引用本文
王立双, 张文博, 仝莉. 不同含水率下木材尺寸变化的近红外光谱研究[J]. 光谱学与光谱分析, 2018,38(4): 1066-.
WANG Li-shuang, ZHANG Wen-bo, TONG Li. Studies on Dimensional Stability of Wood under Different Moisture Conditions by Near Infrared Spectroscopy Technology[J]. Spectroscopy and Spectral Analysis, 2018,38(4): 1066-.
Doi:10.3964/j.issn.1000-0593(2018)04-1066-04  
Permissions
Copyright©2018, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
不同含水率下木材尺寸变化的近红外光谱研究
王立双, 张文博*, 仝莉
北京林业大学材料科学与技术学院, 北京 100083
*通讯联系人 e-mail: kmwenbo@bjfu.edu.cn

作者简介: 王立双, 1992年生, 北京林业大学材料科学与技术学院硕士研究生 e-mail: 2451394830@qq.com

收稿日期: 2016-11-29
基金: 国家科技支撑计划项目(2015BAD14B0302), 教育部海外名师计划项目(MS2014DJLY005), “木材科学与工程”北京市重点实验室建设项目(2016CLCX13)资助
摘要

木材和水分关系的研究一直以来都是木材学研究领域的重点课题。 木材中水分含量变化会使木材产生干缩湿胀, 进而影响其尺寸稳定性, 这关系到木材的实际应用。 一般认为, 木材产生变形的根本原因是木材化学组分中多糖类物质所含羟基与水分形成氢键作用的结果, 而近红外光谱对有机材料含氢基团具有高度的敏感性。 利用这一特点, 为了能够实现对木材尺寸变化的在线快速检测, 应用近红外光谱(near infrared, NIR)探讨了不同含水率木材与其尺寸稳定性之间的相互关系并建立了木材尺寸变化预测模型。 通过对不同含水率下木材三个切面进行近红外扫描得到光谱信息, 结合化学计量学方法, 建立基于偏最小二乘法的木材径、 弦向尺寸变化率的近红外光谱模型, 并采用交叉检验的方式对模型进行验证。 结果表明: 不同含水率条件下的木材径、 弦向尺寸变化率与相应的近红外光谱有很高的相关性, 说明可以通过近红外光谱来研究木材的尺寸变化; 研究建立的木材径、 弦向尺寸变化模型的相关系数都大于0.90, 均具有比较好的适用性; 通过比较横切面上建立的径、 弦向尺寸变化率模型, 弦向好于径向。 以上结果表明利用近红外光谱技术对木材的尺寸变化进行快速、 准确的预测具有较好的可行性。

关键词: 木材; 水分; 尺寸变化; 近红外光谱
中图分类号:O657.3 文献标志码:A
Studies on Dimensional Stability of Wood under Different Moisture Conditions by Near Infrared Spectroscopy Technology
WANG Li-shuang, ZHANG Wen-bo*, TONG Li
College of Material Science and Technology, Beijing Forestry University, Beijing 100083, China
Abstract

Relationship between wood and moisture content has always been a focus in wood science research field. Shrinkage or swelling that affects dimensional stability of wood occurs while moisture content changes. The problem is closely related to the end use of wood. Generally wood deformation is mainly depend on polysaccharides of wood chemical composition containing hydroxyl and water to form hydrogen bonding. Near-infrared spectroscopy (NIR) with a high sensitivity to organic materials containing hydrogen groups will be a useful tool to realize on-line rapid detection on shrinkage or swelling of wood. Relationships between moisture contents and size changes of wood were investigated in this research by using NIR technology, furthermore the predicted models of size changes induced by moisture content were built. The near infrared spectra coupled with chemometric techniques were collected on three sections of wood. Prediction models of size change of wood were constructed on base of partial least squares and corresponding cross-validation. The results showed that size changes of wood in tangential and radial section under several different moisture contents had a high correlation with the corresponding near infrared spectra. It is feasible to detect size change of wood by NIR. On the other hand determine coefficients ( R2) of prediction models in tangential and radial direction are over 0.90, which are satisfactory to predict wood deformation under different moisture content conditions. Additionally the prediction model of size change in tangential is better than that of in radial direction. The above results showed size changes induced by moisture content could be predicted quickly and accurately by NIR technology.

