本文關(guān)鍵詞：基于高光譜成像技術(shù)的厭氧發(fā)酵液理化性質(zhì)的快速檢測(cè)研究

  更多相關(guān)文章： 厭氧發(fā)酵 近紅外高光譜成像技術(shù) 化學(xué)計(jì)量學(xué)方法 總固體含量 揮發(fā)性固體含量 pH 總無(wú)機(jī)碳 圖像可視化

【摘要】：在厭氧發(fā)酵過(guò)程中,需要實(shí)時(shí)監(jiān)測(cè)反應(yīng)器溫度、有機(jī)負(fù)荷率、pH、揮發(fā)性脂肪酸等發(fā)酵環(huán)境參數(shù)和發(fā)酵液理化性質(zhì),以保證發(fā)酵穩(wěn)定順利地運(yùn)行。應(yīng)用傳統(tǒng)化學(xué)分析方法檢測(cè)發(fā)酵過(guò)程發(fā)酵液重要物理化學(xué)性質(zhì)耗時(shí)費(fèi)力,不能滿足實(shí)際需要。光譜法具有快速、簡(jiǎn)便,能夠?qū)崿F(xiàn)發(fā)酵過(guò)程的在線實(shí)時(shí)監(jiān)測(cè),是一種具有廣泛應(yīng)用前景的過(guò)程監(jiān)測(cè)技術(shù)手段。本文采用了近紅外高光譜成像技術(shù)結(jié)合相關(guān)化學(xué)計(jì)量學(xué)方法和圖像處理方法,建立了稻草秸稈和水葫蘆混合厭氧發(fā)酵過(guò)程底物及液相產(chǎn)物中的重要參數(shù)的預(yù)測(cè)模型及部分參數(shù)的高光譜圖像可視化,以期實(shí)現(xiàn)采用高光譜成像系統(tǒng)進(jìn)行在線監(jiān)測(cè)厭氧發(fā)酵的目標(biāo)。(1)采用近紅外高光譜(波長(zhǎng)范圍874-1734 nm)結(jié)合化學(xué)計(jì)量學(xué)方法實(shí)現(xiàn)發(fā)酵底物中總固體含量(TS)和揮發(fā)性固體含量(VS)的預(yù)測(cè)。首先,獲取發(fā)酵液樣本的高光譜圖像,應(yīng)用移動(dòng)平均平滑法(MAS)進(jìn)行光譜預(yù)處理,并采用競(jìng)爭(zhēng)自適應(yīng)加權(quán)采樣算法(CARS)、連續(xù)投影算法(SPA)和Random frog算法進(jìn)行特征光譜信息的提取。基于CARS、SPA和RF算法分別得到關(guān)于預(yù)測(cè)TS含量的特征波長(zhǎng)個(gè)數(shù)分別為11,5,8;用于預(yù)測(cè)VS含量的特征波長(zhǎng)個(gè)數(shù)分別為17,14,7。然后分別建立全波段和特征波段建立TS和VS的偏最小二乘回歸(PLSR)和最小二乘-支持向量機(jī)(LS-SVM)的預(yù)測(cè)回歸模型。結(jié)果表明：SPA-LS-SVM模型的預(yù)測(cè)結(jié)果最好,對(duì)于TS含量的預(yù)測(cè)均方根誤差(RMSEP)及相關(guān)系數(shù)(R)分別為0.0058、0.841；VS的預(yù)測(cè)均方根誤差、相關(guān)系數(shù)分別為0.0041和0.874。因此,利用近紅外高光譜可以較為準(zhǔn)確地檢測(cè)厭氧發(fā)酵過(guò)程中的固形物含量,可為厭氧發(fā)酵過(guò)程中的固形物含量的檢測(cè)提供理論和實(shí)踐依據(jù)。(2)采用近紅外高光譜結(jié)合化學(xué)計(jì)量學(xué)方法檢測(cè)發(fā)酵液pH及總無(wú)機(jī)碳(TIC)含量的預(yù)測(cè)模型。首先,獲取發(fā)酵液樣本的近紅外高光譜圖像信息,應(yīng)用小波變換(WT)進(jìn)行光譜圖像去嗓預(yù)處理。然后采用SPA、Random frog算法和變量重要性投影算法(VIP)對(duì)pH進(jìn)行特征波長(zhǎng)提取并分別得到了8,15和20個(gè)特征波長(zhǎng)；應(yīng)用CARS、RF和SPA提取TIC光譜特征信息并分別得到了14,8和11個(gè)特征波長(zhǎng)。然后分別基于全波長(zhǎng)和特征波長(zhǎng)建立pH的偏最小二乘回歸模型和反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPNN)的預(yù)測(cè)模型；建立TIC的PLS和BPNN的預(yù)測(cè)模型。其中,用SPA-BPNN模型進(jìn)行發(fā)酵液中pH含量的預(yù)測(cè)效果最好,RMSEP及R分別為0.0516、0.911;TIC預(yù)測(cè)模型中RF-BPNN預(yù)測(cè)結(jié)果最好；而用于TIC含量預(yù)測(cè)得到的預(yù)測(cè)均方根誤差、相關(guān)系數(shù)分別為142.088mg/L和0.736。結(jié)果表明,利用近紅外高光譜可以較為準(zhǔn)確地檢測(cè)厭氧發(fā)酵過(guò)程中的pH和TIC濃度,對(duì)實(shí)現(xiàn)在線監(jiān)測(cè)厭氧發(fā)酵過(guò)程中pH和TIC含量,以確保發(fā)酵過(guò)程順利穩(wěn)定進(jìn)行具有重要意義。(3)分別建立的關(guān)于pH的SPA-BPNN模型和關(guān)于TIC的RF-BPNN模型應(yīng)用于預(yù)測(cè)pH和TIC的高光譜圖像每一個(gè)像素點(diǎn)的理化性質(zhì),并得到了發(fā)酵液pH和TIC的高光譜圖像反演分布圖。由分布圖可知,pH可視化效果較為理想,而TIC效果較為一般�？梢暬瘓D像提供了發(fā)酵液相關(guān)理化性質(zhì)更為直觀的體現(xiàn)。
【關(guān)鍵詞】：厭氧發(fā)酵 近紅外高光譜成像技術(shù) 化學(xué)計(jì)量學(xué)方法 總固體含量 揮發(fā)性固體含量 pH 總無(wú)機(jī)碳 圖像可視化
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ920.1;O657.3
【目錄】：

