微波消解-原子吸收光谱法测定人造板饰面材料中铅镉铬

用微波消解作为样品前处理,选择硝酸和过氧化氢为消解试剂,用火焰原子吸收法和石墨炉原子吸收法,可测定三聚氰胺浸渍胶膜纸、聚氯乙烯(PVC)薄膜、漆膜等人造板饰面材料中的铅、镉、铬元素含量。火焰原子吸收法的铅、镉、铬元素检出限分别为0.12,0.020 9和0.146 μg·mL-1;石墨炉原子吸收法的镉元素检出限为0.157 μg·L-1。铅元素相对标准偏差为0.8%～3.0%,加标回收率为94%～109.2%;镉元素相对标准偏差为0.8%～2.1%,加标回收率为94%～106.4%;铬元素相对标准偏差为1.8%～4.9%,加标回收率为98.8%～107.7%。方法准确可靠,适用于人造板饰面材料中重金属的分析,可为制定相关检测方法标准提供依据。     

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。     

东非黑黄檀和阔叶黄檀抽提物的红外光谱三级鉴别

利用红外光谱结合二阶导数光谱和二维相关光谱,对东非黑黄檀和阔叶黄檀两种相似木材的苯醇抽提物成分进行分析研究,结果显示,两种易混淆木材的抽提物谱图差异明显,可实现化学分类区分树种的目的。     

利用近红外光谱和X射线衍射技术分析木材微纤丝角

利用近红外光谱和X射线衍射法对木材的微纤丝角进行了快速预测。微纤丝角是影响木材性质的最重要的物理量之一,木材资源利用和林木品质改良都要求能快速、方便地测定木材的微纤丝角。 该实验首先利用X射线衍射仪,快速测量和计算出154个杉木木材样品的微纤丝角。然后,依据木材不同成分在近红外区的不同吸收特性,在近红外光谱数据与X射线衍射仪测定的微纤丝角之间建立相关模型。结果表明,二者之间具有很好的相关性,其校正模型和预测模型的相关系数(r2)分别达到0.867和0.816。     

计算科学与工程本科及研究生教育的思考与实践

介绍一门新兴学科——计算科学与工程 (CSE) ,讨论该学科的本科与研究生教育的培养目标、课程设置、创新素质等 ,提出了计算科学与工程教育的几种培养模式 ,总结了本科、研究生教学实践的经验     

近红外光谱技术快速识别针叶材和阔叶材的研究

对一种针叶材和一种阔叶材的横切面采集波长范围为780～2 500 nm的近红外漫反射光谱,结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究,结果表明：(1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%,识别模型预测的分类变量值与实际值之间相关系数r达到0.99,SEC为0.07;(2)即使采用短波区域780～1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%),识别模型的r也达到0.99,SEC为0.07;(3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%,说明近红外光谱技术可以快速、准确识别针叶材和阔叶材,这为木材识别提供了一种新方法和技术,也为开发低成本的近红外光谱识别仪器提供了科学依据。     

基于主成分分析和支持向量机的木材近红外光谱树种识别研究

为了探究一种新型高效的树种鉴别方法,以桉木、杉木、落叶松、马尾松和樟子松近红外光谱数据为研究对象,分别建立了基于主成分分析和支持向量机的木材树种定性识别模型。在主成分识别模型中,样本光谱数据经过预处理后绘制了其二维和三维主成分得分图,可以看出：主成分分析得分图能有效区分五种木材树种,且三维得分图比二维得分图更能直观、清晰展示树种之间的差异,表明主成分分析在可视化层面上可对小样本树种进行有效判别。在支持向量机识别模型中,分别建立了以遗传算法和粒子群算法为代表的智能算法优化支持向量机树种识别模型,结果显示,遗传算法-支持向量机模型的交叉验证最佳判别准确率为95.71%,测试集预测准确率为94.29%,算法用时134.08 s;粒子群算法-支持向量机模型的交叉验证最佳判别准确率为94.29%,测试集预测准确率为100.00%,算法用时19.98 s,表明基于智能算法支持向量机树种识别模型能够实现对木材树种的有效鉴别。该研究对近红外光谱分析技术在木材科学领域的应用进行了有益探索,为木材树种的快速识别提供了新方法。     

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。     

木材不同切面的近红外光谱信息与密度快速预测

用近红外光谱对木材密度进行了研究。发现木材三个不同切面(横切面、径切面、弦切面)的近红外光谱有较大的差异;结合偏最小二乘法(PLS),根据三个切面采集到的光谱数据与木材密度建立了校正模型,横切面预测集的相关系数r为0.94,径切面和弦切面分别为0.85和0.81。结果表明,从横切面采集到的光谱建立的预测模型效果最好。用该模型对随机抽取、未参与建模的15个样品的密度进行了预测,r2=0.977, 标准偏差：STDEV=0.006。