趋势相同的周期性波动,中质样品荧光偏振度波动的幅度低于重质样品,但明显超过轻质样品。这一结果说明,模拟溢油样品诱导荧光偏振度的波长变化特性及对激发光偏振态的响应特性均与样品密度存在一定关联,其偏振特性可以作为辅助油种识别的重要参量。     

同步荧光光谱分析法在海面溢油鉴别中的应用研究

为了实现海面溢油快速筛选和鉴别,文章提出了应用同步荧光光谱技术结合系统聚类分析方法鉴别海面溢油的方法,并应用于不同原油样品及风化油样的分析。结果表明,选择波长差为25nm,采用300～500nm范围内数据进行聚类分析,可以将原油样品和风化样品完全区分开,不同海区、不同采集时间的原油样品可大致分开。作为溢油鉴别的一种辅助方法,同步荧光光谱分析法能够对可疑油源及溢油样品实现初步筛选。     

紫外诱导高光谱成像的海洋溢油及乳化探测方法

针对夜间溢油探测问题,提出了一种通过紫外(UV)LED诱导并基于高光谱波段差辐射指数的探测方法。通过高光谱成像仪,同步采集了紫外LED和卤素灯两种照明方式下的原油、乳化油和本底海水的高光谱图像。基于33个波段(400~720 nm)辐射值构建了波段差指数作为溢油鉴别特征。特征优化方面,通过增L减R法、Fisher法进行了有效波长的选择,通过多维尺度分析、主成分分析(PCA)、独立分量分析进行了波段特征提取,通过径向基函数-支持向量机模型对结果进行识别。结果表明,基于紫外LED的高光谱波段差指数的溢油探测模式,比卤素灯的波段均值识别率分别提高了6.01%和8.17%,因此紫外LED光源更适合夜间溢油及乳化的准确探测。并且,通过Fisher有效波长选择和通过PCA得到的特征组合两种方法识别效果相当,优选的3波段特征的紫外识别率分别达到了85.89%和87.02%,12特征的溢油准确率均达到了100%,通过Fisher法提取的有效波长(400~420 nm),更适合于实际在线溢油探测。紫外诱导下高光谱的成像的海洋溢油鉴别模型,为夜间海洋溢油探测提供了一种快速鉴别方法。     

利用曲波变换的SVM非线性激光荧光光谱油种实时识别方法

提出一种非线性激光荧光光谱实时识别方法,首先利用离散曲波变换对预处理的荧光谱进行分解,得到不同角度和尺度的变换系数,并利用三层分解中的低频系数形成特征向量;然后构建重油、柴油、原油等船舶常见油种的支持向量机进行训练;最后利用训练好的支持向量机进行油膜光谱分类。结果表明,采用基离散曲波变换和支持向量机的分类方法,不依赖大样本训练,输入向量为曲波分解后的低频系数部分,训练样本少,支持向量数量大幅降低,从而缩短运算时间,具有实时性,与传统方法比较,更为有效,识别率更高。     

AdaBoost算法在矿井突水水源的荧光光谱识别中的研究

矿井突水是影响矿井安全生产的重要因素之一，如果矿井发生突水，能够快速、准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节，因此，建立一个能够快速识别矿井突水水源的模型具有重要的意义。水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法，通过获得相应的pH值、离子浓度、电导率等参数，然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足，鉴于LIF技术具有分析速度快、灵敏度高等优点，提出了将线性判别分析（LDA）算法作为弱分类器的自适应提升（AdaBoost）算法用于激光诱导荧光（LIF）光谱识别矿井突水水源的新方法。用于实验的九种水样（每种水样各取50个样本）由淮南地区某矿的老空水、灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。将405 nm激光器发射的激光打入被测水体并采集荧光光谱数据，然后对采集到450组荧光光谱数据进行分析，取其中360组光谱数据（每种水样各40组）用作训练集，取剩余90组光谱数据用作测试集。分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。首先利用决策树算法对光谱进行分类识别，在节点个数为8时决策树对测试集的分类效果最好，分类准确率达到91.11%。然后针对决策树算法分类效果的不足，利用决策树算法作为弱分类器的AdaBoost算法，当选取节点个数为9的决策树作为弱分类器的时，对训练集的分类准确率为97.78%。最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果，提出了基于LDA算法作为弱分类器的AdaBoost算法，在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。通过实验结果可以发现，集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强，相较于同为九个节点的决策树算法，采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%，对训练集的分类准确率从99.72%提升到了100%；然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法，采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%，对训练集的分类准确率达到100%，具有更好的识别效果，并且具有更好的泛化性能。实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。     

