一系列的化學(xué)組成的近紅外光譜的預(yù)測(cè)

1、近紅外光譜對(duì)石油化工流程芳烴生產(chǎn)的一系列化學(xué)成分的測(cè)定摘要 利用近紅外光譜并結(jié)合化學(xué)計(jì)量學(xué)方法進(jìn)行數(shù)據(jù)的處理，已經(jīng)被廣泛用于石油化學(xué)工業(yè)獲得快速和質(zhì)量控制適合的精確的方法 。在目前的工作中，近紅外光譜多元校正模型被用來預(yù)測(cè)一系列復(fù)雜的石油化工芳烴生產(chǎn)過程的芳香族化合物和各種芳香族樣品的化學(xué)成分，例如苯，甲苯，對(duì)二甲苯，鄰二甲苯和混合二甲苯。該模型被開發(fā)針對(duì)于非芳族和芳族含量來自催化重整裝置的最終的鄰二甲苯和對(duì)二甲苯的植物在完全不同的數(shù)據(jù)流中的預(yù)測(cè)。非芳烴，苯，甲苯，乙苯，間二甲苯，鄰二甲苯，對(duì)二甲苯，枯烯，總C8的 芳烴和總C9的芳烴估計(jì)是從2130至2500年納米傅立葉變換近紅外光譜（460

2、0估計(jì) - 4000厘米1）的區(qū)域。主成分分析是用來探索數(shù)據(jù)性分析和交叉驗(yàn)證一塊部分偏最小二乘法被采用校準(zhǔn)大約200個(gè)實(shí)際的樣品。平方根誤差預(yù)測(cè)711 PLS因素模型接近measured repeatability values of the reference method測(cè)量的重復(fù)性值的參考方法。one-block partial least-squares models were employed for calibration based on ca. 200 real依據(jù)主要結(jié)果里的偏差來確認(rèn)每個(gè)模型的精度。因此，通過近紅外預(yù)測(cè)芳烴生產(chǎn)過程執(zhí)行一個(gè)完整的化學(xué)成分分析的幾個(gè)單位的質(zhì)量控

3、制要求，它已被證明是可行的了。這個(gè)程序，基于一個(gè)單一的近紅外光譜，提供了一個(gè)很簡(jiǎn)單和快速的分析是為了區(qū)分芳烴同分異構(gòu)體的特征的光譜。例如對(duì)二甲苯，間二甲苯和鄰二甲苯。關(guān)鍵詞：近紅外；PLS；芳烴；非芳烴；對(duì)二甲苯；碳?xì)浠衔?.引言 石化行業(yè)通常使用氣態(tài)或液態(tài)（主要是石腦油）為原料去生產(chǎn)一系列范圍廣泛的基本烴類，其用于在第二代工業(yè)并得到各種產(chǎn)品，其中包括諸如聚合物 ，聚乙烯，聚丙烯和聚苯乙烯。石腦油是一種輕石油餾分富含5-12個(gè)碳原子的化合物的主要是烷烴，,異構(gòu)烷烴（烷烴）和（環(huán)烷烴），而水平較低的芳烴和烯烴化合物通常用一條蒸餾曲線表明從20到220的范圍。它能在一個(gè)進(jìn)料熱解爐里循環(huán)，在裂解過

4、程中去生產(chǎn)乙烯或催化重整裝置的化合物并將其轉(zhuǎn)化為芳烴。如圖1所示，催化重整反應(yīng)器的出口餾分含C6-C8芳烴被提交到一個(gè)分餾的序列，提取和反應(yīng)的過程，目的是最終獲得純的芳族化合物如苯，甲苯，鄰二甲苯和對(duì)二甲苯。 芳烴生產(chǎn)過程中，通常通過在線氣相色譜（GC）分析儀進(jìn)行控制和優(yōu)化。然而，由于成本高這樣的設(shè)備和所涉及的過程和樣品也復(fù)雜，通過該過程中一些關(guān)鍵的采樣點(diǎn)的化學(xué)成分都需要從長(zhǎng)凳GC中獲得。 GC分析通常需要至少30分鐘，以確保二甲苯異構(gòu)體的準(zhǔn)確和精確的得到滿意的分離效果，因此，一個(gè)更快的方法將能為過程控制提供更好的響應(yīng)時(shí)間。 近紅外（NIR）光譜技術(shù)已被證明是相當(dāng)適合的應(yīng)用在石化企業(yè)中，為從單

