甲醇汽油和乙醇汽油都为清洁能源,但甲醇汽油和乙醇汽油的优缺点各有不同,其中甲醇、乙醇的含量决定了汽油性能的优劣,对甲醇汽油和乙醇汽油进行判别区分以及醇类汽油中醇含量进行定量测定非常重要。通过中红外光谱技术对醇类汽油的类...甲醇汽油和乙醇汽油都为清洁能源,但甲醇汽油和乙醇汽油的优缺点各有不同,其中甲醇、乙醇的含量决定了汽油性能的优劣,对甲醇汽油和乙醇汽油进行判别区分以及醇类汽油中醇含量进行定量测定非常重要。通过中红外光谱技术对醇类汽油的类型进行判别并对其含量进行定量分析。首先通过对比分析甲醇汽油和乙醇汽油的中红外光谱图,采用随机森林(random forest,RF)对甲醇汽油和乙醇汽油样品进行判别;在建立甲醇汽油和乙醇汽油样品定性判别模型之后,分别建立甲醇汽油和乙醇汽油的定量测定模型,从而精确测定汽油中对应的醇的含量。为减小在实验过程中实验仪器振动、噪声等原因导致的光谱漂移、光散射等现象,对中红外光谱进行预处理。首先采用不同预处理,如(savitzky-golay,S-G)卷积平滑、多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variable transformation,SNV)、导数(derivatives)等方法进行校正,分别建立适合甲醇汽油和乙醇汽油的检测模型。预处理后的数据分别建立甲醇汽油、乙醇汽油的最小二乘支持向量机(least square support vector machine,LS-SVM)模型。采用随机森林(random forest,RF)对甲醇汽油和乙醇汽油样品进行判别,发现当决策树个数为61时,判别正确率达到98.28%。对于LS-SVM模型,比较建模结果可知:无论是甲醇汽油还是乙醇汽油,标准正态变量变换(SNV)预处理效果最好,经SNV校正处理后建立的甲醇汽油甲醇含量测定LS-SVM模型的预测相关系数R_p为0.9519,均方根误差(root mean square error of prediction,RMSEP)为1.7663;经过标准正态变量变换后建立的乙醇汽油乙醇含量测定LSSVM模型的预测相关系数R_p为0.9515,均方根误差RMSEP为1.7703。该研究可为甲醇汽油、乙醇汽油的定性判别和其含量测定提供技术参考和理论依据,为甲醇汽油产业提供测量醇类汽油检测的新方法,具有较为重要的现实意义,也为其他类型的化工产品的检测奠定了基础。展开更多
文摘甲醇汽油和乙醇汽油都为清洁能源,但甲醇汽油和乙醇汽油的优缺点各有不同,其中甲醇、乙醇的含量决定了汽油性能的优劣,对甲醇汽油和乙醇汽油进行判别区分以及醇类汽油中醇含量进行定量测定非常重要。通过中红外光谱技术对醇类汽油的类型进行判别并对其含量进行定量分析。首先通过对比分析甲醇汽油和乙醇汽油的中红外光谱图,采用随机森林(random forest,RF)对甲醇汽油和乙醇汽油样品进行判别;在建立甲醇汽油和乙醇汽油样品定性判别模型之后,分别建立甲醇汽油和乙醇汽油的定量测定模型,从而精确测定汽油中对应的醇的含量。为减小在实验过程中实验仪器振动、噪声等原因导致的光谱漂移、光散射等现象,对中红外光谱进行预处理。首先采用不同预处理,如(savitzky-golay,S-G)卷积平滑、多元散射校正(multiplicative scatter correction,MSC)、标准正态变量变换(standard normal variable transformation,SNV)、导数(derivatives)等方法进行校正,分别建立适合甲醇汽油和乙醇汽油的检测模型。预处理后的数据分别建立甲醇汽油、乙醇汽油的最小二乘支持向量机(least square support vector machine,LS-SVM)模型。采用随机森林(random forest,RF)对甲醇汽油和乙醇汽油样品进行判别,发现当决策树个数为61时,判别正确率达到98.28%。对于LS-SVM模型,比较建模结果可知:无论是甲醇汽油还是乙醇汽油,标准正态变量变换(SNV)预处理效果最好,经SNV校正处理后建立的甲醇汽油甲醇含量测定LS-SVM模型的预测相关系数R_p为0.9519,均方根误差(root mean square error of prediction,RMSEP)为1.7663;经过标准正态变量变换后建立的乙醇汽油乙醇含量测定LSSVM模型的预测相关系数R_p为0.9515,均方根误差RMSEP为1.7703。该研究可为甲醇汽油、乙醇汽油的定性判别和其含量测定提供技术参考和理论依据,为甲醇汽油产业提供测量醇类汽油检测的新方法,具有较为重要的现实意义,也为其他类型的化工产品的检测奠定了基础。
