采用近紅外光譜快速測定法對生物柴油的成分(脂肪酸甲酯、單甘酯、二甘酯、三甘酯和甘油)進行了研究。采用氣相色譜方法獲得其成分的基礎數(shù)據(jù)，通過偏最小二乘方法與近紅外光譜數(shù)據(jù)進行回歸運算，分別建立以文冠果油生物柴油為例的單原料油校正模型及多種原料油生物柴油的混合校正模型，并以花椒油生物柴油為例考察了校正模型的適用性。結果表明：通過偏最小二乘方法可以建立適合多種原料油生物柴油的通用校正模型。對于新型生物柴油，向校正集中添加10個以上樣本，擴充校正模型后，便可較為準確地測定這類新生物柴油樣本的成分含量。此方法分析速度快、成本低、操作便捷、重復性好，適合于生物柴油生產過程的中間控制分析。

　　【關鍵詞】近紅外光譜;生物柴油;化學計量學;甲酯

　　1引言

　　動植物油脂主要是各種脂肪酸甘油三酯的混合物，在與甲醇的反應過程中會生成脂肪酸單甘酯、二甘酯等中間產物和副產物甘油，影響生物柴油的產率及品質。因此，在生產過程中，需要及時準確地測定脂肪酸甲酯、單甘酯、二甘酯、三甘酯和甘油的含量，以便精確控制反應過程及產品質量。目前，對這些組分的測定均采用氣相色譜方法[3,4]，分析前需對樣品進行衍生化(如硅烷化)處理，定性和定量過程較為復雜，操作難度大，分析時間長，不適用于生物柴油生產過程的中間控制分析。

　　近紅外光譜法(NIR)不需要對樣品進行預處理，操作簡單,分析快速，非常適合油品的定量和定性分析[5]，石油化工業(yè)中得到了較為廣泛的應用[6～10]。已有將NIR光譜用于測定生物柴油中甲酯、甲醇和甘油等成分的報道[11～14]，均得到了滿意結果。但這些研究所用樣本的原料相對單一，建模樣本較少，所測定的成分也不完全，且大都是實驗室合成的樣品，不具有實際的工業(yè)應用價值。

　　本研究從我國多個中試和工業(yè)裝置中收集了200余個生物柴油樣本，涉及6種原料油及多種加工工藝，其中包括來源復雜的地溝油和酸化油，樣本的覆蓋范圍廣，所得的結果更具參考性，建立的校正模型具有實際應用價值。

　　2實驗部分

　　2.1生物柴油樣品和儀器

　　收集了224個生物柴油樣品，從反應器取樣后取其甲酯相，并蒸餾除去(120℃)其中的甲醇及少量的水，置于20mL密封小瓶中保存。其原料油來源分別為花椒油(47個)、苦山杏油(16個)、文冠果油(44個)、地溝油(40個)和酸化油(石煉廠43個、中糧集團34個)。

　　氣相色譜儀，程序升溫冷柱頭柱上進樣系統(tǒng)，HT1不銹鋼毛細柱。光譜儀。

　　2.2基礎數(shù)據(jù)測定

　　采用氣相色譜方法[4]測定生物柴油成分的基礎數(shù)據(jù)，色譜條件：分別采用油酸甲酯、單油酸甘油酯、1,3�捕�油酸甘油酯、三油酸甘油酯作為定性和定量標準。采用雙內標法進行定量分析，以正十五烷為內標測定甲酯含量，以三癸酸甘油酯為內標測定甘油、單甘酯、二甘酯和三甘酯的含量。

　　以空白樣品池為參比，采集生物柴油樣品的NIR譜圖，光譜范圍4000～10000cm-1，分辨率8cm-1，掃描次數(shù)128。

　　2.3數(shù)據(jù)分析

　　采用石油化工科學研究院編制的“化學計量學軟件3.0版”在PC計算機上處理光譜數(shù)據(jù)。用K�睸方法將生物柴油樣品分為校正集和驗證集，其中校正集用于建立分析模型，驗證集用于檢測模型的準確性。采用馬氏距離、光譜殘差和最鄰近距離3個指標判斷模型對未知樣本的適用性。