5、個(gè)樣品的光譜1-4中預(yù)測(cè)許多化學(xué)和物理性能提供了。一些作者報(bào)道了近紅外成功的預(yù)測(cè)汽油的結(jié)果5-10，燃料11，石腦油12,13，重整14，烴類15,16，煉油餾分5,17和實(shí)驗(yàn)室設(shè)計(jì)烴混合物18。他們中的大多數(shù)都與辛烷值有關(guān)，這些應(yīng)用到網(wǎng)絡(luò)組合預(yù)測(cè)在表1中突出顯示了。通過像PLS（偏最小二乘回歸）多變量有力的技術(shù)手段，每個(gè)有興趣的屬性可以倒退的吸收近紅外吸收光譜，結(jié)果可以用來預(yù)測(cè)該屬性的值對(duì)于給定的測(cè)試樣品的校準(zhǔn)模型。 圖 1. 一個(gè)典型的石油化工工藝生產(chǎn)芳烴的簡(jiǎn)化原理圖在目前的工作中，我們報(bào)告所取得的不同芳香的樣品，包括異構(gòu)體對(duì)二甲苯，鄰二甲苯和間二甲苯，其通過測(cè)定色譜方法合適的分離十大成分

6、股成功的多變量模型通常需要較長(zhǎng)的分析時(shí)間，工作目的在通過芳烴生產(chǎn)過程重整的異構(gòu)化單元得到的所有樣品的單一模式用于各構(gòu)成要素，盡管他們有不同的化學(xué)組合物，最大限度地減少了建模工作，并簡(jiǎn)化了技術(shù)人員處理。2實(shí)驗(yàn)2.1. 樣品217個(gè)標(biāo)本被采集超過了十八個(gè)月的催化重整，在分餾和二甲苯單位的七個(gè)不同的采樣點(diǎn)（稱為A，B，C，D，E，F(xiàn)和G）。典型的化學(xué)組成顯示于表2中。 50種實(shí)驗(yàn)室設(shè)計(jì)的樣品（M）也被采集到，如下所述。五種單純形晶格設(shè)計(jì)被為了獲得由于''失控''過程的情況下樣品輪廓模擬的變化，來提高數(shù)據(jù)的方差，從而提高模型的魯棒性19,20，根據(jù)表3的實(shí)驗(yàn)設(shè)計(jì)。每五個(gè)

7、設(shè)計(jì)提供的三個(gè)組成部分（從不同的采樣點(diǎn)獲得的過程中，并在5設(shè)計(jì)中使用的數(shù)據(jù)餾分中選出）10種混合物。所有的設(shè)計(jì)混合物通過GC主要方法進(jìn)行分析以供參考成分值。n是包含在校準(zhǔn)模型的樣本數(shù)。 N是PLS因子的模型的數(shù)目。 RMSEP代表均方根預(yù)測(cè)誤差平方。 2. 2 . 儀器 儀表近紅外透射光譜記錄從1000-2500海里（10,000-4000厘米1）傅立葉變換近紅外SpectrometerMB160系列區(qū)域（BOMEM/哈特曼和布朗，加拿大）連接到一個(gè)IBM的微機(jī)。一個(gè)氟化鈣樣品池，型號(hào)SL-4，用0.5 mm光程（國(guó)際晶體實(shí)驗(yàn)室，新澤西州，美國(guó)），并在氮?dú)獯祾呦碌纳榛熖綔y(cè)器被使用。儀器參數(shù)，