Keyword: Wood; Moisture content; Dimensional change; Near-infrared spectra

引 言

木材作为天然可再生的绿色环保材料, 不仅广泛应用于建材、 家居行业, 具有良好的使用性能, 而且木材色泽温和庄重、 纹理美观大方具有很好的美学价值。 然而, 木材作为天然吸湿性材料具有干缩湿胀特性, 在使用过程中容易产生变形, 影响了其利用价值。 木材含水率变化是干缩湿胀的主要原因, 同时也影响其强度、 硬度、 刚性、 机械加工等物理力学性能。 木材在使用过程中, 环境湿度是影响木材含水率的主要因素。 木材从周围环境中周期性的吸湿和解吸, 尺寸随之产生变化, 甚至产生一些如开裂、 翘曲等缺陷。 因此, 研究木材的含水率变化对木材变形的影响, 对于掌握木质材料的使用状况, 评价其耐久性及使用寿命有着重要的实用意义。

近红外光谱对于具有含氢基团有机物的成分分析、 性质预测方面发挥着重要的作用。 木材作为天然有机高分子材料, 其主要化学组分中的纤维素、 半纤维素及木质素含有大量的氢键及含氢基团, 这意味着近红外光谱在木材科学技术研究领域是一种有力的分析工具。 目前, 近红外光谱在木材物理力学性质的研究中主要用于木材识别[1, 2, 3]、 密度[4, 5, 6]、 含水率[7, 8]、 力学强度[9, 10]以及防腐处理木材[11]的寿命预测等方面。 与红外光谱技术相比较, 近红外光谱在研究木材氢键结合方面具有以下特点: (1) 单体以及高聚物中的O— H和N— H键的伸缩振动在近红外区域比在红外区域更易于区分; (2)因为大量的非谐振动存在, 归属于自由单体中的O— H和N— H振动的一次倍频明显加强; (3)由于自由水和羟基基团谱带的相互重合, 羟基谱带在中红外区相互重叠严重, 而在近红外区光谱带则是独立的; (4)近红外光谱采集不需要特别制样, 能对块状或者一定尺寸的样品进行非破坏性检测[2]。 尽管近红外光谱技术具有以上优势, 然而用于木质材料氢键结合的研究还很少, 对于木材物理性质与其含水率相互关系的研究尚未见报道。

基于木材的水分与变形之间存在着紧密的联系, 利用近红外光谱结合偏最小二乘法的化学计量方法, 建立了木材在不同含水率条件下尺寸变化的近红外光谱模型, 研究木材含水率与其变形之间的相互关系。 实现木材变形的快速预测、 木材加工在线质量评价、 木质材料使用状况及寿命预测提供一个有效的方法。

1 实验部分
1.1 试材的处理

采用杨木(Populus euramericana Cv.)试材, 尺寸规格为10 mm(T)× 10 mm(R)× 10 mm(L), 共分为3组, 分别编号为A, B和C组, 每组80个样品, 从1~80分别编号。 将样品放入去离子水中煮沸处理30 min, 用以去除试材的生长应力, 以免对尺寸的测量产生影响。 然后将试材放置空气中自然解吸2~3 d, 直到气干。 A组保持气干状态, B组和C组分别放入温度为(25± 0.2) ℃、 相对湿度分别为75%(由氯化钠的饱和盐溶液调制)和85%(由氯化钾的饱和盐溶液调制)的恒温恒湿箱中调至平衡, 然后记录下调湿平衡后试材的质量及弦、 径向尺寸。

