当前位置: 首页 > 专利查询>浙江大学专利>正文

一种重金属浓碱液体中浅铬黄浓度的检测方法技术

技术编号:10617626 阅读:155 留言:0更新日期:2014-11-06 11:52
本发明专利技术公开了一种重金属浓碱液体中浅铬黄浓度的检测方法,该方法以不同浅铬黄浓度的重金属浓碱液体作为测试样本,获取各个测试样本在设定波数范围内以硅片为衬底时的拉曼光谱,并根据所有测试样本的拉曼光谱,分别采用连续投影算法和多元线性回归分析法确定定标波数,根据各个测试样本的浅铬黄浓度,以及相应拉曼光谱中各个定标波数处的峰强与520cm-1处的峰强的比值构建浓度-强度比的线性回归模型作为定标模型,利用定标模型测量得到待测样本中浅铬黄的浓度。利用Raman测试进行分析,操作简单,不需要进行繁琐、耗时的样品制备过程,同时避免了其他来源的干扰进而保证了测试的浅铬黄的准确性,且以硅作为对比大大提高了测试的准确性。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了,该方法以不同浅铬黄浓度的重金属浓碱液体作为测试样本,获取各个测试样本在设定波数范围内以硅片为衬底时的拉曼光谱,并根据所有测试样本的拉曼光谱,分别采用连续投影算法和多元线性回归分析法确定定标波数,根据各个测试样本的浅铬黄浓度,以及相应拉曼光谱中各个定标波数处的峰强与520cm-1处的峰强的比值构建浓度-强度比的线性回归模型作为定标模型,利用定标模型测量得到待测样本中浅铬黄的浓度。利用Raman测试进行分析,操作简单,不需要进行繁琐、耗时的样品制备过程,同时避免了其他来源的干扰进而保证了测试的浅铬黄的准确性,且以硅作为对比大大提高了测试的准确性。【专利说明】
本专利技术涉及浅铬黄浓度检测
,具体涉及。
技术介绍
浅铬黄是铅铬黄的其中一种,是一种用作油性合成树脂涂料、印刷油墨、水彩和油彩的颜料,色纸、橡胶和塑料制品的无机着色颜料,由于其具有完善的颜料应用性能、相对低廉的价格和完整的色泽范围,因此得到了广泛的应用。其主要化学成分为铬酸铅,铬酸铅对人体的危害是巨大的,可引起贫血、肾损害、铅中毒、皮炎、湿疹、铬鼻病和皮肤溃疡等,国际癌症研究中心(IARC)已将“铬和某些铬化合物”列入对人类致癌的化学物质。而每生产I吨铅铬黄颜料大约排放出120-150吨废水,废水中一般含有超过国家排放标准5-10倍以上的铅、铬离子及其化合物的悬浮物。废水的治理主要是通过调节液体的PH值,使铅、铬离子反应生成沉淀,以达到去除的效果。 目前对液体中浅铬黄的检测主要是通过测定液体中铅、铬等重金属来评定的,主要的检测方法主要有:原子吸收光谱法、电感耦合等离子体法、原子荧光光谱法和溶出伏安法等。 原子吸收光谱法、电感耦合等离子体法、原子荧光光谱法和溶出伏安法等测试方法都具有自身的优点和缺点,如:优点是选择性强、灵敏度高、分析范围广,但是在多元素检测时不能同时分析,难熔元素的检测灵敏度差,对于基体复杂的样品分析,尚存某些干扰问题需要解决。根据溶出过程中所得到的伏安曲线来进行定量分析;溶出伏安法的灵敏度很高,在超纯物质分析中具有实用价值,但是影响溶出电流的因素有很多,如富集时间、搅拌速度和电位扫描速率等。 更重要的是以上方法都是通过鉴定溶液中重金属铅和铬的存在,进而推断出液体中残留的浅铬黄含量,但是在液体处理过程中,无法排除铅、铬的其他来源。所以,单靠重金属铅和铬的检测无法确定液体中铅、铬一定来源于浅铬黄。并且用以上方法检测时需要用到大量的试剂进行前处理,过程繁琐,无法做到快速检测。此外,目前对浅铬黄废水处理过程中,每一流程里残余浅铬黄的监测还鲜见报道。
技术实现思路
针对现有技术的不足,本专利技术提供了。 ,包括: (I)以不同浅铬黄浓度的重金属浓碱液体作为测试样本,获取各个测试样本在设定波数范围内以硅片为衬底时的拉曼光谱; (2)根据所有测试样本的拉曼光谱,分别采用连续投影算法提取若干组特征峰,每组特征峰的数量不同,采用连续投影算法时以520CHT1处的列向量作为初始投影向量; (3)利用多元线性回归分析法确定各组特征峰的验证均方根误差,选择验证均方根误差最小的一组特征峰作为特征指纹峰,并以特征指纹峰作为定标波数,根据各个测试样本的浅铬黄浓度,以及相应拉曼光谱中各个定标波数处的峰强与520cm—1处的峰强的比值构建浓度-强度比的第一线性回归模型作为定标模型; 所述的线性回归模型为: Y = 73.857+0.183 λ !+0.321 λ 2+0.139 λ 3_0.557 λ 4_0.003576 λ 5+0.01553 λ 6_0.444 λ 7+0.001861 λ 8 其中,λ丨、λ 2、λ 3、λ 4、λ 5、λ 6、入7和入8 分别为 1066cm\971cm\847cm \718cm \526cm \460cm \416cm 1和112cm 1处的峰强与520cm 1处的峰强的比值; (4)获取待测样本在设定波数范围内以硅片为衬底时的拉曼光谱,计算该拉曼光谱中各个定标波数处的峰强和520cm—1处的峰强的比值,并代入定标模型计算得到待测样本中浅铬黄的浓度。 拉曼光谱是基于拉曼效应建立起来的分子结构表征技术,起源于晶体或分子振动(和点阵振动)与转动,拉曼谱线的位置、强度和线宽可提供分子振动、转动方面的信息,可以据此实现分子中某些化学键和官能团的“指纹鉴别”。拉曼光谱作为分子水平的测试手段,易于实现复杂混合物体系的成分鉴定分析。与其他依靠检测属铅和铬元素的方法比较,利用拉曼检测能够保证测试的铅和铬元素来源于浅铬黄,进而保证了测试的浅铬黄的准确性,避免了其他来源的干扰。 本专利技术的重金属浓碱液体指的是重金属的NaOH溶液。 本专利技术中的硅片多采用单晶硅片,且与测试样本接触面为抛光面,有利于增强520cm_1处的拉曼振动。 本专利技术中在连续投影算法时,将硅的特征峰(520CHT1处的峰)的列向量作为初始投影向量,确保了在处理大数据样本时,结果的唯一性,同时也大大加快了数据的处理速度。另一方面,在建模过程中,挑选了不影响溶液结构性质的衬底硅片,以其特征峰做为参照,将测试样本的各个特征指纹峰的强度与520cm—1处的峰强的比值构建定标模型,可以实现拉曼光谱的半定量检测,大大提高了测试的准确性。 多元线性回归分析是用来研究一个因变量与一组自变量之间的依存关系的,步骤 (3)中根据线性回归分析的结果,选择均方根误差最小的一组特征峰作为特征指纹峰计算待测样本中浅铬黄的浓度,能够提高测量结果的准确度。 所述步骤(I)包括如下步骤: (1-1)将硅片置入容器底部后,向容器中注入测试样本; (1-2)将注有测试样本的容器放置在显微拉曼光谱仪的载物台上测试该测试样本的拉曼光谱。 获取以硅片为衬底的Raman光谱(拉曼光谱)时,可以直接将样本均匀涂抹在硅片上,然后将均匀涂抹的硅片放置在显微拉曼光谱仪的载物台上测试样本的拉曼光谱。但是由于液体具有流动性,且所需要的测试样本量是微量的,液体表面存在着张力,直接涂抹无法确保样品表面的平整,易对实验造成影响。其次,采用涂抹时,很难保每次涂抹的测试样本的量刚好相等,从而存在测试误差。本专利技术中利用容器盛放测试样本,便于对测试样本进行定量,也能够使表面平整,有利于减小因测试条件引起的测试误差。 本专利技术中为保证量相同,每次均将容器注满,然后利用刮板沿容器顶面将多余的液体去除。 通常采用圆柱形容器,相应的,所述硅片为圆形,且硅片直径比容器的内径小I?2mm ο 进行Raman测试时,为保证能够釆集到娃衬底的Raman振动,尽量使娃片能够覆盖整个容器底部,且在测试时尽量不要扫描靠近容器边缘的点。若技术条件允许时,可直接将Si片焊接于容器内的底部,或采用硅材料的容器。 本专利技术中Raman测试的测试条件如下:测试激光波长为532nm,测试激光功率为25mv,曝光时间为ls,曝光次数为I次,采集孔径为20 μ m,物镜为20倍,扫描点数为30。 作为优选,测试样本的数量为50?150。 单独通过某一个测试样本的Raman光谱很难准确的确定浅铬黄的特征指纹峰,本专利技术中通过对大样本进行统计学分析,能够准确的找出浅铬本文档来自技高网
...