8、例如噪聲水平和波長(zhǎng)準(zhǔn)確性是按照制造商的指示進(jìn)行分析之前驗(yàn)證的，已經(jīng)在別處描述 16?；瘜W(xué)成分的參考結(jié)果是從每個(gè)樣品中獲得，用色譜（GC-FID）方法，為每個(gè)特定的樣品，由于在各組分的濃度水平變化范圍很廣的樣品A至G（表2）中進(jìn)行了優(yōu)化。色譜數(shù)據(jù)（總的非芳烴，苯，甲苯，乙苯，間二甲苯，鄰二甲苯，對(duì)二甲苯，乙烯，總C8的芳烴和總C9的芳族化合物）是從氣相色譜與火焰離子化檢測(cè)器中獲得 60米×0.32毫米內(nèi)徑×0.50毫米HP-INOWAX柱（HP）使用ASTM D-2427作為參考方法。X，Y和Z是工藝流程組分（例如，進(jìn)料，頂部和一個(gè)分餾塔的底部）。2.3. 數(shù)據(jù)處理 每次分析

9、之前記錄下用干凈的空單元格空氣的背景光譜，然后從樣品光譜中減去。所有FT-NIR光譜收集的16次掃描的平均值為4 cm-1處的時(shí)間間隔和數(shù)字化在3113點(diǎn)到1000-2500納米范圍內(nèi)。近紅外光譜與各樣品的化學(xué)成分值一起送入理瓶7.6微軟。如下所述，在整個(gè)譜（1039點(diǎn)最大）的一小部分被選擇的組件的校準(zhǔn)。第一代和第二階導(dǎo)數(shù)和平均正?；苍囘^，但他們并沒有提高模型的性能。在此之前回歸，波長(zhǎng)變量以均值為中心和物業(yè)變量是自動(dòng)縮放（平均為中心，還擴(kuò)展到單位方差）。預(yù)測(cè)的化學(xué)成分被歸化到最后報(bào)告之前的100。2.4. 多元校正 第一次使用PCA進(jìn)行探索性分析auto-scaled數(shù)據(jù)校準(zhǔn)設(shè)置搜索邊遠(yuǎn)點(diǎn),

10、可能造成污染,抽樣錯(cuò)誤,分析錯(cuò)誤或極端的組合設(shè)計(jì)混合物之間的差異和實(shí)際樣品。PCA分?jǐn)?shù)學(xué)生化的殘留與樣本杠桿,和光譜殘留與濃度剩余土地被用來識(shí)別和排除邊遠(yuǎn)點(diǎn)。從最初的267個(gè)樣本,11個(gè)樣本檢測(cè)異常值和排除在校準(zhǔn)和驗(yàn)證集。一組43個(gè)樣本被選中作為一個(gè)外部驗(yàn)證數(shù)據(jù)集,以便213個(gè)樣本用于校準(zhǔn)設(shè)置。因此驗(yàn)證集也被留下作為校準(zhǔn)設(shè)置,從PC1隨機(jī)選擇與PC2分?jǐn)?shù)情節(jié)圖2所示。這種方法應(yīng)用于確保校準(zhǔn)和驗(yàn)證集都代表所有的不同的樣本不同組件級(jí)別,也覆蓋了整個(gè)實(shí)驗(yàn)領(lǐng)域。因此,校準(zhǔn)和驗(yàn)證樣本選擇來自不同地區(qū)的得分圖,也至少有5種樣品及每個(gè)采樣點(diǎn)的樣品(A-G)包含在驗(yàn)證集。初始校準(zhǔn)和驗(yàn)證集的情節(jié)是在分?jǐn)?shù)圖圖2所