1.2 近红外光谱的采集和分析

近红外光谱区主要记录的的吸收谱带是2 000 cm-1以上的基团信息, 其中以含氢基团(C— H基、 亚甲基、 甲氧基、 羧基、 芳香基等)、 羟基O— H、 氨基N— H(伯胺、 仲胺、 叔胺和铵盐)等为主[2]。 而木材的主要成分纤维素、 半纤维素及木质素中含有大量的O— H、 C— H等含氢基团, 所以, 可以使用NIR技术来分析木材的性质。

将所有试材的横切面、 弦切面和径切面进行近红外扫描, 得到近红外光谱信息。 使用的近红外扫描仪是德国Bruker公司生产的MPA型傅里叶近红外光谱仪, 使用的软件为OPUS7.2, 具有OPUS/OVP自检功能, 并且内部有漫反射积分球, 采用漫反射的扫描方式, 扫描的光谱范围是12 800~4 000 cm-1, 扫描次数为32次, 光谱分辨率为8 cm-1。

1.3 干燥处理

将所有试材放入鼓风式干燥机中干燥至绝干状态, 然后测量并记录试材的质量及尺寸, 按照国标方法计算得出试材的绝对含水率及尺寸变化率, 用以近红外模型的建立。

2 结果与讨论
2.1 含水率及尺寸变化

通常, 木材的干缩湿胀大小依次为弦向大于径向大于轴向, 弦向的干缩效果比较明显。 图1(a)是3组试材的弦向尺寸变化率与含水率的关系, 可以看出, 含水率最小的A组试材的尺寸变化率最小, 随着含水率的增大, 尺寸变化率增加, 水分对木材的尺寸变化影响效果显著。 图1(a)中, 与气干条件A组相比较, 含水率在12%左右时变形增加较快, 当含水率超过12%时, 变形增加速度减小。 与此相对应, 在图1(b)中, 三种含水率条件下, 随着木材含水率的增加, 木材在径向上的尺寸变化呈现线性增加的趋势。 对三种含水率, 与径向相比较, 木材弦向的尺寸变化稍大。 这是因为木材在径向上射线细胞横向排列, 木材吸着水分发生干缩湿胀时, 抑制了木射线在径向上收缩, 从而使得木材径向上的变化率小于弦向。

图1 含水率与尺寸变化率关系Fig.1 Relations of moisture content and dimensional changes
(a): Tangential; (b): Radial

2.2 不同含水率木材的近红外光谱图

如图2所示, 不同含水率的三组试材三个切面的近红外光谱存在一定差异。 特别是在吸收峰5 200 cm-1左右处, 该峰为木材中羟基吸收峰[8], 试材它的近红外光谱的吸光度有所不同, 表明经调湿处理后不同含水率试样所含的羟基数量存在明显的差异。 从图中可以看出, A组在该处吸光度最小, 随含水率增加, 吸光度也随之增加, 但是增加的速率变小, 与图1中木材的尺寸变化率与含水率的关系一致, 尺寸变化率的增量随含水率增加而减小。 因此, 可以建立木材尺寸变化的NIR模型, 用以预测木材在不同含水率状态下的变形。

2.3 NIR模型的建立及其有效性

由于木材中的纤维素、 半纤维素、 木质素中也含有一定数量的羟基, 导致木材吸收的水分与木材细胞结构中的羟基信息叠加在一起, 因此需要借助一些化学计量学方法提取所需光谱信息。 采用OPUS软件并结合偏最小二乘法建立模型, 利用回归方法找到NIR信息与样品性能测试之间的关系, 并对NIR进行预处理。 预处理方法包括: 一阶导数、 二阶导数、 多元散射校正、 矢量归一化等, 可以减少基线漂移、 降噪等, 提高模型的质量。 本研究将木材横切面近红外光谱信息与木材尺寸变化率相结合, 建立了NIR模型, 对木材的尺寸变化进行预测。 为提高模型的质量, 选择最优的方法对光谱进行预处理, 表1为各个模型的部分参数优化结果。 图3显示了木材弦、 径向尺寸变化的预测值与计算值的相关性。

