结合电化学阻抗谱(Electrochemical Impedance Spectroscopy,EIS)与人工神经网络(Artificial Neural Network,ANN)的虚拟电子舌用于非合规汽油的精准识别
《ACS Omega》:Virtual Electronic Tongue Combining Electrochemical Impedance Spectroscopy and the Artificial Neural Network for Accurate Identification of Noncompliant Gasoline
编辑推荐:
非合规汽油会损害发动机性能、耐久性与排放表现。在本研究中,研究人员将结合电化学阻抗谱(Electrochemical Impedance Spectroscopy,EIS)与人工神经网络(Artificial Neural Networks,ANNs)的虚拟电
非合规汽油会损害发动机性能、耐久性与排放表现。在本研究中,研究人员将结合电化学阻抗谱(Electrochemical Impedance Spectroscopy,EIS)与人工神经网络(Artificial Neural Networks,ANNs)的虚拟电子舌应用于单一及多掺假体系中常见汽油掺假物即正己烷(n-hexane)、甲苯(toluene)和矿物松节油(mineral turpentine)的识别与定量。测量采用玻碳工作电极、铂对电极和准参比电极完成。单一掺假体系的奈奎斯特(Nyquist)图半圆直径增加顺序为正己烷<矿物松节油<甲苯,而二元及三元混合物表现出非单调阻抗行为,反映了浓度依赖的分子间相互作用。使用阻抗虚部(Z″)训练的ANN模型在限定于Nyquist图半圆区域时表现出更优性能。该方法在测试集中对掺假物类型实现零误分类,并在混合体系中提升了对各单一掺假物的回归性能(测试集R2:正己烷为0.846,甲苯为0.965,矿物松节油为0.742)。结果表明,聚焦半圆域可集中最具信息量的阻抗特征,在实现汽油掺假可靠识别与定量的同时,揭示了多掺假燃料体系固有的复杂性。
本研究发表于《ACS Omega》。研究背景方面,燃油质量控制因掺假行为损害燃油完整性而成为全球性关切,常见掺假包括向汽油中非法添加甲苯、正己烷、矿物松节油等有机溶剂以获取经济利益,此类掺假影响发动机性能、消费者权益、空气质量与政府税收,巴西国家石油天然气及生物燃料管理局报告过去五年1.6%汽油与1.9%水合乙醇样品不合规。传统实验室识别技术包括蒸馏、比色及拉曼光谱、傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FTIR)、紫外可见光谱、气相色谱、高效液相色谱等,但存在局限,因此亟需开发可及、低成本、快速且精度可比的筛查技术。电化学传感器可实现实时监测,其中电化学阻抗谱(EIS)对介质电学性质变化敏感,能揭示电荷转移、电解质电阻与界面电容的细微变化,适于检测低水平污染物。生物启发式传感器系统如电子舌(Electronic Tongue,ET)结合化学计量学与人工智能可区分多组分混合物模式,而人工神经网络(ANN)能学习非线性多元关系,无需先验等效电路模型,适于复杂化学矩阵。目前尚无研究将EIS与ANN整合用于烃类燃料,现有EIS–ANN应用多限于水或农食体系,燃料掺假研究多依赖传统化学计量工具而未使用基于ANN的EIS分析,因此研究人员开展本工作以推进数据驱动的虚拟电子舌用于有机溶剂掺假汽油判别,并以FTIR提供电化学响应相关化学相互作用的支持性见解。
研究人员开展的主要关键技术方法包括:样本来源于里约热内卢联邦大学化学学院燃料及石油衍生物实验室提供的C型汽油及市售含27%无水乙醇的商业汽油,掺假物为甲苯、正己烷、矿物松节油,按受限全因子设计配制总掺假含量10–30% v/v的54个掺假样与5个非掺假样共59个样本并各重复三次测量;仪器采用MultiAutolab M204电位仪/恒电位仪以玻碳工作电极、铂对电极、铂丝准参比电极进行循环伏安法(Cyclic Voltammetry,CV)与EIS测定,频率范围105Hz至0.1 Hz,正弦扰动0.06 VRMS,相对开路电位(Open-Circuit Potential,OCP),FTIR采用Shimadzu IRAffinity-1与PIKE MIRacle单次反射衰减全反射附件ZnSe晶体以1 cm–1分辨率测定;数据分析采用Orange Data Mining 3.38.1将各样本阻抗虚部Z″构为特征向量,数据集按80%训练、20%测试划分并施分层五折交叉验证与十次重复随机采样,ANN模型配置隐层900神经元、tanh激活函数、L-BFGS求解器,评估分类与回归性能指标。
研究结果部分保留原文小标题并依原文浓缩如下。
- 1.
Impact of Adulterants on Fuel Properties and Engine Performance
研究人员指出正己烷为低辛烷值轻质脂肪烃,降低汽油辛烷值致爆震、挥发高稀释机油加速磨损并增未燃烃排放,工业级含硫酸性物增腐蚀性;甲苯过量虽提辛烷值但扰空燃比、碍气化致燃烧不全、降效率增耗与积沉,增有毒污染物排放;矿物松节油为脂肪与芳香烃混合物非发动机用,改辛烷值、挥发性与化学稳定性致敲缸、失火、功率损与火花塞气门活塞磨损,易成胶堵路并侵润滑系加速机油降解,含腐蚀物损橡胶密封管路;实际掺假多在10–30% v/v以兼顾利益与避察觉,该区间难用常规法识别,故本研究选0%、3%、7%、10% v/v及组合以重现临界检测窗口内现实多掺假情景。
- 2.