融合拉曼散射光和荧光信号反演海面溢油厚度的算法研究

随着海洋溢油问题的日益严重,多种遥感技术被用于海面溢油监测,其中激光诱导荧光(LIF)技术是目前被认为最有效的海面溢油探测技术之一。Hoge等基于LIF技术提出了一种利用拉曼散射光评估薄油膜厚度的积分反演算法并广泛应用于海面溢油探测,针对该算法存在误差较大的问题,提出一种融合拉曼散射光和荧光信号评估海面溢油厚度的反演算法。首先利用拉曼散射光信号反演油膜厚度,然后利用该反演结果计算获取溢油油品的荧光特征光谱,最后利用荧光信号反演油膜厚度。文中推导了利用荧光信号反演油膜厚度的算法,给出了油品荧光特征光谱的逼近算法,并给出了利用荧光信号反演油膜厚度的误差分析。通过实验对该方法进行了验证,选用原油和柴油为实验油品,以波长405 nm的激光作为激发光源,采集波长范围为420～700 nm,采集了海水的背景荧光和拉曼散射光信号、实验油品2,5,10和20 μm等不同厚度油膜的光谱信号。将采集数据分为训练集和测试集,利用训练集数据采用梯度下降法获取油品的荧光特征光谱,利用测试集数据分别采用积分拉曼法和该方法反演油膜厚度。采用积分拉曼法,原油不同厚度油膜反演结果的平均误差分别为12.6%,4.6%,4.4%和2.3%,柴油不同厚度油膜反演结果的平均误差分别为14.0%,7.0%,4.2%和3.6%;采用本文方法,原油不同厚度油膜反演结果的平均误差分别为2.5%,2.2%,1.2%和1.1%,柴油不同厚度油膜反演结果的平均误差分别为3.0%,2.4%,2.7%和1.6%。实验结果表明,2 μm油膜反演结果的误差降低最多,原油和柴油2 μm油膜的反演结果误差分别由12.6%和14.0%降低为2.5%和3.0%,其他厚度油膜反演结果的误差也有较大程度的降低,油膜厚度反演结果的误差均小于3%,采用本文算法可以有效提高油膜厚度反演结果的精度。     

隐性字迹的快速光谱显现与高光谱分类技术研究

擦除、密写、掩盖等隐性字迹的快速、无损显现与检验是法庭科学文件检验领域的研究难点。当前多采用切换多波段光源与滤光片的方法对隐性字迹进行显现,但对隐性字迹显现的光谱学机理分析较少,因此隐性字迹的显现效率与检验成功率均不高。为提高擦除、密写、掩盖三类隐性字迹的显现效率与检验精度,通过测量字迹的激发与荧光光谱、反射与透过光谱、微观形貌,对其显现机理与快速显现方法进行深入研究。并且基于液晶可调谐滤光器（LCTF）的高光谱成像技术与支持向量机（SVM）分类算法,提出一种对隐性字迹同时显现与分类的快速检验方法。晨光与百乐可擦笔字、荧光密写笔、柠檬汁均可在365 nm长波紫外光激发下发出较强荧光,其中可擦笔和柠檬汁的荧光波长为716 nm左右,荧光密写笔荧光波长为447 nm。此外,采用254或365 nm波长对柠檬汁隐性字迹进行紫外反射成像也可有效显现柠檬汁字迹。掩盖字迹的研究中发现,在700～2 500 nm红外波段,走珠笔、记号笔、可擦笔字迹透过率在60%以上,而中性笔字迹透过率在20%以下。因此,采用近红外波段850 nm成像有效显现了百乐走珠笔所覆盖的晨光中性笔字迹。同时,采用LCTF高光谱相机对三类隐性字迹在400～720 nm范围进行步长为5 nm的高光谱成像,并通过SVM分类算法对图像中不同笔迹成分进行同时显现和分类,分类总精度达99.284 4%,Kappa系数达0.959 1。以365 nm波长光源作为激发光进行光致发光成像可有效显现擦除与密写字迹。由于不同墨迹在近红外波段反射率差异较大,近红外成像可以有效显现掩盖字迹。基于LCTF高光谱成像的SVM分类技术可实现不同类别隐性字迹的同时显现与分类,并且有较高的显现效率与分类精度。     

