LIBS系统中烧蚀源为一台调Q的Nd:YAG固体激光器, 激发波长为1 064 nm, 最大频率为2 Hz, 脉宽为10 ns, 最大激发能量为100 mJ。 光谱仪为7通道电荷耦合光谱仪, 分辨率为0.05 nm, 波段为187.78~982.29 nm。 本研究中, 针对激光脉冲能量波动对谱线强度影响问题, 将激光能量设为100 mJ, 单点光斑大小设为200 μm。 为了避免轫致辐射发射, 探测器相对于激光脉冲的延迟时间为0.7 μs。

使用柠檬酸盐还原法制备金纳米颗粒溶胶^[9]。 为制备不同粒径的金纳米颗粒, 将柠檬酸钠的添加量分别调节为1.00, 0.40和0.30 mL。 所制备的3种不同粒径金纳米颗粒溶液在去离子水稀释5倍后采用紫外-可见吸收光谱进行表征, 得到3种金纳米颗粒粒径分别为45, 73和105 nm。

从南京智融联科技有限公司获取规模化生产农作物秸秆基生物炭13个批次(每批次约5 kg)。 参照NY/T 1121.16—2006(土壤检测第16部分: 土壤水溶性盐总量的测定)制备生物炭水溶液。 具体过程如图1所示, 同时采用电感耦合等离子体质谱仪测定溶液中P元素浓度, 将该测定值作为标准参考。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 样品预处理过程示意图Fig.1 Schematic diagram of sample pretreatment process

采用相关性决定系数(R²)、 均方根误差(RMSE)、 预测相对标准偏差(relative standard deviation of prediction set, RSDP)、 预测平均误差(averaged error of prediction set, ARP)和检测限(LOD)进行定量分析模型评价^{[10, 11]}。 相关性决定系数(R²)包括校正集决定系数( Rcal2)和预测集决定系数( Rp2), 均方根误差(RMSE)包括校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)。 R², RMSE, RSDP, ARP和LOD计算公式如式(1)—式(5)

R2=1-∑1n(y^i-yi)2∑1n(yi-y̅i)2(1)

RMSE=∑1n(y^i-yi)2n(2)

RSDP=RMSEPy̅i(3)

ARP=1n∑1n|y^i-y̅i|(4)

LOD=3δS(5)

各式中y_i, y̅i和 y^i分别为测定值、 均值和预测值, n为样本数量; δ 和S分别为背景标准偏差和单变量校正曲线斜率。 背景标准偏差采用分析线基线光谱作为对应样品分析元素背景光谱数据。 LOD越小即该技术的检测灵敏度越高。 若 Rp2越大, RMSEP越小(或RSDP越小或ARP越小), 表明模型预测效果越好。

样品液滴在聚乙烯平板表面干燥后形成的固体替代层的均匀性对LIBS光谱的代表性具有重要意义。 为此, 采用CMOS相机分别获取了3种(45, 73和105 nm)粒径金纳米颗粒混合液滴干燥后的形貌, 采用热图分别对样品表面混合液滴分散情况进行展示, 如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 样品液滴形貌分析Fig.2 Analysis of sample droplet morphology

由图2可知, 3种样品液滴干燥后均呈现为圆形斑点, 45 nm金纳米颗粒分散在整个圆形斑点表面, 73 nm金纳米颗粒未分散在对应圆形斑点左侧位置, 105 nm金纳米颗粒未分散在对应圆形斑点左下方和右上方位置。 表明73和105 nm金纳米颗粒在干燥过程中由于比重较大更容易发生聚集和沉淀效应, 可能会使得LIBS光谱信号增强稳定性发生变化。 45 nm金纳米颗粒对应液滴的灰度值分布在[100, 150]区间内, 分布相对均匀; 75 nm 和105 nm金纳米颗粒对应液滴的灰度值在其聚集的边线弧上较小, 分布均匀性较差。 表明随着金纳米颗粒粒径增大, 液滴表面金纳米颗粒聚集越严重, 增强后LIBS光谱信号稳定性越差。