11、示。從這個(gè)初始校準(zhǔn)設(shè)置的一些樣本在每個(gè)模型細(xì)化過程中進(jìn)一步排除,將在稍后討論,以便校準(zhǔn)樣品的最終數(shù)量從178年到204年不等。圖.2. 在主成分分析探索性分析的兩個(gè)第一因素的得分圖 校準(zhǔn)和驗(yàn)證樣本（圓=校準(zhǔn)數(shù)據(jù)集;平方=外部 驗(yàn)證數(shù)據(jù)集）。標(biāo)簽的實(shí)際過程（A-G）和實(shí)驗(yàn)室設(shè)計(jì)的樣本（M）也顯示出來。 校準(zhǔn)是完成與偏最小二乘法（PLS）的技術(shù)。留一法交叉驗(yàn)證方法被用來估計(jì)主成分，其中一個(gè)樣本被隨機(jī)遺留作為每個(gè)校準(zhǔn)步驟21中的最佳數(shù)量。均方根預(yù)測(cè)（RMSEP）方誤差，預(yù)測(cè)與測(cè)量殘差地塊被用于模型評(píng)估。經(jīng)過連續(xù)的細(xì)化步驟，外部驗(yàn)證集來評(píng)估最后的校正模型。預(yù)測(cè)值，通過成對(duì)t-檢驗(yàn)22的方法相比所測(cè)量的

12、值。近紅外預(yù)測(cè)是參考方法的結(jié)果之間的平均偏差與參比方法的重復(fù)性值之比。3. 結(jié)果與討論3.1. 近紅外光譜特征 在1670年至2500年納米范圍內(nèi)的所有校準(zhǔn)樣品的近紅外光譜圖示于圖. 3。在2130至2500年納米的光譜范圍被選定為校準(zhǔn)。完整的光譜區(qū)域（1670至2500年納米）嘗試進(jìn)行校準(zhǔn)，但并沒有提高模型的性能，也不是從整個(gè)范圍內(nèi)（1670年至2500年NM）1800年至2100年納米中間區(qū)域排除在外。低于1670納米的區(qū)域是沒有嘗試過，因?yàn)樗贿M(jìn)行相關(guān)的光譜信息，只能增加噪音。正如文獻(xiàn)16,22-25指出1600-1800 nm區(qū)域通常被分配到甲基C-H鍵，亞甲基C-H和C-H芳伸縮振動(dòng)

13、，2100-2200 nm區(qū)域到C的第一泛音芳環(huán)的組合波段，而2200 -2500nm 從甲基C-H和C-H芳環(huán)的組合波段的結(jié)果。圖. 3 .（一）FT-NIR在1670年至2500年納米校準(zhǔn)樣品的光譜（6000 - 4000厘米1）區(qū)域，包括設(shè)計(jì)的混合物（16掃描平均4 cm-1處 光譜分辨率）。每個(gè)樣本在同樣的條件（二）典型頻譜（A-G）和設(shè)計(jì) 混合物（M）。3.2. PCA的定性分析得分圖在表2所示。從PCA的探索性分析中得到允許樣品的定性分析。樣品根據(jù)其在化學(xué)組成相似性使得幾乎不同的區(qū)域可以被分配到某些樣品分發(fā)自身在PC2與PC1域。 F和G的樣品，屬甲苯和對(duì)二甲苯的濃度最高，情節(jié)在右

14、下側(cè)顯示的很清楚。在左上側(cè)，非芳族化合物的濃度較高的地方與其他分離的乙樣品，在A樣品繪制在上部區(qū)域，從中間到右邊，由于鄰二甲苯和總C9的芳族化合物的差異。在C，D，E和M（設(shè)計(jì)的混合物）的樣品，有類似的組份中，分別顯示在相同的區(qū)域。因此，可以觀察到如果需要的一些具體應(yīng)用可從PC的細(xì)節(jié)中找到對(duì)樣品鑒定和定性分析的潛力。3.3 PLS校正模型 已經(jīng)注意到其他地方13RMSEP和交叉驗(yàn)證校準(zhǔn)模型的相關(guān)系數(shù)(r),廣泛采用作者獨(dú)特的參數(shù)模型評(píng)估,應(yīng)當(dāng)非常小心處理。最好的結(jié)果,這些參數(shù)可能會(huì)導(dǎo)致一個(gè)過于精細(xì)的模型,其行為在常規(guī)分析是不能接受的,因?yàn)榘l(fā)生異常或偏離高參考價(jià)值。這些參數(shù)應(yīng)該用作指導(dǎo)模型中細(xì)化