【技术保护点】
一种重金属浓碱液体中浅铬黄浓度的检测方法,其特征在于,包括:(1)以不同浅铬黄浓度的重金属浓碱液体作为测试样本,获取各个测试样本在设定波数范围内以硅片为衬底时的拉曼光谱;(2)根据所有测试样本的拉曼光谱,分别采用连续投影算法提取若干组特征峰,每组特征峰的数量不同,采用连续投影算法时以520cm‑1处的列向量作为初始投影向量;(3)利用多元线性回归分析法确定各组特征峰的验证均方根误差,选择验证均方根误差最小的一组特征峰作为特征指纹峰,并以特征指纹峰作为定标波数,根据各个测试样本的浅铬黄浓度,以及相应拉曼光谱中各个定标波数处的峰强与520cm‑1处的峰强的比值构建浓度‑强度比的第一线性回归模型作为定标模型;所述的线性回归模型为:Y=73.857+0.183λ1+0.321λ2+0.139λ3‑0.557λ4‑0.003576λ5+0.01553λ6‑0.444λ7+0.001861λ8其中,λ1、λ2、λ3、λ4、λ5、λ6、λ7和λ8分别为1066cm‑1、971cm‑1、847cm‑1、718cm‑1、526cm‑1、460cm‑1、416cm‑1和112cm‑1处的峰强与520cm‑1处的峰强的比值;(4)获取待测样本在设定波数范围内以硅片为衬底时的拉曼光谱,计算该拉曼光谱中各个定标波数处的峰强和520cm‑1处的峰强的比值,并代入定标模型计算得到待测样本中浅铬黄的浓度。...

【技术特征摘要】

【专利技术属性】
技术研发人员:李晓丽孙婵骏何勇
申请(专利权)人:浙江大学
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1