毛竹化学成分光谱分析的快速建模方法研究

研究了毛竹综纤维素和木质素含量近红外光谱定量分析方法的建立。选用不同竹龄、纵向和横向部位的54个竹材粉末样品,用湿化学方法测定其综纤维素和木质素含量。在综纤维素和木质素含量的分布范围内,从低值、中间值和高值中挑选11个代表性样品,11个样品按预定比例混合得到21个混合样品,混合样品的综纤维素和木质素含量计算得到,再挑选22个目标成分含量不同的样品组成54个样品的校正集。用偏最小二乘法分别建立样品综纤维素含量、木质素含量和近红外漫发射光谱之间的相关模型。结果表明,综纤维素含量的预测模型的相关系数(R_p)为0.92,标准偏差(SEP)为1.04％;木质素含量的预测模型的R_p为0.93,SEP为0.91％,与常规方法建立的模型预测精度相似。说明利用样品混合的方式可快速增加校正集样品的数量、改善校正集样品的分布状况,继而建立稳定可靠的近红外定量分析模型。     

木质素活化及在木材胶粘剂中的应用进展

木质素是相对分子量较高的天然聚合物,由于具有苯酚结构利于制备木材胶粘剂,但是木质素本身反应活性低,一般都将其活化后再利用.而且,除了以往利用最多的造纸工业产生的木质素外,研究发现木材经过褐腐菌降解后残留主要成分是结构部分发生变化的木质素,这种可再生生物质资源以其自身的结构特点在合成胶粘剂上也有很大的优势,本文结合木质素胶粘剂应用中的问题,重点概述了活化木质素的各种方法及褐腐木质素在木材胶粘剂中的应用.     

硼氢化钠还原对褐腐木质素结构特征的影响

采用FTIR、UV-Visible、NMR和GPC分析手段研究了褐腐木质素被NaBH₄还原前后的化学结构变化。FTIR表明褐腐木质素还原后1 677 cm-1处与苯环共轭的羰基峰消失,1 715 cm-1处非共轭羰基峰强度减弱,1 509和1 603 cm-1处苯环骨架振动吸收峰强度变化很小;UV表明褐腐木质素还原后位于288 nm的最强吸收峰和300～400nm区域的吸收强度降低;1H NMR表明褐腐木质素还原后甲氧基和酚羟基数量减少,醇羟基数量增加,褐腐木质素芳香环和结构单元联接键上的氢质子数增加;GPC表明褐腐木质素还原后分子量分布向高分子区域扩展,数均和重均分子量增大,分子量分布明显变宽。NaBH₄在碱性环境中可以将褐腐木质素中的共轭羰基完全还原为羟基,非共轭羰基部分还原为羟基,其侧链结构部分被改变,苯环结构稳定,褐腐木质素在还原过程中发生了缩合反应。     

近红外光谱法快速测定毛竹Klason木质素的含量

研究了用近红外漫反射光谱法对毛竹Klason木质素含量的快速预测。选取了代表不同竹龄、不同高度和横向不同位置的54个竹材粉末样品,用常规实验室方法测定了54个样品的Klason木质素含量,用近红外光谱仪漫反射方式在350～2500 nm范围内采集相应样品的光谱,利用多变量统计分析软件建立样品木质素含量和光谱数据之间的相关性模型。结果表明,对原始光谱进行二阶导数预处理后,选择1 011～1675 nm和1930～2488 nm波长区间,用偏最小二乘法(PLS1)和完全交互验证方式建立了的校正模型和预测模型的相关系数分别为0.99,和0.97,校正标准误差SEC＝0.36％,预测标准误差SEP=0.59％,说明毛竹Klason木质素含量和近红外光谱之间存在非常好的相关性,用近红外光谱技术可以实现对竹材样品中Klason木质素含量的快速预测。     

