油田污水用阻垢缓蚀剂的室内复配及筛选试验

稠油井在我国油田中占据着较大的比重,经过多年的开采,稠油井已经进入了开采后期,在这一时期多采用注水的方式进行后续的开采作业。油井注水多使用的是油井产出液中所分离出来的油田污水,如若油田污水未能进行良好的处理将容易产生油田水腐蚀、结垢等的危害。为解决这一问题需要积极做好油田污水阻垢缓蚀剂的开发与应用。文章在分析油田污水所造成危害的基础上对油田污水阻垢缓蚀剂的开发与利用进行了分析介绍。     

一种基于主成分分析和BP神经网络的卫生用纸掺杂回用纤维的甄别方法

由于回收纤维中含有许多有害的成分,国家有关部门已明确规定禁止使用回收纤维生产面巾纸等卫生用纸。实现对相关卫生用纸是否掺有回收纤维的科学甄别,对人体健康和安全用纸意义重大。本研究收集了68个样品并对各样品的蓝光白度、荧光白度、帚化率、抄纸方法(分为机制和手工)、残余油墨量、原生态六个指标进行实验测定,建立了主成分分析与BP-神经网络相结合的判别模型,先通过主成分分析对实验数据进行降维处理将多指标转化为少数几个保留原始数据主要信息的并且不相关的综合指标(主成分),然后将这些综合指标输入已搭建好的BP神经网络进行神经元模拟计算。研究结果表明,基于主成分分析的BP神经网络更具优越性,能有效提高网络的预测精度和预测效率,为甄别生活用纸是否含有回用纤维提供了准确稳定的方法。     

主成分回归分析法在精纺毛织物透气性与结构参数关系模型构建中的应用

为了研究精纺毛织物透气性与基本结构参数的关系,利用主成分分析方法对织物基本结构参数进行降维处理,得到4个互相独立的主成分。以主成分为自变量,透气性为因变量,采用回归分析的方法建立了透气性与提取主成分的关系模型。结果表明:建立的回归方程Q=208.544+0.119Z1-0.036Z2-0.145Z3-0.331Z4,达到非常显著水平,对透气性进行预测是可行的。通过主成分分析可知,主成分Z1、Z4是决定精纺毛织物透气性的主要因素。     

基于主成分分析的化探元素含量数据处理

文章对西藏地区化探元素的含量数据做了相关性分析后,其结果表示了化探元素间存在一定的相关性,所以使用主成分分析对数据进行处理,在达到了降维的目的的同时也可以分析不同元素间关联程度,为成矿预测提供科学依据。     

油田含油污水处理设备的优化

原油开采在为我国提供大量原油供应的同时其所造成的水资源污染也是极为严重的。我国油井多为稠油井,这些稠油井经过多年的开采已经逐步进入了开采的中后期,这一时期原油开采的主要方式为注水法,且在应用注水法进行开采时为了提高原油开采率大量使用化学助剂致使油田采出液中的含水量处于较高水平且其内部成分更趋复杂,对油田含油污水的处理带来了极大的挑战。未经处理的油田含油污水将会对生态环境造成较大的污染不利于水资源的高效利用。为保护生态环境应当积极做好油田含油污水处理技术的研究,做好油田含油污水的处理,实现水资源的高效、循环利用。     

棉花性能指标对成纱质量的预测模型研究

探讨基于遗传算法和主成分分析法与BP神经网络相结合的棉花性能指标对成纱质量的预测模型。分别采用单一BP神经网络(模型1)、主成分分析加BP神经网络(模型2)、主成分分析加遗传算法优化隐层节点数后的BP神经网络(模型3),依据实测原棉数据对成纱品质作预报,并以平均相对误差百分率指标最小为原则,对比了三种模型的优劣。结果表明:模型3的平均相对误差百分率值最小;主成分分析表面上在降维,但对神经网络来说仍是高维的计算,最优结果的隐层节点数均高于经验公式确定的隐层节点数,接近于13个原始变量数。认为:基于遗传算法和主成分分析法与BP神经网络相结合进行预报,能够使预测精度得到明显提高。     

