GANN模型在十溴联苯醚分散液液微萃取中的应用

文章研究目的在于用遗传神经网络模型(GANN模型)快速优化水样中十溴联苯醚分散液液微萃取的萃取条件。以水样中十溴联苯醚分散液液微萃取的正交试验为训练样本,建立十溴联苯醚分散液液微萃取条件的遗传神经网络模型。比较遗传神经网络模型和BP神经网络模型的学习速度、学习精度及网络泛化能力。采用Matlab遗传算法工具箱运用遗传神经网络模型对影响萃取回收率的因素进行优化求解,获得了水样中十溴联苯醚分散液液微萃取优化后的萃取条件,并进行实验验证。文章建立的遗传神经网络模型得到的预测值与实验值平均偏差为14.41%,R2为0.8887;最佳DLLME萃取条件为10μL四氯乙烯、0.71mL丙酮、pH=5、离子强度为20%NaCl、萃取时间10min;优化后十溴联苯醚分散液液微萃取的萃取回收率和富集因子比优化前分别提高了54%和580。     

十溴联苯醚在土壤中吸附行为的研究

初步研究了十溴联苯醚(BDE-209)在土壤上的吸附行为,并探讨了影响吸附行为的环境因素:pH值、温度.结果表明,pH对BDE-209的吸附影响不显著;温度越高,吸附量越大.土壤对BDE-209的吸附经历了2个平衡:0～32 h达到第1次平衡;32～72 h达到第2次吸附平衡;吸附平衡时间为48 h.土壤对BDE-20...     

基于BP模型的十溴联苯醚分散液液微萃取条件优化

采用正交试验研究萃取剂类型、萃取剂体积、分散剂类型、分散剂体积、溶液pH值、离子强度和萃取时间对水样中痕量十溴联苯醚(decaBDE)分散液液微萃取(DLLME)回收率的影响.结果表明,离子强度对萃取回收率(ER)的影响非常显著,而分散剂体积与萃取剂体积交互作用的影响不显著.通过极值法确定的decaBDE分散液液微萃取条件下的萃取回收率为88.24%.以正交试验数据为训练样本,以分散剂体积、萃取剂类型、pH值、离子强度及萃取时间为输入,萃取回收率为输出,建立了影响decaBDE分散液液微萃取的BP神经网络模型.模型检验样本预测输出值和试验值的决定系数为0.873 4,表明模型可以预测水样中decaBDE分散液液微萃取的回收率.采用遗传算法工具箱对建立的BP神经网络模型进行优化求解,得到的优化分散液液微萃取条件下的decaBDE萃取回收率平均值为99.94%,比通过极值法确定的萃取回收率提高10%以上.     

水样中痕量十溴联苯醚的分散液-液微萃取条件的优化

采用正交设计和Box-Penhnken响应面设计,对分散液-液微萃取技术萃取水样中痕量十溴联苯醚的条件进行了筛选和优化,得到最佳条件:四氯乙烯为萃取剂(10μl)、丙酮作分散剂(1ml)、pH范围5~9、离子强度,2%NaCl及萃取时间10min。此优化条件下分散液-液微萃取技术的萃取回收率可达92.37%~104.38%,富集倍数为508~611。优化条件下方法的线性范围为0.01~100ng/ml,检出限(S/N=2)为3.0pg/ml,加标回收率为96.25%~102.16%,精密度为5.44%~6.34%。