15、過程基地完全在他們身上避免就這樣得出最終結(jié)論。因此,在常規(guī)使用模型的魯棒性之間的妥協(xié)和聲音數(shù)據(jù)的優(yōu)點(diǎn)(r和RMSEP)應(yīng)該追求和最終評(píng)價(jià)與外部驗(yàn)證集是最合適的方式來完成的它。在目前的工作我們獲得了七個(gè)不同模型鄰二甲苯通過每個(gè)校準(zhǔn)模型的順序優(yōu)化過程中,樣品較高濃度的殘差被先后拆除。因此,模型有更好的r值和RMSEP和減少數(shù)量的樣本。最后結(jié)果的評(píng)估針對(duì)每個(gè)模型相同的外部驗(yàn)證數(shù)據(jù)集,對(duì)其相關(guān)的參考方法和預(yù)測(cè)之間的平均誤差和實(shí)際結(jié)果。表4中的數(shù)據(jù)總結(jié)和證明的最終性能模型沒有從第一行到最后一行的模型改善,盡管在r和RMSEP連續(xù)改進(jìn)。換句話說,最高的交叉驗(yàn)證r和/或最低RMSEP并不一定得到最好的模型。

16、從這一點(diǎn)來看,在這個(gè)例子中最高的模型數(shù)量的樣本應(yīng)首選在常規(guī)分析中減少離群值。數(shù)量的影響因素包括在模型中的評(píng)估和結(jié)果在表4所顯示?；诳偡讲罱忉?如圖所示,圖4中的剩余方差圖(b),軟件自動(dòng)顯示七個(gè)因素的作用。然而, 如果能進(jìn)一步改善交叉驗(yàn)證數(shù)據(jù)(r和RMSEP)和外部驗(yàn)證性能相關(guān)性(平均偏差和方法)可以觀察到其包括在內(nèi)的更多的因素。一個(gè)因素應(yīng)該意識(shí)到使用超過實(shí)際需要可能導(dǎo)致模型在擬合,從而在本例中11個(gè)因素是一個(gè)很好的妥協(xié)用來作平均偏離參考方法,可以減少到一半的觀察作為七個(gè)因素之一。錯(cuò)誤的選擇在合適的風(fēng)險(xiǎn)因素的數(shù)量可以最小化RMSEP與PC的分析和x負(fù)荷權(quán)重細(xì)節(jié),也提出了在圖4(a),(c)和

17、(d)。RMSEP細(xì)節(jié)表明有超過七因素模型的改進(jìn)。分析X負(fù)荷細(xì)節(jié)在圖4中11(c)和13(d)我們可以在最后一個(gè)更隨機(jī)的觀察因素和行為, 如果兩個(gè)因素包括在PC模型11中這意味著沒有有用的信息會(huì)被添加。這個(gè)例子給出了證據(jù)表明這兩個(gè)極端(使用更少或更多的因素不是需要)應(yīng)避免,因?yàn)閭€(gè)人電腦的數(shù)量會(huì)影響最終的模型的性能。Table 4經(jīng)過連續(xù)的細(xì)化步驟鄰二甲苯模型的性能。N個(gè)列帶來的包括在校準(zhǔn)模型系數(shù)的數(shù)目。 n為校準(zhǔn)樣品的數(shù)量。 RMSEP代表均方根預(yù)測(cè)誤差平方。 一個(gè)的最大殘留在鄰二甲苯預(yù)測(cè)中是基于由軟件（7）提出的PC的數(shù)目和用作參考來提取樣品的下一個(gè)細(xì)化的步驟。圖.4. 一個(gè)鄰二甲苯模型的數(shù)