图2 不同含水率木材的近红外谱图
(a): 横切面; (b): 弦切面; (c): 径切面Fig.2 Near-infrared spectra of wood under different moisture contents
(a): Transverse section; (b): Tangential section; (c): Radial section

表1 模型参数优化 Table 1 Optimized parameters of the best models

建立的模型采用了交叉检验的方式, 模型的有效性可以通过很多方法来验证。 选取了决定系数(R2)、 相对分析误差(RPD)、 及预测标准偏差(RMSEP)或校正标准偏差(RMSEC)来对模型进行评价。 表2是尺寸变化率模型的相应参数, 结果表明建立的两个模型的预测值与测量值有很高的相关性, 用近红外光谱建立的木材变形预测模型是有效的。

图3 弦、 径向尺寸变化率的预测值与计算值的相关性(a): 弦向; (b): 径向Fig.3 Correlation between NIR predicted and calculated values of tangential and radial dimensional changes(a): Tangential; (b): Radial

表2 尺寸变化率的校正模型和检验模型参数 Table 2 The Parameters of calibration and validation sets for dimensional changes

通常, 通过近红外光谱建立预测模型时, 当R2> 0.90且RPD> 3时, 表示预测结果非常好。

由表2可以看出, 尺寸变化率的校正模型和检验模型的决定系数R2接近1, 表明预测精度比较高, 且标准误差和偏移量都较小, 模型质量较高。 尺寸变化率的检验模型在弦向上, R2及RPD值分别为0.980 2和7.1, 径向上为0.963 8和5.3, 模型预测结果都很好。 并且, 在弦向上建立的尺寸变化预测模型好于径向。 以上结果表明近红外光谱对木材尺寸变化的快速准确测定具有一定的可行性。

3 结 论

扫描了不同含水率状态下木材的近红外光谱, 并结合相应的尺寸变化率, 建立NIR模型。 结果表明: 木材的尺寸变化率模型的决定系数R2都接近1, RMSEC和RMSEP的值在0.2左右, RPD值均大于3, 预测结果很好。 表明建立木材尺寸变化的NIR模型效果较好, 可行性很高。

The authors have declared that no competing interests exist.

参考文献
[1] PANG Xiao-yu, YANG Zhong, LÜ Bin, et al(庞晓宇, 杨忠, 吕斌, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(11): 3552. [本文引用:1]
[2] Schwanninger M, Rodrigues J C, Fackler K. Journal of Near Infrared Spectroscopy, 2011, 19(5): 287. [本文引用:3]
[3] Pastore T C M, Braga J W B, Coradin V T R, et al. Holzforschung, 2011, 65(1): 73. [本文引用:1]
[4] Inagaki T, Schwanninger M, Kato R, et al. Wood Science and Technology, 2012, 46(1): 143. [本文引用:1]
[5] Alves A, Santos A, Rozenberg P, et al. Wood Science and Technology, 2012, 46(1): 157. [本文引用:1]
[6] Diesel K M F, Costa F S L D, Pimenta A S, et al. Wood Science and Technology, 2014, 48(5): 949. [本文引用:1]
[7] Posom J, Shrestha A, Saechua W, et al. Energy, 2016, 107: 464. [本文引用:1]
[8] Sánchez-González J C, García-Olmo J, Prades C. Wood Science and Technology, 2015, 49(5): 1003. [本文引用:2]
[9] Carneiro M E, Magalhães W L E, Muñiz G I B D, et al. Journal of Near Infrared Spectroscopy, 2010, 18(6): 481. [本文引用:1]
[10] Tong L, Zhang W B. Applied Spectroscopy, 2016, 70(10): 1676. [本文引用:1]
[11] Mauruschat D, Plinke B, Aderhold J, et al. Wood Science and Technology, 2016, 50(2): 313. [本文引用:1]