标准样品所用实验材料为湖北毛坝产的生漆和四川绵阳产的桐油。 古代漆膜样品分别来自汉代、 秦代和东周三个不同的时代, 同一时代的样品出土地点相同, 依次为江西省、 陕西省和河南省, 具体信息见表1。

表1

Table 1

表1(Table 1)

表1 古代漆膜样品 Table 1 Ancient lacquer film samples Age Location SampleID 汉 江西 Y-1 Y-2 秦 陕西 Q-1 Q-2 Q-3 东周 河南 G-1 G-2

表1 古代漆膜样品 Table 1 Ancient lacquer film samples

使用电子天平精确称取一定质量的桐油与生漆, 将其按照质量比0/100, 5/95, 10/90, 20/80, 30/70, 40/60和50/50混合于烧杯中, 搅拌均匀, 分别涂刷至载玻片上, 编号依次为T0, T5, T10, T20, T30, T40和T50, 置于室内阴凉干燥处固化成膜。 成膜后的油/漆混合样品继续放置于室内环境下自然老化, 自然老化14个月后, 取出样品放置于紫外老化箱中进行紫外老化, 将油/漆混合样品老化至红外光谱不再发生变化的稳定状态, 作为本研究的标准样品, 再分别使用FTIR-ATR和NIR进行定量分析。

FTIR-ATR: 美国Thermofisher公司IN10显微红外光谱仪, 中红外MCT/A检测器, 配合单次反射ATR附件对样品进行分析测试。 ATR附件材质为锗, 折射率1.5, 红外光谱扫描范围为4 000~650 cm^-1, 分辨率为8 cm^-1, 每次采样前均采集ATR空槽作为背景光谱, 背景扫描次数和样品扫描次数均为64次。

使用显微红外光谱仪配合ATR附件对样品进行分析, 每次样品测试前使用酒精清洗ATR附件晶体, 待晶体干燥后再进行测试。 测试时每次使用手术刀刮取约5 mm×5 mm漆膜置于检测室中, 各样品均在不同位置采集3张谱图, 根据红外吸收谱图的特征, 选择用于定量的特征吸收峰。 光谱纵坐标归一化, 采用切线法测量峰面积^[11], 并记录数据, 光谱数据的采集和预处理均使用显微红外光谱仪自带的OMNIC软件。 最后将所得峰面积数据输入Origin软件中, 使用线性拟合工具得到油含量与特征吸收峰面积的线性关系, 通过决定系数R²和残差平方和判断线性拟合程度。

1.4.1 NIR光谱采集

NIR: 美国Analytical Spectral Devices公司便携式近红外光谱仪, 型号TerraSpec4 HI-RES, 波长范围350~2 500 nm, 分辨率3 nm@700 nm, 6 nm@1 400/2 100, 扫描速率100 ms。 近红外光谱测试使用RS3光谱采集软件, 建立模型使用化学计量学软件TQ Analyst。

使用近红外光谱仪的漫反射模式分别对紫外老化至稳定状态的标准样品进行测试分析, 测试前先预热与校准仪器, 并且每隔10 min再次校准光谱仪。 采用专业探头采集近红外光谱, 测试时各比例标准样品均在不同位置采集5张谱图, 随机选择4张谱图作为定量模型的校正集, 1张谱图作为验证集, 用于验证模型的稳定性和准确性。 共获得28个校正样品集, 7个验证样品集, 选择最佳的数据预处理方法和谱段范围, 通过TQ Analyst软件构建稳定的定量分析模型。

使用与标准样品相同的方法和仪器分别采集各个古代漆膜的近红外光谱数据, 每个古代漆膜样品均在不同位置采集3张谱图。 将所得光谱数据全部输入定量模型中, 通过使用标准样品建立的定量模型, 计算古代漆器制作时所添加的干性油量。

1.4.2 NIR数据预处理

近红外光谱与形成尖锐特征吸收峰的中红外光谱不同, 其整个光谱区域谱峰较宽且重叠严重, 特征性较弱难以解析。 并且所得到的原始光谱中, 不仅包含样品的光谱信息, 也不可避免的会受到噪声、 光谱漂移和光程差等因素的影响, 在一定程度上影响校正模型的性能和对未知样品的预测。 为了提高校正模型的预测能力和稳定性, 在建模前需要对近红外光谱数据进行预处理, 主要通过选择特定谱段、 散射效应校正、 导数处理和平滑处理等方法来消除或尽量减少影响因素^[12]。

1.4.3 模型建立与评估

由于光谱或其他变量之间的共线性关系, 简单的单变量标定技术不能用于近红外光谱的定量分析。 在近红外光谱中每个数据点都携带了多种组分的信息, 样品中各组分的有效信息可能遍布近红外谱区的多个波段, 该谱区的光谱复杂、 谱峰重叠、 谱带较宽、 干扰信息多, 分析的难度较大, 因此对近红外光谱的分析必须结合化学计量学方法, 预先建立光谱与待测量之间的数学模型^[13]。 基于潜在变量的主成分回归(principal component regression, PCR)或偏最小二乘回归(partial least-squares regression, PLSR)等模型构建技术, 具有从完整光谱中提取相关有效信息的能力。 其中PLSR是一种多因变量对多自变量的回归建模方法, 在目前的近红外光谱分析中使用较多且效果较好。 PLSR能有效地将因子分析和回归分析相结合, 在成分提取的基础上, 选取主成分时增强了对因变量影响的解释而避免了一定的盲目性, 因此所建模型更加稳健, 可以较好地解决许多以往用普通多元回归无法解决的问题^[14]。