18、量因素影響的評(píng)估診斷圖：（a）均方根誤差與PC;（二）殘差與PC，（C）X負(fù)荷權(quán)重曲線（PC= 11）;（四）X負(fù)荷權(quán)重曲線（PC=13）。 這是值得注意到在這個(gè)實(shí)驗(yàn)已用于選擇在第2節(jié)的校準(zhǔn)和驗(yàn)證集相同的標(biāo)準(zhǔn)中。同樣的43個(gè)樣本驗(yàn)證集被用在所有的細(xì)化步驟 ，即使很少的樣品在校準(zhǔn)裝置一起使用。為每個(gè)屬性的最佳校準(zhǔn)模型的結(jié)果總結(jié)于表5中。至少178個(gè)樣本在每個(gè)模型中使用，并需要7-11因素，以確保最佳的性能。三個(gè)樣品用完全不同的化學(xué)組合物（A ，E和F ）中的每個(gè)提供的參考方法的純實(shí)驗(yàn)誤差的估計(jì)值，在重復(fù)性條件下的標(biāo)準(zhǔn)偏差5次重復(fù)進(jìn)行分析。相對(duì)重復(fù)性計(jì)算各成分和樣品，并從這三個(gè)樣品中獲得的平均相對(duì)

19、重復(fù)性。這樣的值，然后用來獲得在典型的樣本范圍的中間參考絕對(duì)可重復(fù)性值。表5的RMSEP和每個(gè)回歸模型得到的平均偏差（參考- NIR）比較這帶來了實(shí)驗(yàn)誤差的估計(jì)（參考REPE ） 。Table 5PLS校正模型的驗(yàn)證結(jié)果。n是包含在校準(zhǔn)模型的樣本數(shù)。 N是PLS因子的模型的數(shù)目。申請(qǐng)每個(gè)型號(hào)的濃度范圍， 基于該校準(zhǔn)數(shù)據(jù)集。在Braskem公司芳烴方法得到處理試樣的典型分析結(jié)果還表明它們之間的相關(guān)性 ,測(cè)量（Y）與在交叉驗(yàn)證的預(yù)測(cè)（倍）的值由相關(guān)系數(shù)r給出。 RMSEP代表均方根預(yù)測(cè)誤差平方。參考REPE 表示從五個(gè)重復(fù)的平均值,相對(duì)重復(fù)性計(jì)算的典型樣本范圍,該范圍的中間位置的參考方法的絕對(duì)值重

20、復(fù)性樣品A，E和F的最后一列帶來的配對(duì)t-檢驗(yàn)比較來自參考方法和NIR預(yù)測(cè)的結(jié)果對(duì)每個(gè)模型得到的p值。圖. 5. 直方圖和參考方法的結(jié)果與NIR預(yù)測(cè)為（a）所有的樣品和屬性和驗(yàn)證集之間獲得的偏差的正態(tài)分布曲線（b）從每個(gè)屬性數(shù)據(jù)分開中獲得的相同的正態(tài)分布曲線。 結(jié)果證實(shí)了PLS模型能預(yù)測(cè)芳香工藝流體化學(xué)成分的優(yōu)異性能。交叉驗(yàn)證相關(guān)系數(shù)為0.99以上所有型號(hào)和RMSEP值均在參考方法的重復(fù)性的大小的順序相同。 外部驗(yàn)證數(shù)據(jù)集的評(píng)估也證實(shí)了不錯(cuò)的機(jī)型性能。至少41個(gè)樣品通過從基準(zhǔn)值時(shí)，預(yù)測(cè)值和測(cè)量和配對(duì)t檢驗(yàn)之間的相關(guān)系數(shù)的偏差的分析來用于最終驗(yàn)證。這五個(gè)參數(shù)，一個(gè)或兩個(gè)樣本施加迪克森試驗(yàn)的平均偏