两种木塑复合材料的识别及主要组分的定量分析

不同塑料基体木塑复合材料（WPC）的识别及主要组分的定量分析对于废弃WPC产品的分类回收、高效再利用,以及产品生产过程中的质量控制、产品销售和使用过程中规范市场秩序和维护消费者合法权益,具有重要意义。建立不同塑料基体WPC的主要组分的通用定量分析模型,有助于降低检测成本,扩大模型的适用范围。然而。目前国内外关于不同塑料基体的WPC定性识别研究,尚未与WPC主要组分的定量分析相联系,未能构建完整的技术体系。WPC主要组分定量分析研究尚局限在单一塑料基体WPC的定量分析模型。针对此种情况,分别以聚乙烯（PE）和聚丙烯（PP）为增强体,杉木为生物质填料,加入一定量的添加剂后,采用挤出成型法分别制备了20个不同杉木/PE配比和20个不同杉木/PP配比的WPC样品。采用溴化钾压片法获取了40个WPC样品的红外光谱,利用多变量统计软件对光谱数据先进行一阶导数处理,再进行变量标准化。利用主成分分析法（PCA）对杉木/PE和杉木/PP两种复合材料进行了分类,由于PP和PE化学结构的差异明显,两种复合材料在二维主成分空间中呈带状分布,每种WPC样品处于相对独立空间,分类正确率达100%。利用偏最小二乘法（PLS）建立了两种复合材料通用定量分析模型,木粉和塑料的校正模型的决定系数R2分别为0.984和0.985,校正标准偏差SEC分别为1.034%和1.206%;木粉和塑料的预测模型的R2均为0.956,交互验证标准偏差SECV分别为1.779%和1.792%;RPD值分别为4.83和4.85。为更客观准确地检验模型的预测能力,随机选取10个样品对所建通用定量分析模型进行外部验证。结果显示,模型预测准确性高,木粉含量的预测相对偏差在±8%以内,塑料含量的预测相对偏差在±7%以内。建立了一套PE基和PP基WPC快速准确的识别方法和通用定量分析模型,为红外光谱法应用于WPC生产、质检及回收再利用过程中的定性识别和定量分析奠定了技术基础。     

纳米SiO_2分离富集-火焰原子吸收法测定水中痕量银

研究了纳米SiO_2分离富集-火焰原子吸收法测定水中痕量银的新方法.考察了溶液pH、吸附时间、洗脱条件和干扰离子等因素对Ag~+分离富集的影响,确定了纳米SiO_2对Ag~+吸附的最佳条件.结果表明:在pH 4.1时,纳米SiO_2能定量吸附银,吸附在纳米SiO_2上的Ag~+可用0.5 mol/L HCl+0.5 mol/L硫脲定量洗脱.该法对银的检出限为0.77 ng/mL(3σ,n=11);线性范围为0.005～1.5μg/mL,对0.5μg/mL的Ag~+标液进行7次测定,RSD为3.6%,回收率在94.0%～101.5%之间;方法可用于环境水样中痕量银的测定.     

纳米硅羟基磷灰石分离富集-火焰原子吸收法测定水样中痕量铅

提出了纳米硅羟基磷灰石(Si-HAP)分离富集,火焰原子吸收光谱法(FAAS)测定水样中痕量铅的新方法。考察了铅在纳米Si-HAP上的吸附动力学、最佳酸度和吸附容量。实验结果表明:在最佳实验条件下,纳米Si-HAP能定量、快速地吸附水中的痕量Pb2+,其静态吸附容量24.33 mg/g;吸附在纳米Si-HAP上的Pb2+可用0.01mol/L EDTA-Ca完全洗脱。本法对Pb2+的检出限为1.33 ng/mL,相对标准偏差为4.0%(n=11,c=1μg/mL),加标回收率在94.9%~102.0%之间。方法用于实际水样中铅的测定,结果满意。     