数字图像识别在混合油类三维荧光光谱分析中的应用

海上溢油已成为全球环境污染的重要问题之一，溢油严重破坏了海洋生态的平衡，并导致人类健康受到危害。因此，研究高效的溢油检测方法对保护海洋生态环境具有重要意义。三维荧光光谱技术因能获得溢油的“指纹”图谱而成为溢油鉴别领域的有效分析手段，其与平行因子分析算法相结合获得了良好的溢油鉴别效果。但平行因子算法在使用过程中需要确定不同石油产品本身所适用的浓度范围，且其对预估计组分数敏感，组分数选择是否准确直接影响最终定性定量结果，这些问题都会对油类检测造成使用上的限制。油类组分极为复杂，其中各组分间不存在统一的线性浓度范围，其相互之间还受到荧光猝灭效应的影响。直接对未经稀释的油类样本进行光谱数据采集，所获得的三维荧光光谱会因样本中组分的种类及其含量不同而存在较大差异，导致对三维荧光光谱数据进行解析的平行因子分析算法不再适用。但组分的种类及含量相近的油样其光谱特征相似度较高，并且随着特定组分及其含量的改变，其光谱形状的变化规律也较为明显。基于此，将三维荧光光谱和数字图像识别相结合，提出一种针对混合油类样本的辨识方法。首先，利用五种矿物油（汽油、柴油、航空煤油、机油和润滑油）配制三类混合油样本，其中每类混合油是用其中两种不同矿物油以不同体积比直接混合配制而成；然后利用FS920荧光光谱仪获取样本的三维荧光光谱数据，并对该数据进行求导及灰度化预处理，进而得到三维荧光导数光谱灰度图；其次提取样本三维荧光导数光谱灰度图的颜色、纹理和形状等数字图像特征；最后，通过Fisher判别分析建立样本的分类模型，采用逐步回归建立混合油样本各组分相对体积的定量模型。分类模型对三类混合油样本的分类及识别效果良好。所建立的定量模型的线性相关性R大于0.99，显著性检验p值小于0.05。研究结果表明，三维荧光光谱的数字图像特征可以被本文所述方法有效提取并用于对油类样本的定性定量分析。该研究为海面溢油检测提供了一种简单、可靠的识别方法。     

一种基于荧光信号的海面厚油膜评估方法

油膜厚度是海面溢油污染评估分析的一个重要指标,激光诱导荧光(LIF)技术是目前最有效的海面溢油探测技术之一,基于LIF探测技术的油膜厚度反演算法当下仅有适用于薄油膜(≤10~20 μm)的评估方法,而对于较厚油膜(>20 μm)的评估目前尚无有效的反演算法。鉴于此,提出一种基于LIF技术适用于较厚油膜的反演算法,该算法采用油膜荧光信号反演油膜厚度,推导了油膜厚度反演公式,并给出了基于该反演算法的油膜厚度评估方法。首先采用最大类间方差算法(Otsu)选取合适的荧光光谱波段,然后根据选取波段内每个波长的光谱数据反演油膜厚度,最后采用反演油膜厚度的平均值作为油膜厚度评估结果。研究了该算法的适用范围,给出了该算法有效评估范围最大值与测量相对误差的关系,并结合消光系数给出了在多种测量误差条件下不同消光系数油品有效评估范围的最大值。通过实验对本文方法进行了验证,选用原油和白油的混合油(1∶50)作为实验油品,以波长为405 nm的激光作为激发光源,采集波长范围为420～750 nm,采集了海水背景荧光和拉曼散射光光谱、实验油品的荧光特征光谱和多种不同厚度的较厚油膜的荧光光谱。采用Otsu算法选取420～476 nm波段评估油膜厚度,在实验油品油膜厚度≤800 μm时,该算法对油膜厚度的评估具有较高的精度,平均误差为10.5%;在油膜厚度>800 μm时,平均误差为28.8%,评估误差较大且随油膜厚度的增加快速变大,该实验结果与利用测量相对误差和消光系数的分析结果一致。实验结果表明,该方法可以实现对海面较厚油膜厚度的有效评估,并可以根据测量相对误差和消光系数判断评估结果的有效性。     