在建模过程中, 采用不同的因子数, 也会对模型的预测能力产生较大影响。 在校正样品集相同的情况下, 因子数取得太少, 会导致模型提取的光谱信息不全面, 降低模型预测能力。 反之, 因子数取得太多, 便会增加模型的复杂程度, 并且会出现过拟合现象, 也会降低模型的预测能力。 因此, 选择合适的因子数将有助于提高模型的预测能力。

应用TQ analyst软件, 采用最优的预处理方法和光谱区域, 划分校正集和验证集。 使用PLS回归方法对校正集建立交叉检验模型, 即采用留一法进行内部交叉验证(leave-one-out cross-validation), 确定模型的主成分数, 并利用模型的验证集作为外部验证。 评价指标采用校正均方差(root mean square error of calibration, RMSEC)、 预测均方差(root mean squared error of prediction, RMSEP)、 交叉验证均方差(root mean square error of cross validation, RMSECV)和相关系数R(correlation coefficient), 计算公式如式(1)和式(2)

RMSEC/RMSEP/RMSECV=∑i=1n(C^i-Ci)2n(1)

Rc/Rp/Rv=1-∑i=1n(C^i-Ci)2∑i=1n(Ci-C̅)2(2)

式中, C_i是样品油/漆比例实际值, C^i是NIR预测值, C̅是平均值, n为校正集样品数。 相关系数R越接近1, RMSEC, RMSEP和RMSECV越接近0, 模型的稳定性越高, 预测能力越强。

室内环境自然老化14个月后, 各比例油/漆混合样品FTIR-ATR平均光谱如图1(a)所示, 此时的样品未达到稳定状态。 其中3 392 cm^-1为酚羟基的振动吸收峰, 因氢键效应使O—H伸缩振动谱带变宽; 2 924与2 854 cm^-1处为亚甲基(—CH₂—)的伸缩振动吸收峰, 1 740 cm^-1只存在于添加油的漆膜中, 为甘油三酯结构中羰基(-C═O)的伸缩振动吸收峰, 1 618, 1 595及1 459 cm^-1处为漆酚苯环骨架C═C伸缩振动峰, 1 267, 1 160及1 093 cm^-1处为酯基(C—O—C)的伸缩振动吸收峰, 1 207 cm^-1为C—O的伸缩振动峰, 989 cm^-1为共轭双键(=C-H)的伸缩振动吸收峰, 725 cm^-1处为—(CH₂)—的吸收峰。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 各比例油/漆混合样品FTIR-ATR平均光谱(a)和局部平均光谱(b)Fig.1 FTIR-ATR average spectrogram (a) and partial average spectrum (b )of oil/lacquer mixed samples in various proportions

不同比例的油/漆混合样品FTIR-ATR局部平均光谱图1(b)显示, 随着混合物中油的加入, 在1 740 cm^-1处会出现羰基(-C═O)的特征吸收峰, 并且特征峰强度随着油含量的增加而增强。 与此同时, 代表苯环骨架的C═C特征吸收峰强度随着油含量的增加而降低。

结合油/漆混合样品的FTIR-ATR光谱图, 对油进行定量分析时, 选择1 740 cm^-1处的特征吸收峰作为定量峰。 使用切线法和OMNIC软件测量各比例油/漆混合样品特征吸收峰的峰面积, 使用Origin软件, 以峰面积值作为Y轴, 油百分含量作为X轴建立标准曲线, 见图2和表2。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 特征吸收峰面积与油含量关系Fig.2 Relationship between characteristic absorption peak area and oil content

表2

Table 2

表2(Table 2)

表2 线性方程与相关系数 Table 2 Linear equation and correlation coefficient 特征峰位置 /cm-1 线性范围 /% 线性关系 R 1 740 0~50 Y=0.444 35x-0.098 9 0.999 03

表2 线性方程与相关系数 Table 2 Linear equation and correlation coefficient

拟合结果显示, 1 740 cm^-1吸收峰面积与油含量在0%~50%范围内线性关系较好, 标准曲线的相关系数R为0.999 03, 残差平方和为1.000 4, 这一结果符合朗伯-比尔定律。