红外光谱法测定杉木/聚丙烯复合材料中木粉和塑料含量

木塑复合材料(wood plastic composites, WPCs)中木材和塑料的配比影响其性能和价格,传统的热化学方法尚不能快速准确地测定WPCs中木塑配比。为探究红外光谱法定量分析WPCs中木粉和塑料的可行性,以杉木、聚丙烯(PP)以及各种添加剂为原料,经过木粉改性、混料和挤出造粒制备出13种不同杉木含量(9.8%～61.5%)的WPCs。采用KBr压片法对制得的样品进行红外光谱分析,通过对比WPCs、杉木、PP以及其他添加剂的红外谱图,确定杉木特征吸收峰为1 059,1 033和1 740 cm-1,1 377,2 839和841 cm-1表征PP特征峰。建立木粉含量、PP含量和二者特征吸收峰峰高比之间的相关关系,结果表明,木粉含量与I_{1 059}/I_{1 377}和I_{1 033}/I_{1 377}之间均存在极强的线性相关,R2分别为0.992和0.993,PP含量与I_{1 377}/I_{1 740}和I_{2 839}/I_{1 740}之间存在高度线性相关,R2分别为0.985和0.981,形成了杉木/PP复合材料中木粉和PP含量的红外光谱定量分析方法,木粉含量预测方程依次为y=53.297x-9.107和y=55.922x-10.238,PP含量预测方程依次为y=6.828 5x+5.403 6和y=8.719 7x+3.295 8。方法精密性和准确性检验表明,方法可重复性强、准确度高,木粉与塑料含量预测平均相对误差约为5%,与传统热化学方法相比,预测精度有较大提高,更重要的是红外光谱法操作更为简便。该研究为杉木/PP复合材料中木粉及塑料含量的测定提供了一种简便、快速、准确的方法。     

红外光谱结合偏最小二乘法定量分析毛竹/聚丙烯复合材料的主成分

木塑复合材料(wood plastic composites, WPC)中生物质和塑料的比例影响其物理力学性能和价格。建立一种快速、准确的方法预测WPC中生物质和塑料的含量对于WPC市场的进一步发展具有重要作用。现有的检测方法主要为热分析法,然而,热分析法固有的缺陷(包括检检测时间长、测精度低、操作复杂等)严重限制了其应用范围。为此,本研究采用红外光谱(FTIR)结合偏最小二乘法(PLS)对毛竹/聚丙烯(PP)复合材料样品中毛竹及PP的含量进行了快速测定。以毛竹为生物质填料、PP为基体材料,同时加入一定量的添加剂,采用挤出成型法制备了42个不同毛竹/PP比例的WPC样品。采用KBr压片法收集42个WPC样品的红外光谱数据,利用PLS-2和完全交互验证方式建立样品中毛竹及PP含量和光谱数据间的相关性模型。内部交互验证结果表明,对原始光谱进行一阶导数和SNV预处理后,选择1 800～800 cm-1 波段建立的模型性能最佳。毛竹和PP含量的校正模型决定系数R2均为0.955,校正标准偏差SEC分别为1.827和1.848。毛竹和PP含量的预测模型决定系数R2均为0.950,交互验证标准偏差SECV分别为1.927和1.950,RPD值均为4.45。外部验证结果表明,毛竹和PP含量相对预测偏差均低于6%,FTIR结合PLS法可以同时快速、准确地预测毛竹/PP复合材料中毛竹及PP含量。     

杉木综纤维素和木质素的近红外光谱法测定

用近红外光谱法对杉木中综纤维素和木质素含量进行了快速测定。用常规湿化学方法测定了48个杉木木材样品的综纤维素和木质素,用近红外光谱仪采集相应的光谱,进行二阶微分处理和平滑预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。综纤维素校正模型和预测模型的相关系数分别为0.96和0.93;预测标准误差分别为0.39和0.50;木质素校正模型和预测模型的相关系数分别为0.99和0.90;预测标准误差分别为0.10和0.28。结果表明,近红外光谱法可以快速分析木材中综纤维素和木质素含量。