CARS-SVM预测哈密瓜可溶性固形物含量

采用近红外光谱技术结合数据降维的方法,建立了哈密瓜可溶性固形物含量的预测模型：对比多种光谱预处理方法,确定二阶求导用于处理原始光谱;经预处理的光谱数据分别结合特征选择竞争性自适应重加权采样法（CARS）、蒙特卡罗无信息变量消除法（MC-UVE）提取特征波长,以及利用主成分分析进行降维;再使用特征选择和特征提取的光谱数据作为模型的输入变量,建立哈密瓜可溶性固形物含量预测模型。结果显示,CARS+SVM建立的预测模型最优,模型的校正集相关系数为0.981 4,预测集相关系数为0.900 2,模型能够准确预测哈密瓜可溶性固形物含量。     

基于KPCA-BP神经网络与GC-MS图谱的白酒价格预测技术

为实现对白酒价格的准确预测，采用气相色谱-质谱（GC-MS）技术对白酒样品的挥发性风味成分进行测定后选择对不同档次白酒样品有显著差异的微量成分，分别采用主成分分析（PCA）与核主成分分析（KPCA）对GC-MS图谱数据进行降维处理，再将降维后的数据送入到反向传播（BP）神经网络实现价格预测。结果表明，不同档次白酒样品检测出27种挥发性风味成分，其中，酯类8种，醇类9种，酸类9种以及醛类1种；除对不同档次白酒样品无显著性差异的微量成分丁酸乙酯、正己酸乙酯、丙醇、正丁醇、异戊醇和己酸外，采用PCA和KPCA对21种挥发性风味成分进行特征提取。结果表明，PCA前3个主成分累计方差贡献率达87.38%,KPCA前3个核主成分累计方差贡献率达90.02%,KPCA对3种档次白酒在三维空间上有良好的区分度，更能实现白酒特性的准确表达；KPCA-BP神经网络对中、高端白酒预测误差为5%，而PCA-BP神经网络预测误差为15%；白酒价格预测模型验证结果表明，KPCA-BP神经网络方法比PCA-BP神经网络预测的价格更准确，PCA-BP准确率为86.89%,KPCA-BP神经网络准确率达到92.96%。     

基于PCA-GA-SVM的烟叶分级方法

为解决烟叶分级所需特征多、计算量大、训练模型复杂等问题,基于主成分分析(PCA)、遗传算法(GA)和支持向量机(SVM)提出了一种烟叶分级方法,利用PCA对烟叶特征进行降维以去除交叉冗余信息,将降维后的15个烟叶特征输入SVM,利用GA对SVM模型的惩罚参数C和核函数参数g进行优化;结合烟叶质量分级实际需求对比识别率和运行时间,确定PCbest及其对应的Cbest和gbest,并以PCbest作为降维后的主成分标准。以Cbest和gbest作为SVM模型的参数训练模型,利用训练后模型对测试集样本进行实验,结果表明:与SVM模型和GA-SVM模型相比较,PCA-GA-SVM模型的烟叶识别率和分级效率分别提高24.86%和35.64%。该方法可为提高烟叶分级效率和准确度提供技术支持。     

基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

基于傅里叶变换红外光谱的大豆原油掺伪定量 分析模型研究

目的应用傅里叶变换红外光谱(FTIR)结合最小偏二乘法(PLS)建立大豆原油-棕榈油二元掺伪体系的定量分析模型。方法以42个大豆原油、21个精炼油、88个掺伪油的FIIR谱图为模型样本,预处理方法选用标准正态变量(SNV),在此基础上应用主成分分析(PCA)提取特征变量,随机选取60个掺伪油样组成校正集,28个掺伪油样组成验证集,以PLS方法建立大豆原油的掺伪定量模型。结果 PCA可将大豆原油及精炼油分成独立的2类。经PCA分析,大豆原油中掺入棕榈油的掺伪检测限为5%。PLS校正模型的判定系数R2为0.9926,校正误差均方根RMSEC为1.8121。预测模型的R2为0.9823,交叉验证误差均方根RMSECV为2.8189。同时得到的预测结果的偏差在1.3909%~3.1019%之间,差异不显著,说明此模型可行。结论 FTIR-PLS模型能够实现大豆原油的掺伪定量分析,分析速度快,能够满足大豆原油入库要求,是一种可行的大豆原油掺伪分析方法。     