标准样品(紫外老化3个月)的FTIR-ATR光谱结果如图3所示。 经紫外老化的油/漆混合样品, 3 391 cm^-1处的酚羟基吸收峰和2 930和2 859 cm^-1的亚甲基吸收峰均呈现逐渐减弱以及消失的现象, 其中油含量越低现象越明显。 分析认为, 由于大量酚羟基受紫外光照射后, 逐渐转化为漆酚醌, 表现为3 391 cm^-1的吸收峰强度逐渐减弱, 而1 715 cm^-1处漆酚醌(C═O)的吸收峰强度逐渐升高^[15]。 同时, 由于老化时间的延长, 烷烃中的C—C键发生断裂, 故2 930和2 859 cm^-1的亚甲基(—CH₂—)吸收峰逐渐减弱以至消失, 此过程同时也生成了1 163 cm^-1处的C—C振动吸收峰和1 059 cm^-1处芳谜Ar—O—C的振动吸收峰。 在此基础上, 对样品继续紫外老化1个月, 红外光谱峰型不再发生变化, 表明各样品已经被老化至稳定状态。 通过对紫外老化达稳定状态的标准样品FTIR-ATR光谱的分析测定, 发现样品中红外光谱所呈现的特征吸收峰定量特征均不明显, 无法达到定量分析油含量的目的。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 标准样品FTIR-ATR平均光谱图Fig.3 FTIR-ATR average spectrogram of standard samples

采用标准样品建立PLS定量模型, 经过针对定量模型的反复调试与比对, 采用多元信号修正、 二阶导数处理和Norris derivative filter平滑方式, 选择1 425~1 465, 1 660~1 722和2 095~2 138 nm三个光谱区域, 取得了最好的建模效果, 原始近红外光谱和预处理后的近红外光谱见图4。 图5显示RMSECV随PLS因子数的变化, 从图中可知, 当PLS因子数为2时RMSECV最低, 因此因子数2为最佳建模因子数。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 原始近红外光谱图和预处理后的近红外光谱图Fig.4 Original near-infrared spectrum and pre-processed near-infrared spectrum

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 PLS建模因子数对RMSECV影响Fig.5 The effect of PLS modeling factor number on RMSECV

采用最佳预处理方法、 最佳建模因子数和偏最小二乘回归方程(PLSR)建立了PLS定量模型, 使用7个验证集样品和内部交叉验证检验模型的稳定性和预测效果, 结果见图6。 模型校正集相关系数R_c为0.996 8, RMSEC为1.41, 验证集相关系数R_p为0.997 6, RMSEP为1.21, 交叉验证相关系数R_v为0.9903, RMSECV为2.46, PLS定量模型的相关系数R_c, R_p和R_v均在0.99以上; 实际值与预测值结果如表3所示, 油含量的预测偏差分别为0.2%, -1.2%, 1.4%, -0.2%, -2.4%, 1.0%和-0.2%, 预测偏差均较低。 以上结果表明油含量的实际值与预测值之间具有较好的线性关系, 定量模型的相关系数很高, 预测效果较好。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 PLS定量模型(a)和内部交叉验证(b)Fig.6 PLS quantitative model (a) and Cross-validation of PLS quantitative model (b)

表3

Table 3

表3(Table 3)

表3 标准样品实际含油量与计算量比较 Table 3 Comparison of actual oil content and calculation amount of standard sample Sample ID Actual/% Calculated/% Error/% T0 0 0.2 0.2 T5 5 3.8 -1.2 T10 10 11.4 1.4 T20 20 19.8 -0.2 T30 30 27.6 -2.4 T40 40 41.0 1.0 T50 50 49.8 -0.2

表3 标准样品实际含油量与计算量比较 Table 3 Comparison of actual oil content and calculation amount of standard sample

本研究所有古代漆膜均已经过Py-GC/MS分析, 确认所有古代样品均为油和漆的混合物。 将古代漆膜近红外光谱数据输入TQ analyst软件, 使用PLS定量模型计算古代漆膜制作时的干性油添加量, 结果见表4。

表4

Table 4

表4(Table 4)

表4 PLS定量模型计算结果 Table 4 The calculations of PLS quantitative model Age Location Sample ID Calculated /% Average /% RSD /% 汉 江西 Y-1 10.9 10.9 5.0 10.4 11.5 Y-3 12.2 14 11.1 14.9 14.9 秦 陕西 Q-1 15.0 15.1 1.8 15.4 14.9 Q-2 20.2 19.7 2.6 19.8 19.2 Q-3 20.5 20.5 0.3 20.5 20.6 东周 河南 G-1 13.3 11.9 11.0 11.7 10.7 G-2 11.2 11.1 5.0 11.6 10.5

表4 PLS定量模型计算结果 Table 4 The calculations of PLS quantitative model

通过标准样品近红外光谱数据建立了PLS定量模型, 模型计算结果显示, 所有古代漆膜样品均含有干性油, 相对标准偏差(RSD)均在合理误差范围内。 其中, 汉代出土的古代漆膜在制作时所添加的油含量平均值分别为10.9%和14%, 秦代的古代漆膜添加油含量为15%~20%, 东周的古代漆膜添加油含量均约为11%。

根据计算结果可知, 同一地区出土的漆器, 所使用的油/漆比例基本相同, 在本研究中表现为添加的油含量基本稳定。 但是, 不同地区或不同时代之间的“ 油漆” 技术存在明显差异, 漆器制作时会使用不同的油/漆比例。