离子色谱法测定研究范文

《中国测试杂志》2014年第三期

1实验部分

1.1仪器及试剂ISC-2000离子色谱仪（美国，戴安公司）；Ion－PacAS19色谱柱（美国，戴安公司）；AnkeTGL-10B高速离心机；HR2168搅拌器；JJ600型电子天平；万用电热器；漩涡混合器。焦磷酸钠、三聚磷酸钠、六偏磷酸钠（分析纯，国药集团化学试剂有限公司）；三氯甲烷、三氟乙酸、三氯乙酸均为色谱纯；NaOH、乙酸铅为分析纯；水为18.25MΩ•cm的去离子水。

1.2样品前处理准确称量1.00g样品于50mL离心管中，同时加入20mL沸水，涡旋振荡1min，以4000r/min的转速离心5min，取上层清液2mL于10mL玻璃离心管中，加入2mL三氯甲烷，涡旋振荡1min，以4000r/min的转速离心5min，取上层水相过滤（0.22μm滤膜）。吸取滤液于离子色谱仪中进行检测。

1.3色谱分析条件色谱柱：IonPacAS19（4mm×250mm×7μm）；保护柱：IonPacAG19（4mm×50mm）；柱温：30℃；抑制器电流：245mA；电导检测方式；淋洗液流速：1.00mL/min；KOH梯度淋洗：25mmol/LKOH淋洗液淋洗5min后，在10min内将KOH淋洗液从25mmol/L增至99mmol/L，99mmol/LKOH淋洗液淋洗3min后，在2min内将KOH淋洗液降至25mmol/L。

1.4标准曲线的绘制用分析天平分别准确称取0.01g焦磷酸钠、三聚磷酸钠、六偏磷酸钠，用去离子水定容配制成焦磷酸钠与三聚磷酸钠浓度为1.00，5.00，10.0，20.0，50.0，100.0mg/L，六偏磷酸钠浓度为10.00，50.00，100.0，200.0，500.0，1000.0mg/L的混合标准溶液，将溶液注射至离子色谱仪进样分析。以待测物的峰面积Y（μS•min）对浓度X（mg/L）做标准曲线。

2结果与讨论

2.1沉淀剂的选择本实验主要采用离子色谱法测定肉制品中焦磷酸盐、三聚磷酸盐、六偏磷酸盐这3种磷酸盐。为了达到最佳检测效果，提高方法的回收率，首先对样品前处理方法和色谱条件进行优化。在前处理过程中采用直接加入沸水提取，分别采用三氯乙酸、乙酸铅、NaOH、三氟乙酸、三氯甲烷作为沉淀剂以去除样品中的蛋白质及盐分。结果显示，采用三氯乙酸时，三氯乙酸与焦聚磷酸盐的出峰时间相近，可能会形成共淋洗，对多聚磷酸盐的色谱峰产生干扰，而且三氯乙酸具有较强的致癌性；采用乙酸铅时，出现较多杂峰，而且可能在前处理过程中，多聚磷酸盐与蛋白质形成共沉淀，加入的混合标准多聚磷酸盐未被检测出来；采用NaOH时,样品中的蛋白质未去除；采用三氟乙酸时，混合液较混浊，影响色谱峰峰形；而采用三氯甲烷时回收率较高，出峰效果好而且与水相的分层明显，无杂质干扰（见色谱图1）。因此，本实验最终选取三氯甲烷作为沉淀剂来展开后续工作。在本实验中采用溶剂去除蛋白质后，曾尝试用固相萃取（SPE）基质净化技术进一步去除蛋白质以及盐分，但实验表明，该步骤对色谱图基本没影响，因此，为简化操作步骤，在前处理过程中不进行此操作步骤。

2.2色谱柱及淋洗条件的选择本实验选取IonPacAS11柱和IonPacAS19柱，分别进行多聚磷酸盐的检测，实验表明，选用IonPacAS11柱时，峰形较差，拖尾严重，而且检测时间较长；选用IonPacAS19时，线性范围宽，色谱图效果好。这是由于虽然这两种色谱柱填料相同，但IonPacAS11柱是一款低容量氢氧根体系阴离子交换色谱柱，Ion－PacAS19柱是以氢氧化物为淋洗液的高容量阴离子交换柱，而且阴离子交换树脂的涂层是由环氧树脂单体和有机胺合成，从基质上直接产生，这种聚合物亲水性非常好，对OH-淋洗液选择性很好。因此，本实验最终选取IonPacAS19柱。淋洗液的浓度是影响分离的重要因素。淋洗液浓度大，各组分离子保留时间短，整个实验分析时间短，但可能会出现各组分被同时洗脱的现象。而当淋洗液浓度小时，实验的分析时间长，而且可能会出现严重的拖尾。实验尝试使用等度淋洗和梯度淋洗。进行等度淋洗时，由于各组分的保留时间不同，最适宜的淋洗液浓度条件不同，不能达到有效的分离。进行梯度淋洗时，通过梯度淋洗可调整组分的保留时间，设置1.3节里的梯度淋洗浓度，得到了较为理想的色谱图（见图2），峰形好。因此，本实验最终按1.3节里的梯度淋洗浓度条件进行梯度淋洗。

2.3方法的线性范围及检出限在优化的实验条件下，将一系列浓度的混合标准溶液依次进样，以峰面积（Y）对浓度（X）进行线性拟合，3种多聚磷酸盐的线性关系良好（见图3），各化合物的标准曲线、线性范围、方法检出限（n=10，S/N=3）见表1。

2.4方法的回收率及精密度测试应用所建立的方法，在空白的猪肉和鸡肉样品中添加多聚磷酸盐的混合标准溶液，对3种磷酸盐在肉制品中的回收率及精密度（RSD%）进行测定。每个浓度平行测定6次，计算该方法的回收率及精密度，所得结果见表2。用16组测试数据对两种网络深度的量化误差进行比较，得到量化后缺陷误差如表5所示，贝叶斯算法BP神经网络量化达到误差的缺陷见表6。从对缺陷深度量化结果可以看出，采用贝叶斯算法的BP神经网络对缺陷深度进行量化，得到的缺陷深度与设计值的误差小于基本的BP神经网络。

3结束语

本文为克服传统BP神经网络中训练速度慢、识别精度较低、数据过拟合、容易进入局部极小点等缺点，将贝叶斯算法引入BP神经网络，通过贝叶斯推理有效地控制网络的复杂度，在一定程度上改善了BP神经网络对缺陷进行量化的性能，实现了对缺陷长度、宽度、深度的量化。

作者：沈涛朱洪亮曾晓瑶朱晶佳谭军单位：嘉兴市农产品监测中心嘉兴学院生物与化学工程学院