为避免生物炭溶液在基底表面严重的“ 咖啡环效应” , 选取具有疏水性的聚乙烯平板作为固液转换基底。 同时, 利用3种粒径金纳米颗粒对LIBS光谱信号进行增强分析, 4条分析谱线谱峰形貌特征如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同粒径金纳米颗粒的信号增强效果Fig.3 Signal enhancement effect of gold nanoparticles with different sizes

由图3可知, 橙色线为生物炭水溶液的单纯样品光谱, 而蓝、 红和黑色线为生物炭水溶液分别与45, 73和105 nm粒径金纳米颗粒的混合样品光谱。 观察发现, 当直接将生物炭水溶液滴在基底表面时, 其LIBS光谱仅在分析线P 213.62 nm和P 214.93 nm处有较弱的发射谱峰, 而在P 253.55 nm和P 255.33 nm处均无明显发射谱峰。 原因可能是生物炭水溶液中P元素浓度较低且电离能较大。 然而, 3种金纳米颗粒增强后的LIBS光谱在各分析线处均出现明显发射光谱谱峰。 并且, 随着金纳米颗粒粒径增加, 4条分析线强度也逐渐变大, 但基线基本保持不变。 表明随着金纳米颗粒粒径增加, 光谱信噪比逐渐增大。

基于以上分析可知, 不同粒径金纳米颗粒对生物炭水溶液液滴干燥后形貌以及LIBS光谱影响较大。 为此, 选取了P 213.62 nm, P 214.93 nm, P 253.55 nm和P 255.33 nm处4条分析线光谱分别构建光谱信号增强前后的单变量校正曲线模型, 分别如图4(a—d)所示。 同时选取预测集样品对单变量校正模型的实际预测效果进行验证, 结果如表1所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 单变量校正曲线模型 (a): P 213.26 nm; (b): P 214.93 nm; (c): P 253.55 nm; (d): P 255.33 nmFig.4 Univariate model (a): P 213.26 nm; (b): P 214.93 nm; (c): P 253.55 nm; (d): P 255.33 nm

表1

Table 1

表1(Table 1)

表1 不同粒径金纳米颗粒增强下单变量校正曲线模型效果 Table 1 Effect of univariate model enhanced by different size gold nanoparticles 分析线 AuNPs Rcal2 RMSEC/ (mg·kg-1) LOD/ (mg·kg-1) Rp2 RMSEP/ (mg·kg-1) RSDP/% 213.62 nm 无 0.360 7.593 13.897 0.962 2.572 25.86 45 nm 0.977 1.425 1.676 0.921 1.927 19.37 73 nm 0.875 3.359 3.419 0.338 5.579 56.09 105 nm 0.919 2.708 2.287 0.584 4.678 47.03 214.93 nm 无 0.567 6.240 12.295 0.892 2.265 22.77 45 nm 0.993 0.784 2.439 0.943 1.482 14.90 73 nm 0.904 2.933 2.454 0.299 5.458 54.87 105 nm 0.939 2.352 2.447 0.613 4.543 45.67 253.55 nm 无 0.538 6.452 11.611 0.880 2.820 28.35 45 nm 0.966 1.741 3.935 0.833 2.578 25.92 73 nm 0.805 4.191 4.279 0.217 6.068 61.00 105 nm 0.842 3.776 4.491 0.505 5.203 52.31 255.33 nm 无 0.013 9.426 349.031 0.015 6.940 69.77 45 nm 0.962 1.849 9.184 0.906 2.258 22.70 73 nm 0.810 4.139 12.702 0.028 7.838 78.80 105 nm 0.854 3.621 12.337 0.540 6.010 60.42

表1 不同粒径金纳米颗粒增强下单变量校正曲线模型效果 Table 1 Effect of univariate model enhanced by different size gold nanoparticles

对于定标曲线模型, 3种金纳米颗粒增强后的P元素单变量校正曲线相关性决定系数均大于原始生物炭溶液模型, 并且45 nm粒径金纳米颗粒的单变量校正曲线模型的相关性决定系数最高, 对应的LOD值最低, 分别为1.676, 2.439, 3.935和9.184 mg·kg^-1。 原因可能是: 一方面金纳米颗粒增加了P元素光谱信噪比, 从而提高了建模效果, 降低了检测限; 另一方面随着金纳米颗粒粒径逐渐变大, 其聚集效应更加明显, 从而使得光谱信号增强的稳定性变差, 降低了模型的检测性能。