基于电子鼻山茶油芝麻油掺假的检测研究

本文采用电子鼻系统对山茶油、芝麻油的掺假（大豆油）作了检测.通过对传感器信号进行方差分析可知,三种油脂的传感器响应有显著差异.主成分分析（PCA）对山茶油与大豆油及其混合物检测效果较差,对芝麻油、大豆油及两者混合物取得了较好的检测效果;而线性判别式分析（LDA）对山茶油和芝麻油的掺假都有较好的检测效果,并优于PCA方法.运用BP神经网络拟对混合油脂进行定量预测,对山茶油掺假的定量预测效果较差,对芝麻油掺假的预测效果略好于山茶油,但最大绝对误差已达0.134,还不能取得较为准确的结果.     

基于主成分分析法的芝麻油香气质量评价模型的构建

采用顶空固相微萃取与气相色谱-质谱联用(HS-SPME-GC-MS)测定了9种芝麻油的挥发性成分.对萃取条件进行了优化,共鉴定了164种化合物,确认了其中16种芝麻油重要香气成分,并以16种香气物质的相对含量为变量,利用主成分分析法建立了芝麻油香气质量评价模型,并应用该模型对9种芝麻油香气质量进行了评价[通过感官评价法进一步对模型评价结果进行了检验,结果显示两种方法具有很好的一致性,表明所建立的方法是可行的.     

低场核磁共振技术对葡萄籽油掺伪鉴别的研究

应用低场核磁共振（LF-NMR）检测技术结合主成分分析法（PCA）对多种品牌纯葡萄籽油以及其掺有其他食用油脂的掺伪葡萄籽油进行了检测分析。研究表明, PCA可明显区分葡萄籽油、大豆油、玉米油、稻米油的LF-NMR弛豫特征数据（峰起始时间、峰顶点时间、峰结束时间、峰面积、峰高）;并且PCA得分图上能有效区分葡萄籽油中不同油脂的掺伪比例,掺伪比例越高区分效果越好,试验验证可靠。实验结果说明基于葡萄籽油的LF-NMR弛豫特征数据,结合主成分分析可实现对其是否掺伪、掺伪比例快速、有效的鉴别。     

低场核磁共振结合主成分分析法在食用油脂品质分析中的应用

应用主成分分析法(PCA)对多种不同品质油脂样品的LF-NMR弛豫特性数据(T21、T22、T23、S21、S22、S23)进行了分析。研究表明,应用PCA可明显区分正常大豆油和棉籽油,但棕榈油和猪油样品分布范围有一定的重合;无论是轻度煎炸还是深度煎炸,不同种类的煎炸油脂在PCA得分图中能够明显分区;随煎炸时间的延长,油样在PCA得分图上的分布逐渐向左上方移动,四种油脂能够明显分为两类:棕榈油和猪油,大豆油和棉籽油;食用猪油与掺伪猪油样品在PCA得分图上能够明显区分,掺伪比例愈高,二者的区分效果愈好,试验验证正确。说明基于油脂的LF-NMR弛豫特性,结合主成分分析可实现对食用油脂种类、煎炸油程度及掺伪猪油的品质区分。     

Detection of adulteration of extra-virgin olive oil by chemometric analysis of mid-infrared spectral data

This study focuses on the detection and quantification of extra-virgin olive oil adulteration with different edible oils using mid-infrared (IR) spectroscopy with chemometrics. Mid-IR spectra were manipulated with wavelet compression previous to principal component analysis (PCA). Detection limit of adulteration was determined as 5% for corn–sunflower binary mixture, cottonseed and rapeseed oils. For quantification of adulteration, mid-IR spectral data were manipulated with orthogonal signal correction (OSC) and wavelet compression before partial least square (PLS) analysis. The results revealed that models predict the adulterants, corn–sunflower binary mixture, cottonseed and rapeseed oils, in olive oil with error limits of 1.04, 1.4 and 1.32, respectively. Furthermore, the data were analysed with a general PCA model and PLS discriminant analysis (PLS-DA) to observe the efficiency of the model to detect adulteration regardless of the type of adulterant oil. In this case, detection limit for adulteration is determined as 10%.     