　　校正集的光譜經一階微分處理后分別與氣相色譜測定的成分數(shù)據(jù)(甘油、甲酯、單甘酯、二甘酯以及三甘酯的質量分數(shù))通過偏最小二乘方法(PLS1)進行回歸運算，建立校正模型，PLS所用的最佳主因子數(shù)由留一法交互驗證所得的預測殘差平方和(PRESS值)確定。為考察校正模型的適用性和準確性。本研究對不同種類的生物柴油樣品分別進行建模與驗證研究，包括：以文冠果油生物柴油為例的單原料油的校正模型與驗證;多種原料油的通用校正模型的建立與驗證;以花椒油生物柴油為例，研究了NIR光譜校正模型的適用性。

　　3結果與討論

　　3.1基礎數(shù)據(jù)獲取

　　采用2.2節(jié)的方法測定生物柴油成分的基礎數(shù)據(jù)。典型的生物柴油樣品色譜圖見圖1;224個生物柴油的成分分布見表1�？梢姌颖镜母采w范圍較寬，具有較強的代表性。與標準方法[15]相比，此方法的準確性和重復性較好。表1樣品集性質統(tǒng)計(略)

　　3.2近紅外光譜解析

　　圖2是所收集的6類原料油生物柴油的NIR光譜圖。由圖2可見，光譜中主要包含CH倍頻和合頻的吸收信息，如8609和8316cm-1處的吸收是甲基CH的二級倍頻峰，7216和7108cm-1處的吸收是亞甲基CH的第一組合頻峰，5828和5766cm-1處的吸收分別是甲基和亞甲基CH的一級倍頻峰，6005cm-1處為甲酯中的CH吸收峰。

　　盡管6類原料油生物柴油的NIR光譜非常相近，但其成分上卻存在一定差異。例如，花椒油生物柴油主要是亞麻酸、亞油酸和油酸甲酯;苦山杏油生物柴油主要是油酸和亞油酸甲酯;酸化油和地溝油生物柴油則主要是多種脂肪酸甲酯的混合，具體視原料油種類而定。這種差異可以在其NIR光譜的主成分分析(PCA)得分圖上表現(xiàn)出來。圖3為6類52個有代表性生物柴油樣品的前3個主成分得分分布圖。從圖3可見，不同原料生產的生物柴油有聚類分布的傾向。由于酸化油原料來源復雜，所以其分布較寬。其余4種生物柴油的分布則相對集中。但從整體來看，盡管不同種類生物柴油的NIR光譜之間存在差異，但這些差異并非十分顯著，說明脂肪酸基團對光譜會產生一定的影響，但NIR光譜主要反映的是甲酯基團的信息。因此，有可能建立適合多種原料油生物柴油的通用校正模型。

　　3.3校正模型的建立

　　3.3.1文冠果油單原料油模型與驗證

　　將44個文冠果油生物柴油樣品分為校正集(36個樣品)和驗證集(8個樣品)，考察了不同光譜區(qū)間對模型參數(shù)的影響，以及單種原料油所建模型的預測準確性。

　　生物柴油在4000～10000cm-1范圍的光譜包含了OH鍵的一級倍頻、CH鍵的一級倍頻、二級倍頻及其合頻信息。從圖2可以看出，CH一級倍頻區(qū)(6000～6550cm-1)和部分CH第一合頻區(qū)(4550～4000cm-1)的吸光度值超過了1.5AU，這些區(qū)間的光譜吸收強度可能與成分濃度之間存在較強的非線性關系。另外，10000～9000cm-1區(qū)間的光譜存在較大的噪聲，且沒有顯著的特征吸收。若這些光譜區(qū)間參與模型建立，將會使校正模型預測能力下降。表2給出了利用全譜和去除這些光譜區(qū)間(即選取4550～5500cm-1和6550～9000cm-1區(qū)間)所建模型及其預測的對比結果�？梢钥闯�，選用4550～5500cm-1和6550～9000cm-1光譜區(qū)間建立模型的預測能力明顯優(yōu)于全譜的結果。表2文冠果油生物柴油不同光譜區(qū)間的校正和預測結果比較(略)注(Note)：R2為校正集交互驗證得到的相關系數(shù)(Correlationcoefficient);SECV為校正集交互驗證得到的預測標準偏差(Standarderrorofcrossvalidation);SEP為驗證集預測標準偏差(Standarderrorofprediction)。

