【摘要】：秸稈的熱化學(xué)工程特性是秸稈能源化利用的重要特性,為了探討秸稈熱化工特性的快速檢測(cè)方法,本課題采集不同地區(qū)不同品種的水稻、小麥、玉米、油菜共計(jì)188個(gè)秸稈樣品,參照國(guó)家標(biāo)準(zhǔn)測(cè)定了樣品的元素分析指標(biāo)、高/低位熱值和工業(yè)分析指標(biāo),應(yīng)用反射和透射光譜技術(shù),通過(guò)傅里葉近紅外光譜儀、高光譜反射和透射成像系統(tǒng)3種方式分別獲取秸稈的近紅外光譜、可見(jiàn)/近紅外反射光譜以及可見(jiàn)/近紅外透射光譜信息,采用偏最小二乘算法(PLS)分別建立3種方式下的秸稈熱化學(xué)工程特性指標(biāo)的定量分析模型,比較3種光譜采集方式下光譜的不同預(yù)處理方法、變量選取算法所建模型的優(yōu)劣,確定各指標(biāo)的最優(yōu)檢測(cè)模型。主要研究結(jié)果如下:(1)通過(guò)比較高光譜反射、透射及近紅外光譜檢測(cè)元素的定標(biāo)效果,確定了基于高光譜反射技術(shù)的元素分析指標(biāo)(C、N、H、S、O)模型最優(yōu)。光譜最優(yōu)預(yù)處理方法分別為:C元素為無(wú)預(yù)處理(None);N元素為去趨勢(shì)變換(Detrend);H元素為多元散射校正結(jié)合標(biāo)準(zhǔn)化(MSC+Autoscale);S元素為一階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)化(FD+Autoscale);O元素為去趨勢(shì)變換結(jié)合均值中心化(Detrend+Mean Center)。確定競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法(CARS)為最優(yōu)變量選擇算法,對(duì)各個(gè)元素定量分析模型進(jìn)行優(yōu)化,參與建模的變量數(shù)顯著下降,且模型的穩(wěn)定性和預(yù)測(cè)性能均有提升。N、O元素的模型最優(yōu),N元素采用24個(gè)變量建立模型,驗(yàn)證集相關(guān)系數(shù)(Rp)為0.923,均方根誤差(RMSEP)為0.196%,相對(duì)分析誤差(RPD)為3.11;O元素僅采用10個(gè)光譜變量建立模型,驗(yàn)證集相關(guān)系數(shù)(Rp)為0.876,均方根誤差(RMSEP)為1.015%,相對(duì)分析誤差(RPD)為2.32。N、O元素的模型可用于實(shí)際應(yīng)用,C、H、S元素CARS-PLS模型預(yù)測(cè)效果不理想。(2)通過(guò)比較高光譜反射、透射及近紅外光譜檢測(cè)熱值的定標(biāo)效果,確定了基于近紅外光譜技術(shù)的熱值分析指標(biāo)(高位熱值、低位熱值)模型最優(yōu)。最優(yōu)光譜預(yù)處理方法分別為:高位熱值為多元散射校正結(jié)合一階導(dǎo)數(shù)及S-G平滑(MSC+FD+S-G smooth);低位熱值為多元散射校正結(jié)合一階導(dǎo)數(shù)(MSC+FD)。高位熱值校正集相關(guān)系數(shù)(Rc)為0.904,均方根誤差(RMSEC)為291 J·g-1,交互驗(yàn)證相關(guān)系數(shù)(Rcv)為0.859,交互驗(yàn)證均方根誤差(RMSECV)為348 J·g-1,驗(yàn)證集相關(guān)系數(shù)(Rp)為0.908,均方根誤差(RMSEP)為328 J·g-1,平均偏差(Bias)為34.616 J·g-1,相對(duì)分析誤差(RPD)為2.22,所建立的高位熱值定量分析模型可用于定量分析;低位熱值校正集相關(guān)系數(shù)(Rc)為0.869,均方根誤差(RMSEC)為315 J·g-1,交互驗(yàn)證相關(guān)系數(shù)(Rcv)為0.822,交互驗(yàn)證均方根誤差(RMSECV)為363 J·g-1,驗(yàn)證集相關(guān)系數(shù)(Rp)為0.850,均方根誤差(RMSEP)為365 J·g-1,平均偏差(Bias)為34.979 J·g-1,相對(duì)分析誤差(RPD)為1.94。結(jié)果表明,所建立的定量分析模型可用低位熱值的估測(cè),模型精度還可進(jìn)一步提高。(3)比較了高光譜反射、透射及近紅外光譜檢測(cè)工業(yè)分析指標(biāo)的模型效果,確定了基于反射高光譜成像技術(shù)的工業(yè)分析指標(biāo)(灰分、水分、揮發(fā)份、固定碳)模型最優(yōu)。最優(yōu)光譜預(yù)處理方法分別為:灰分為多元散射校正結(jié)合標(biāo)準(zhǔn)化(MSC+Autoscale);水分為標(biāo)準(zhǔn)正態(tài)變量校正結(jié)合標(biāo)準(zhǔn)化(SNV+Autoscale);揮發(fā)份為一階導(dǎo)數(shù)結(jié)合均值中心化(FD+Mean Center);固定碳為標(biāo)準(zhǔn)正態(tài)變量校正結(jié)合均值中心化(SNV+Mean Center)。最優(yōu)變量選取方法均為競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法(CARS)。采用CARS算法對(duì)秸稈工業(yè)分析指標(biāo)定量分析模型進(jìn)行優(yōu)化以后,灰分所建模型的驗(yàn)證集相關(guān)系數(shù)(Rp)為0.931,均方根誤差(RMSEP)減小為0.369%,相對(duì)分析誤差(RPD)為8.86,模型表現(xiàn)出很好的預(yù)測(cè)能力;其它3種工業(yè)分析指標(biāo)模型的預(yù)測(cè)效果不甚理想,不能用于實(shí)際定量分析。
【圖文】：

樣本的 N、C、H、S、O 元素（質(zhì)量分?jǐn)?shù)）按照美國(guó)材料與試驗(yàn)協(xié)會(huì)（AmericaSociety forTesting and Materials，ASTM）標(biāo)準(zhǔn)測(cè)定。每個(gè)樣本做 3 個(gè)平行，取其平均值為樣本元素的含量。EA3000 元素分析儀平臺(tái)如圖 2-1 所示，，儀器運(yùn)行時(shí)的相關(guān)工作參數(shù)見(jiàn)表 2-2。

樣本的 N、C、H、S、O 元素（質(zhì)量分?jǐn)?shù)）按照美國(guó)材料與試驗(yàn)協(xié)會(huì)（AmericaSociety forTesting and Materials，ASTM）標(biāo)準(zhǔn)測(cè)定。每個(gè)樣本做 3 個(gè)平行，取其平均值為樣本元素的含量。EA3000 元素分析儀平臺(tái)如圖 2-1 所示，儀器運(yùn)行時(shí)的相關(guān)工作參數(shù)見(jiàn)表 2-2。
【學(xué)位授予單位】：華中農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：S216.2

【引證文獻(xiàn)】

相關(guān)會(huì)議論文 前1條

1 皇才進(jìn);韓魯佳;劉賢;楊增玲;;秸稈工業(yè)分析組成的近紅外漫反射光譜(NIRS)分析研究[A];2007年中國(guó)農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文摘要集[C];2007年

本文編號(hào)：2629051