Toluene depletion in produced oil contributes to souring control in a field subjected to nitrate injection

Souring in the Medicine Hat Glauconitic C field, which has a low bottom-hole temperature (30 °C), results from the presence of 0.8 mM sulfate in the injection water. Inclusion of 2 mM nitrate to decrease souring results in zones of nitrate-reduction, sulfate-reduction, and methanogenesis along the injection water flow path. Microbial community analysis by pyrosequencing indicated dominant community members in each of these zones. Nitrate breakthrough was observed in 2-PW, a major water- and sulfide-producing well, after 4 years of injection. Sulfide concentrations at four other production wells (PWs) also reached zero, causing the average sulfide concentration in 14 PWs to decrease significantly. Interestingly, oil produced by 2-PW was depleted of toluene, the preferred electron donor for nitrate reduction. 2-PW and other PWs with zero sulfide produced 95% water and 5% oil. At 2 mM nitrate and 5 mM toluene, respectively, this represents an excess of electron acceptor over electron donor. Hence, continuous nitrate injection can change the composition of produced oil and nitrate breakthrough is expected first in PWs with a low oil to water ratio, because oil from these wells is treated on average with more nitrate than is oil from PWs with a high oil to water ratio.     

GC和LF-NMR结合化学计量学方法检测掺假油茶籽油

为了对油茶籽油品质控制及评价提供支撑,以纯油茶籽油和掺假油茶籽油(分别掺入菜籽油、花生油、棕榈油和高油酸花生油)为试验材料,采用气相色谱法(GC)分析其脂肪酸组成,采用低场核磁共振技术(LF-NMR)测定其横向弛豫特性数据,结合主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和偏最小二乘分析(PLS)等化学计量学方法建立油茶籽油掺假的定性和定量分析模型。结果表明：5种植物油的脂肪酸组成和LF-NMR横向弛豫特性数据存在显著区别;油茶籽油和其他4种植物油在PCA得分图上可清晰区分;PLS-DA模型可有效区分油茶籽油和掺假油茶籽油,判别正确率均可达100%;建立的油茶籽油中掺入菜籽油、花生油、棕榈油、高油酸花生油的PLS定量预测模型,真实值与预测值的相关系数(R²)分别为0.994 1、0.998 6、0.997 6、0.978 1。综上,GC和LF-NMR结合PCA、PLS-DA以及PLS等化学计量学方法可用于油茶籽油掺假类别判定及掺假量分析。     

基于嗅觉可视化技术的食用植物油分类识别

为实现山茶油与3种常见食用植物油(菜籽油、大豆油和玉米油)的区分,制备可视化传感器阵列,采用嗅觉可视化技术对4种不同种类的食用植物油进行分类识别。采用主成分分析(PCA)对4种油样的特征数据进行降维,然后将降维后的数据导入K近邻(KNN)、极限学习机(ELM)、支持向量机(SVM) 3种分类模型中进行模型参数优化,对比了3种分类模型的分类结果。结果表明：建立的SVM分类模型性能最优,当输入主成分向量数为7、c=1.741 1、g=4.549 8时,SVM分类模型的测试集分类识别准确率为95.8%,五折交叉验证准确率为89.6%。制得的可视化传感器阵列可以实现4种食用植物油的分类识别,嗅觉可视化技术用于食用植物油检测是可行的。     

The potential of different techniques for volatile compounds analysis coupled with PCA for the detection of the adulteration of olive oil with hazelnut oil

This paper investigates the effectiveness of three rapid methods of volatile compounds analysis with subsequent principal component analysis (PCA) treatment of data for differentiation between virgin olive oil samples adulterated with hazelnut oil. Tested methods included comparison of chromatograms of volatiles obtained using SPME-fast GC-FID, volatiles analysis by electronic nose based on MOS sensors (HS-Enose), and by direct coupling of SPME to MS (SPME-MS). Volatile compounds were analyzed also by SPME-GC/MS technique. Data obtained as a result of SPME-GC/MS was subjected to PCA. SPME-GC–MS analysis with subsequent PCA yielded good results, however being time consuming. The three methods of analysis of volatiles, with subsequent PCA treatment of data, allowed detection of olive oil adulteration with different contents of hazelnut oil ranging from 5 to 50% (v/v).