基于荧光光谱及矩阵分析的植物油鉴别技术

利用FS920荧光光谱仪测量42个油样(包括36个纯植物油样,3个调和油样和3个混合油样)的荧光光谱,并对其数据矩阵(EEMs)进行归一化处理,确定了植物油特征激发波长及矩阵分析模型。综合分析植物油在特定范围内(激发波长为250~550 nm,发射波长为260~750 nm)的等高线光谱图和特征发射谱线图,将植物油划分为三类;将矩阵分析模型应用于纯植物油鉴别,分类正确率100%;为验证矩阵分析的定量判别能力,对三种混合油样进行分析,得到接近实际配比的分析结果;对市售三种调和油样本进行分析,得出调和油以大豆和菜籽油为基底的结论。通过对植物油荧光光谱的图谱特征和其矩阵模型的分析,证实荧光光谱技术和矩阵分析法对植物油进行分析和种类鉴别的有效性。     

三维荧光光谱结合稀疏主成分分析和支持向量机的油类识别方法研究

石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析（SPCA）对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机（SVM）算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠（SDS）配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析（PCA）进行特征提取,再利用SVM和K最近邻（KNN）两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。     

最小角回归结合竞争性自适应重加权采样的近红外光谱波长选择

近红外光谱分析技术对检测样品无损伤且检测速度快、精度高,因此被广泛应用在了药品检测、石油化工等领域,尤其近年来机器学习和深度学习建模方法的深入应用使其具备了更准确的检测性能。然而,样品的近红外光谱数据具有比较高的维度且存在谱间重合、共线性和噪声等问题,对近红外光谱模型的性能产生消极影响,此时样品有效特征波长的筛选极为重要。为了提高近红外光谱定量和定性分析模型的准确性和可靠性,提出了一种近红外光谱变量选择方法,其结合了最小角回归（LAR）和竞争性自适应重加权采样（CARS）的优点,具有更优的性能。该方法利用LAR初步筛选样品全谱区的特征波长,接着利用CARS对筛选出来的特征波长进一步选择,从而有效去除无关特征波长。为验证该方法的有效性,从定量和定性分析两个方面评价该方法。在定量分析实验中,以FULL,LAR,CARS,SPA和UVE作为对比方法,以药品样品数据集为实例建立PLS回归分析模型,经LAR-CARS筛选出的变量建立的PLS模型在药品数据集表现出较高的预测决定系数和较低的预测标准偏差。在定性分析实验中,以SVM,ELM,SWELM和BP作为对比方法、不同比例训练集的药品数据集为实例建立分类模型,经LAR-CARS筛选出的变量建立的SVM分类模型精度最高达100%。从实验结果可见,LAR-CARS可有效的筛选出表征样品特征的波长,利用其筛选出的波长建立的定量、定性分析模型具有更好的鲁棒性,可用于样品光谱的特征波长筛选。     