• 致謝7-8
• 摘要8-10
• Abstract10-15
• 第1章 緒論15-23
• 1.1 課題研究背景和意義15-17
• 1.2 發(fā)酵過(guò)程的重要指示參數(shù)17-18
• 1.3 厭氧發(fā)酵監(jiān)測(cè)方法綜述18-22
• 1.3.1 滴定法19
• 1.3.2 電子鼻和電子舌19-20
• 1.3.3 氣相色譜20-21
• 1.3.4 光譜技術(shù)21-22
• 1.4 研究目的與內(nèi)容22-23
• 第2章 實(shí)驗(yàn)材料、儀器和數(shù)據(jù)分析方法23-34
• 2.1 實(shí)驗(yàn)材料及處理方法23-24
• 2.1.1 發(fā)酵液樣品來(lái)源23
• 2.1.2 發(fā)酵液樣本預(yù)處理23-24
• 2.2 實(shí)驗(yàn)儀器及工作原理24-27
• 2.2.1 厭氧發(fā)酵裝置示意圖24
• 2.2.2 高光譜成像系統(tǒng)24-25
• 2.2.3 恒溫干燥箱和馬弗爐使用方法25-26
• 2.2.4 TOC分析儀26-27
• 2.2.5 分析軟件27
• 2.3 數(shù)據(jù)處理方法27-34
• 2.3.1 圖像獲取和校正27
• 2.3.2 原始光譜預(yù)處理方法27-28
• 2.3.3 特征波長(zhǎng)選取方法28-31
• 2.3.4 化學(xué)計(jì)量學(xué)方法31-33
• 2.3.5 模型評(píng)價(jià)參數(shù)33-34
• 第3章 基于近紅外高光譜的厭氧發(fā)酵過(guò)程中固形物含量檢測(cè)的研究34-42
• 3.1 引言34
• 3.2 材料和方法34-35
• 3.2.1 TS和VS的標(biāo)準(zhǔn)測(cè)定方法34
• 3.2.2 數(shù)據(jù)處理方法34-35
• 3.2.3 高光譜圖像采集及光譜數(shù)據(jù)提取35
• 3.3 結(jié)果與討論35-41
• 3.3.1 TS和VS的統(tǒng)計(jì)分析35
• 3.3.2 光譜曲線分析35-37
• 3.3.3 特征波長(zhǎng)提取37-38
• 3.3.4 模型預(yù)測(cè)結(jié)果38-41
• 3.4 小結(jié)41-42
• 第4章 基于近紅外高光譜成像技術(shù)的稻草秸稈和水葫蘆混合厭氧發(fā)酵的pH、總無(wú)機(jī)碳的檢測(cè)研究42-53
• 4.1 引言42
• 4.2 pH和總無(wú)機(jī)碳含量的測(cè)定42-43
• 4.3 數(shù)據(jù)處理結(jié)果與分析43-51
• 4.3.1 pH和總無(wú)機(jī)碳統(tǒng)計(jì)結(jié)果分析43
• 4.3.2 光譜曲線預(yù)處理43-45
• 4.3.3 特征波段提取45-47
• 4.3.4 基于特征波長(zhǎng)的校正模型47-51
• 4.4 小結(jié)51-53
• 第5章 發(fā)酵液的pH和TIC的高光譜圖像可視化研究53-57
• 5.1 高光譜圖像可視化理論53
• 5.2 高光譜圖像可視化步驟及注意事項(xiàng)53-54
• 5.3 基于SPA-BPNN模型的pH高光譜圖像可視化結(jié)果分析54-55
• 5.4 基于RF-BPNN模型的TIC高光譜圖像可視化結(jié)果分析55-57
• 第6章 結(jié)論和展望57-58
• 6.1 結(jié)論57
• 6.2 主要?jiǎng)?chuàng)新點(diǎn)57
• 6.3 展望57-58
• 參考文獻(xiàn)58-63
• 作者簡(jiǎn)介63
• 攻讀碩士學(xué)位期間主要的研究成果63

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 季江;高鵬飛;賈南南;楊蕊;郭漢明;瑚琦;莊松林;;自適應(yīng)多尺度窗口平均光譜平滑[J];光譜學(xué)與光譜分析;2015年05期

2 朱逢樂(lè);彭繼宇;高峻峰;趙艷茹;余克強(qiáng);何勇;;應(yīng)用可見(jiàn)/近紅外高光譜成像測(cè)定鮭魚(yú)片脂肪含量分布(英文)[J];農(nóng)業(yè)工程學(xué)報(bào);2014年23期

，

本文編號(hào)：585658