对于45 nm金纳米颗粒的4条单变量校正曲线, 其预测模型的RSDP分别为19.37%, 14.90%, 25.92%和22.70%。 表明45 nm金纳米颗粒下P 214.93 nm的单变量模型效果最优。 原因主要是P 213.62 nm和P 253.55 nm处两条分析线光谱附近均有较多杂峰, 致使这两个位置分析线谱峰发生重叠, 而P 255.33 nm处分析线光谱强度和信噪比均低于P 214.93 nm。

为进一步提高单变量校正曲线模型精度, 选取45 nm粒径金纳米颗粒信号增强后的P元素4条发射线谱峰展宽波段附近光谱构建多变量非线性SVR模型。 同时, 为去除建模光谱中多重相关性变量和无信息变量, 采用弹性网络法(ElasticNet, EN)提前进行特征变量提取。 SVR模型参数设置如下: 核函数选用RBF核, 参数c和g采用网格法寻优。 EN参数设置如下: 交互验证CV值设为9, 正则化权重系数设为0.1~1, 间隔设为0.1。 变量提取过程和结果如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 弹性网络法提取特征变量Fig.5 Selected feature variables using ElasticNet

由图5(a)可知, 当正则化权重由0.1逐渐增加至1时, 即L2正则化(岭回归)权重减小而L1正则化(套索回归)权重增加, 发现交互验证的RMSECV逐渐降低, 选取的特征变量数也逐渐减少。 表明正则化系数为1时, 交互验证模型效果最优, 所提取的特征变量包含了4条谱峰展宽波段的主要有效信息。 由图5(b)可知, 所提取的3个特征变量(红圈标记)分别位于214.89, 214.93和214.97 nm, 其中214.93 nm为P元素单变量校正曲线中最优模型对应的分析线光谱。

基于以上3个特征变量构建SVR模型, 当网格法寻优参数c和g分别为90.509 7和0.176 78时, 交互验证模型的RMSECV降至最低值0.859 mg·kg^-1, 如图6(a)所示。 此时, 模型效果达到最优, 预测集的ARP和RSDP值分别为5.40%和11.09%, 如图6(b)所示。 相较于分析线P 214.93 nm的单变量校正曲线, 弹性网络-支持向量回归(ElasticNet-support vector regression, EN-SVR)模型的RSDP下降了3.81%, 其主要归因于SVR模型利用了更多的有效信息变量, 并且SVR模型能够在一定程度上克服激光与物质之间的非线性基体效应影响。 同时, 通过与表2中相关文献模型数据比较发现: 预测结果好于Marangoni等报道结果^[13], 但劣于Vieira等文献^[12]结果。 分析原因, 一方面所测定的生物炭中P元素含量明显较低, LIBS光谱在经过纳米颗粒信号增强后的信噪比可能仍低于二者文献结果; 其次Vieira等^[12]不仅采用辉光放电技术对传统单脉冲LIBS信号进行增强以进一步增强P元素信噪比, 同时将肥料样品和含P₂O₅矿石标准样品进行混合以减小基体效应影响。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 最优特征多变量回归模型结果 (a): SVR; (b): 预测集ARP和RSDPFig.6 The optimal result of the characteristic multivariate regression model (a): SVR; (b): ARP and RSDP of predict

表2

Table 2

表2(Table 2)

表2 相关文献中P元素LIBS定标模型结果比较 Table 2 Comparison of the results of LIBS calibration model for phosphorus in related literatures 样品 设备 浓度/(mg·kg-1) 分析方法 ARP/% RSDP/% 参考文献 生物炭 单脉冲LIBS < 30.42 EN-SVR 5.40 11.09 本文 土壤 辉光放电LIBS < 333 000 单变量校正法 - 8 [12] 肥料 单脉冲LIBS < 200 000 单变量校正法 15 - [13]

表2 相关文献中P元素LIBS定标模型结果比较 Table 2 Comparison of the results of LIBS calibration model for phosphorus in related literatures