基于迭代逼近算法的土壤中机油和柴油混合物荧光信号重叠特性研究（英文）

随着我国经济的迅速发展,石油制品需求量与日俱增,伴随着工农业生产活动,大量石油制品进入土壤,造成严重的土壤石油污染。土壤中的石油污染物会对植物生长产生危害,并通过食物链威胁人类健康,因此需对土壤中的石油污染物进行现场、快速检测。激光诱导荧光技术(Laser-Induced fluorescence, LIF)具有检测速度快、灵敏度高、可现场检测等优点,但在检测土壤中有机污染物时,面临着荧光光谱重叠严重等问题。为了研究土壤中机油和柴油混合物荧光信号的重叠特性,制备了10种含有不同浓度机油、柴油混合物的土壤样品。通过搭建LIF实验系统,获取不同混合浓度的机油和柴油的荧光光谱,对油类荧光光谱进行了最大值归一化处理,建立土壤中机油、柴油混合光谱的反演关系,以最小残差平方和为指标,使用迭代逼近算法计算出土壤荧光光谱中柴油和机油样品的荧光贡献率。分别使用了全谱法和截取特征光谱两种方法计算机油和柴油的荧光贡献率。全谱法是在混合油样的全波段光谱(200~600 nm)范围进行迭代逼近,截取特征光谱方法是在截取油样光谱(330~460 nm)段进行迭代逼近。(330~460 nm)范围内包含了混合油样的所有光谱特征。用计算出的机油的荧光贡献率与机油样品浓度做线性拟合时发现,截取特征光谱法的拟合系数R为0.989,优于全谱法的0.923。分别用全谱法、截取特征光谱法计算出的荧光贡献率以及归一化机油、柴油光谱合成混合油归一化光谱,与实际归一化混合光谱比较,截取特征光谱法计算的平均相对误差为3.38%,优于全谱的8.79%,其原因是全谱法比截取特征光谱法引入了更多的噪声信号,所以在计算油类荧光贡献率时产生了较大的误差。选取机油和柴油归一化光谱上300, 350, 400, 450和500 nm等5个位置的荧光强度与归一化混合油光谱做多元线性回归拟合,计算出平均相对误差为10.31%。结果表明截取特征光谱方法优于多元线性回归方法;土壤中机油和柴油的荧光贡献率与自身的浓度之间成良好的线性关系,说明在土壤中机油和柴油混合后各自的化学性质保持稳定,在土壤中的荧光信号重叠特性是线性叠加的。这种这种方法同样可以用于其他石油类混合物的解离。通过该研究提高了LIF技术在土壤中石油烃类污染物定性与定量检测的准确性。为土壤中石油烃现场快速检测提供了方法支撑。     

一种油田原油含水率的近红外光谱检测与分析方法

石油作为重要战略资源,对其组分进行实时分析检测在石油化工领域有着重要意义。随着石油资源的不断开发,在已长时间开采油井的生产过程中以及新油井开采前,需要对井下原油组分进行分析检测,以判定开采的必要性。原油组分实时检测,在原油开采、生产、储运以及销售过程中都起着关键的作用,针对传统检测方法存在精度低、效率低等问题,近年来在原油组分检测技术的研究方法上引入了在测量领域得到广泛、有效应用的近红外光谱测量技术。以井下原油作为研究对象,利用从大庆油田获得的提纯原油与水按体积比配制了原油占比分别为1%~20%共39个组分的实验样品来模拟井下原油。研究了近红外光谱透射法测量原油组分的基本原理,并利用SW2520型近红外光谱仪与卤素光源以及配套组件集成了原油样品近红外光谱数据测量系统,完成了系统的标准化实验并利用此标准化后的系统采集了39个组分原油样品的近红外吸收光谱数据。利用移动窗口平滑法、Savitzky-Golay卷积平滑法以及Savitzky-Golay卷积求导法对原油近红外光谱数据进行预处理以消除噪声,利用偏最小二乘法和支持向量机回归方法SVR两种分析方法对预处理后的原油样品近红外光谱进行建模,分别建立了原油组分分析预测模型。研究结果表明,利用偏最小二乘法模型预测均方根误差为0.003 755 14,决定系数R2为0.999 999,预测精度优于0.1%,预测效果十分理想。利用近红外光谱技术对配制的不同比例的井下原油模拟测试样品进行测试建模和分析,为井下原油组份检测提供了一种新的思路,该方法可以有效的解决原油含水率的检测问题,为开发油田现场实时原油检测分析装备提供技术支撑。