21、差值，異常值之后被排除在驗(yàn)證集。每個(gè)模型的平均誤差呈正態(tài)分布，均值相當(dāng)接近零如圖5.所呈現(xiàn)。從預(yù)測(cè)值和測(cè)量值之間的線性回歸關(guān)系數(shù)也表現(xiàn)出優(yōu)良的近紅外光譜的預(yù)測(cè)。異丙苯模型顯示性能較差，在非常低的濃度水平,顯然與目前的樣本和性能變化的近紅外定標(biāo)不足。這是值得一提的該屬性通常是在相當(dāng)?shù)偷乃?，如果存在的話，而從近紅外成分預(yù)測(cè)正常化得到一個(gè)近似的值通常是適合于這個(gè)目的。 各模型的性能是通過配對(duì)t檢驗(yàn)評(píng)價(jià)也由預(yù)測(cè)值與實(shí)測(cè)值的比較。沒有觀察到的p值的比各臨界p值（0.05，對(duì)于95置信水平）低。因此，零假設(shè)，有預(yù)測(cè)值與實(shí)測(cè)值之間沒有顯著差異不能被拒絕，模型是可以接受的。3. 結(jié)論 目前的工作已經(jīng)證明使用

22、的可行性近紅外光譜作為一種快速，準(zhǔn)確的方法估算不同樣品的化學(xué)成分，通過芳烴生產(chǎn)Braskem公司中石化工廠的全過程。 PLS校正模型提供了很好的預(yù)測(cè)結(jié)果需要確?；瘜W(xué)參數(shù)在石化過程中適當(dāng)?shù)馁|(zhì)量控制。這是值得強(qiáng)調(diào)的巨大優(yōu)勢(shì)，在日常分析從單個(gè)獲取完整的化學(xué)成分光譜用同樣的方法對(duì)任何樣品， 排除的校準(zhǔn)，維護(hù)和分析需要耗時(shí)的色譜方法。該方法可以顯著減少時(shí)間報(bào)告結(jié)果提供更好的過程控制。例如，快速色譜分析是在30分鐘內(nèi)進(jìn)行的，而小于5分鐘則所需要近紅外預(yù)測(cè)其全過程。鳴 謝 作者感謝Braskem公司S.A.提供這項(xiàng)工作所需的技術(shù)資源.參考文獻(xiàn)：1 C. Pasquini, J. Br. Chem. Soc.

23、 14 (2) (2003) 198.2 G. Buttner, Process Control Quality 9 (1997) 197.3 S. Macho, Trends Anal. Chem. 21 (12) (2002) 799.4 H. Chung, Appl. Spectrosc. Rev. 42 (3) (2007) 251.5 F.A. Honorato, B. de Barros Neto, M.F. Pimentel, L. Stragevitch, R.K.H. Galvao, Fuel87 (1718) (2008) 3706.6 Z. Chen, X. Feng,

24、Hydrocarbon Process. 71 (1) (1992) 94.7 A. Espinosa, M. Sanchez, S. Osta, C. Boniface, J. Gil, A. Martens, B. Descales, D.Lambert, M. Valleur, Oil Gas J. 92 (42) (1994) 49.8 J.J. Kelly, J.B. Callis, Anal. Chem. 62 (14) (1990) 1444.9 J.J. Kelly, C.H. Barlow, T.M. Jinguji, J.B. Callis, Anal. Chem. 61

25、(4) (1989) 313.10 S.J. Swarin, C.A. Drumm, Spectroscopy 7 (7) (1992) 42.11 A.F. Parisi, L. Nogueiras, H. Prieto, Anal. Chim. Acta 238 (1) (1990) 95.12 M. Ku, H. Chung, App. Spectrosc. 53 (5) (1999) 557.13 M.V. Reboucas, E.C. Santos, F.S.V. Vieira, Vib. Spectrosc. 44 (2007) 187.14 N. Asker, S. Kokot,

26、 Appl. Spectrosc. 45 (7) (1991) 1153.15 D.E. Honigs, T.B. Hirschfeld, G.M. Hieftje, Anal. Chem. 57 (2) (1985) 443.16 M.V. Reboucas, B. de Barros Neto, J. Near-infrared Spectrosc. 9 (2001) 263.17 C.J. deBakker, P.M. Fredericks, Appl. Spectrosc. 49 (12) (1995) 1766.18 H. Chung, J. Lee, M. Ku, Appl. Spectrosc. 52 (6) (1998) 885.19 B. Barros Neto, I.S. Scarminio, R.E. Bruns, Planejamento e Otimizac¸a