　　從單種原料油的建模和預測結果可以看出，對測定生物柴油中的甘油、甲酯、單甘酯、二甘酯和三甘酯的含量，NIR光譜方法可以給出比較準確的結果。

　　3.3.2多種原料油模型與驗證

　　若能建立適合所有原料油來源的生物柴油全局校正模型(Globalmodels)，則對該方法的推廣和使用都將帶來很大的便利。將6種原料油來源的224個生物柴油樣品分為校正集(167個樣品)和驗證集(57個樣品)，以考察建立全局模型的可行性。表3多種原料油生物柴油的校正和預測結果(略)

　　采用與文冠果油生物柴油建模相同的條件建立了多種原料油生物柴油的校正模型。表3給出了模型建立過程的交互驗證結果和驗證集的預測結果;圖4中A,B和C分別為甲酯、單甘酯和二甘酯的NIR光譜交互驗證預測值與色譜方法的相關圖。與單原料的文冠果油結果相比，由于成分變得相對復雜，光譜之間的干擾更為顯著，建立模型所用的主因子數(shù)明顯增加，同時校正和預測結果都有不同程度的降低。盡管如此，仍得到了滿意的結果，完全滿足工業(yè)生產對過程分析誤差的要求。

　　上述結果表明，建立多種原料油來源的生物柴油全局校正模型是完全可行的，但隨著模型中原料油種類的增多，成分的復雜性將引起光譜與濃度間的非線性變動關系，PLS方法所建模型的預測準確性將下降。為得到準確性更高的預測結果，需要分別建立單種原料油的PLS校正模型，或采用更為復雜的算法，如局部權重回歸、神經網(wǎng)絡或支持向量機等建立非線性校正模型。

　　3.3.3模型適用性的研究

　　以花椒油生物柴油為例，研究了多種原料油生物柴油的NIR校正模型對新原料油生物柴油的適用性。若校正集中不含待測類型的樣本，其預測結果將會存在一定的系統(tǒng)誤差，且模型的適應性判據(jù)也會給出提示。為考察向校正集添加少量樣本對擴充模型適應性的效果，從47個花椒油生物柴油中任意選取10個樣品，用于模型的擴充，剩余37個作為驗證集樣本。

　　將花椒油生物柴油樣本從多種原料油校正集中剔除，建立剩余5種原料油生物柴油的校正模型。然后，再將任意選取的10個花椒油生物柴油樣本添加到校正集中，建立含有10個花椒油生物柴油的多原料油生物柴油的校正模型。用以上建立的兩類模型分別對37個驗證集樣本進行預測分析(表4)。由表4可見，未含花椒油生物柴油的模型仍具有較好的預測趨勢，但存在一定的系統(tǒng)誤差，預測準確性也有明顯下降。當模型中添加了10個花椒油生物柴油樣本后，消除了系統(tǒng)誤差，且預測準確性有了顯著改善，與3.3.2節(jié)建立的模型基本相當。

　　上述結果說明，對于模型中未含的新類型原料油生物柴油樣本，只需向多種原料油校正集中添加10個以上樣本便可較為準確地測定新類型生物柴油的成分。表4不同校正模型對37個花椒油生物柴油的預測結果(略)

　　3.4近紅外分析方法的重復性

　　由于光譜測量的穩(wěn)定性，NIR分析方法具有良好的重復性。隨機選取一個樣本重復掃描7次的NIR光譜，并分別調用建立的多種原料油的生物柴油模型，其質量分數(shù)的相對標準偏差分別為：甘油0.74%，甲酯0.26%，單甘酯2.86%，二甘酯0.70%，三甘酯1.41%。說明采用NIR分析方法測定混合油生物柴油的成分具有較高的精密度。

　　3.5小結

　　通過以上研究，可以得到以下結論：(1)通過偏最小二乘方法可以建立適合多種原料油生物柴油的通用近紅外校正模型，其結果完全滿足過程控制分析的要求。但若想得到更準確的預測結果，需要建立單種原料油的PLS校正模型，或者采用更為復雜的校正算法;(2)對于新型生物柴油，只需向校正集添加少量樣本，擴充模型覆蓋范圍后，便可較為準確地對該類樣本進行預測分析。這樣，基于本研究建立的這些基礎校正模型，針對新類型原料油或加工工藝，只需添加少量樣本，便可直接應用于生物柴油的實際工業(yè)生產中;(3)近紅外光譜方法有望較好解決生物柴油傳統(tǒng)分析方法的諸多弊端，可以快速準確地測定生物柴油的主要成分含量，適合于生物柴油生產過程的中間控制分析。