Electrochemical Impedance Spectroscopy (EIS): Interfacial and Molecular Insights
2.1. Nonadulterated Gasoline and Single-Adulterant Samples
研究人员因有机燃料与非极性基质不相容弃用水性Ag/AgCl参比电极改用铂丝准参比电极并以OCP测量避成分依赖极化;非掺假汽油Nyquist图半圆较掺假样小约一个数量级,掺假样现负阻抗与负法拉第阻抗,源于极低电导介质中静电效应;单一掺假Nyquist半圆直径增序为正己烷<矿物松节油<甲苯,高频截距相近表明电荷转移电阻(Charge-Transfer Resistance,RCT)变化大于溶液电阻(RS),归因于掺假物在玻碳电极吸附阻电子转移,甲苯借π–π色散强吸附于sp2碳,矿物松节油次之,正己烷纯脂肪族最弱。
2.2. Gasoline Adulterated with Ternary Adulterant Mixtures
研究人员发现三元等比例增量掺假并非单调增大半圆直径,自91%汽油降至79%时直径增,再降至70%时反减,呈振荡电化学响应;FTIR于O–H泛频区带心自3339 cm–1移至3346 cm–1再至3347 cm–1,半高宽先缩后扩,芳香指纹区678 cm–1带先移至676 cm–1再返678 cm–1,证明分子可得性与组织呈浓度依赖振荡,阻抗捕获分子可得性振荡,FTIR揭示分子间相互作用增强与微域形成限表面可达性。
2.3. Gasoline Adulterated with Binary Adulterant Mixtures
研究人员于二元恒总掺假量变比例体系中见:甲苯与矿物松节油随甲苯增半圆径增;正己烷与甲苯体系中自3TO_0TU_10HX至7TO_0TU_7HX径增显甲苯主导,但至10TO_0TU_3HX径略减,FTIR示高甲苯下甲苯–甲苯关联增强减表面吸附可得性;正己烷与矿物松节油体系中矿物松节油增径反减,因其含氧官能与含乙醇燃料基质优先体相缔合减界面吸附可得性,正己烷富时缔合弱显较大半圆;表明掺假物分子性质与浓度强烈影响阻抗特征,多掺假共存时单纯EIS难预测组成,需引入ANN。
- 3.
Artificial Neural Networks (ANNs)
3.1. Classification Model
研究人员以全Z″与仅Nyquist半圆域Z″训练ANN分类模型,半圆域输入在训练与测试集各项指标(AUC、CA、F1、Precision、Recall)均提升,测试集达1.000无掺假类型误分类;全数据于混合掺假样有错分,半圆域点与对角线完美吻合;半圆域去低频扩散主导高离散区噪,聚焦表面分子吸附相关的稳定可复现特征,59样本虽少但阻抗特征简单结构一致且在类内高度一致,测试集复现高性能证泛化佳非过拟合。
3.2. Regression Models
研究人员以ANN回归定量各掺假物浓度,半圆域输入在训练与预测阶段均降误差(MSE、RMSE、MAE)并升R2;训练阶段甲苯最优(全数据R20.873,半圆R20.939),正己烷与矿物松节油亦受益;预测阶段甲苯R2超0.95,正己烷改善明显,矿物松节油R2自0.218升至0.742;预测vs真实浓度图中半圆域点更近1:1线且变异小,甲苯两模型皆近1:1线但半圆域减低中浓度偏离与变异,矿物松节油全数据于低中浓度大幅偏离且变异大,半圆域显著校正;限半圆域(电荷转移主导)准确捕吸附相关效应,减低频区无关变异提预测力,该法适用于3–10% v/v掺假区间。
总结讨论部分并翻译研究结论如下:研究人员讨论指出本工作证明基于EIS与ANN的虚拟电子舌可作为检测与定量汽油掺假的有力策略;阻抗谱示单一掺假体系遵电荷转移电阻清晰趋势,增序为正己烷<矿物松节油<甲苯,反映其与玻碳表面分子相互作用;二元与三元混合物现非单调行为,表明物种间竞争与分子间相互作用显著影响电化学响应超简单加和效应;互补FTIR分析为观察提供光谱支持;将ANN输入聚焦于Nyquist图半圆区域显著提升模型性能,测试集掺假类型零误分类并在混合体系中增强对各掺假物回归能力;表明半圆域集中数据驱动分析最具信息量特征,EIS–ANN整合实现无试剂、快速、可靠的燃油质量监测;除实验室条件外,该方法有望用于便携诊断工具以减轻燃料掺假的经济与环境影响。结论部分原文翻译为:本工作证明了基于电化学阻抗谱(Electrochemical Impedance Spectroscopy,EIS)与人工神经网络(Artificial Neural Networks,ANNs)的虚拟电子舌作为检测和定量汽油掺假的有力策略的潜力。阻抗曲线显示,单一掺假体系遵循电荷转移电阻的明确趋势,按正己烷<矿物松节油<甲苯的顺序增加,这反映了它们与玻碳表面的分子相互作用。相比之下,二元和三元混合物表现出非单调行为,表明物种间的分子间相互作用和竞争显著影响电化学响应,超出简单的加和效应。互补的傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FTIR)分析为这些观察结果提供了光谱学支持。将人工神经网络(ANN)输入聚焦于奈奎斯特(Nyquist)图的半圆区域带来了模型性能的显著提升,在测试集中对掺假物类型实现零误分类,并增强了对个体掺假物(包括在混合体系中)的回归能力。这些发现强调半圆区域集中了数据驱动分析中最具信息量的特征,并且电化学阻抗谱(EIS)–人工神经网络(ANN)整合能够实现无试剂、快速、可靠的燃料质量监测方法。除实验室条件外,该方法有望用于旨在减轻燃料掺假的经济和环境影响的便携式诊断工具。