專利名稱：一種初烤煙葉主流煙氣中苯并[a]芘釋放量的預測方法
技術領域：
本發明涉及一種初烤煙葉主流煙氣中苯并[a]芘釋放量的預測方法，屬于煙草技術領域。
背景技術：
苯并[a]芘是卷煙主流煙氣中的重要有害物質，被列為評價卷煙安全性的7種卷煙煙氣有害成分之一。目前我國已經建立了卷煙主流煙氣中苯并[a]芘測定的國家標準。但是通常測定煙氣中苯并[a]芘的含量需要對樣品進行卷制、吸煙機抽吸捕集及捕集物進樣前處理等較為煩瑣的步驟。相對而言，煙草中的一些常量化學成分的測定步驟就較為簡便。而煙氣中的苯并[a]芘是一種典型的稠環芳烴(簡稱PAH)，稠環芳烴是煙草在高溫缺氧條件下不完全燃燒的產物。各種有機物熱解所生成的有機物碎片，經過復雜的聚合過程 而形成，這些煙草化學成分變化最終會對煙氣成分含量造成影響。由此可知，在煙草化學成分通過燃燒轉換為煙氣成分的過程中經歷了一系列復雜的化學反應和物質分解、生成過程，這一切過程都屬于一個復雜的非線性變化體系。但是從大量文獻及相關資料來看，對于這種復雜變化體系間的關系研究還較少。
發明內容
本發明的目的在于提供一種初烤煙葉主流煙氣中苯并[a]芘釋放量的預測方法，對初烤煙葉的幾項化學成分(由本方法確定)進行測定后，通過本方法預測其煙氣中的苯并[a]芘釋放量，以便于卷煙配方人員及時了解該原料的苯并[a]芘釋放量水平，并在后期的選料和葉組配方設計中有效應用，從而達到選料降低苯并[a]芘釋放量的一種減害措施。現代神經網絡是一種非線性統計性數據建模工具，常用來對輸入和輸出間復雜的關系進行建模，網絡自身通常都是對自然界某種算法或者函數的逼近。通過利用大量樣本所構建的煙草化學成分與煙氣苯并[a]芘釋放量神經網絡模型，對待測樣品煙氣苯并[a]芘釋放量水平進行預測，從而避免了進行煙氣檢測過程中的一些設備要求和煩瑣處理步驟。本發明提出的初烤煙葉主流煙氣中苯并[a]芘釋放量的預測方法具體內容如下一、預測方法的建立(I)建模樣品來源2009年的186個初烤煙葉樣品，覆蓋全國47個產地，9個品種，上、中、下3個煙葉部位。(2)建模樣品前處理將待測初烤煙葉進行樣品前處理通過人工撕片、剔梗、切絲三個步驟。處理好的煙片(絲)馬上封口、貼上標簽，統一存放，不混淆。不同煙樣回潮和切絲前后都對設備進行認真地清潔，以保證煙樣間不錯串。
所收集的初烤煙葉原料統一加工，統一編碼，單一原料分別切絲并卷制成單料煙支(為盡量消除卷煙輔料對研究的干擾，選擇統一透氣度為60CU、克重28g/m2的同批次卷煙紙，將煙葉樣品卷制成無濾嘴卷煙，并以煙支重量指標挑選煙支)，不加香加料，挑選后的煙支貯藏在溫度(18±1)°C;濕度(50±10)%的環境中，分析前取出按煙氣國標方法平衡48小時備用。(3)建模樣品化學成分和煙氣苯并[a]芘釋放量測定由于某些煙草化學成分是生成煙氣成分的前體化合物(如碳水化合物、含氮化合物、有機酸、酚類等)，其含量對煙氣成分的含量影響較大，因此選取25種初烤煙葉化學成分(總糖、還原糖、氯、鉀、總氮、煙堿、揮發堿、水分、蛋白質、揮發酸、纖維素、綠原酸、莨菪亭、蕓香苷、總多酚、草酸、丙二酸、丁二酸、蘋果酸、檸檬酸、棕櫚酸、亞油酸、油酸、亞麻酸、硬脂酸)作為所要研究的指標。通過YC/T159-2002連續流動法測定水溶性糖；通過YC/T161-2002連續流動法測定總氮；通過YC/T217-2007連續流動法測定鉀；通過YC/T162-2002連續流動法測定氯；通過GB/T 23225— 2008光度法測定煙堿；YC/T 35-1996返滴定法測定揮發堿；YC/T 31-1996烘箱法測定水分；YC/T 166-2003克達爾法測定蛋白質； YC/T 202—2006高效液相色譜法測定多酚化合物(綠原酸、莨菪亭、蕓香苷、總多酚)；采用水蒸氣蒸餾返滴定法測定測定揮發酸；煙草中粗纖維的測定的方法測定纖維素；微波輔助衍生化氣相色譜法測定非揮發性有機酸(草酸、丙二酸、丁二酸、蘋果酸、檸檬酸、棕櫚酸、亞油酸、油酸、亞麻酸、硬脂酸)，測定出的煙草化學成分單位換算為％。GB/T 21130-2007氣相色譜法測定煙氣苯并[a]芘釋放量，測定出的煙氣苯并[a]芘釋放量換算為每克煙絲的煙氣苯并[a]芘釋放量為ng/g。(4)建模變量和異常樣品篩選變量篩選一方面可以簡化模型，另一方面是把對煙氣成分影響較小的變量剔除，使模型的預測能力更強、穩健性更好。本研究變量選擇的原則是通過遺傳算法進行變量篩選，并根據以往的機理研究結果最大程度的保留產生煙氣成分的前體化合物變量，最終確定合理的建模變量組成為7個化學成分(鉀、棕櫚酸、丙二酸、莨菪亭、硬脂酸、蘋果酸、綠原酸)。異常樣品是遠離模型整體的樣品，對模型的回歸分析影響明顯，首先通過濃度殘差分析剔出，然后在建模過程中重復運算，再次剔除，直到獲得最佳預測效果，最終確定的進入建模的樣本有97個。(5)建模參數優化和模型內部性能評價采用神經網絡方式建模利用重復抽樣方法對權衰減系數和隱含層節點數進行優化選擇，最終參數確定為表I。采用所構建的預測模型的決定系數(R2)和預測標準偏差(SEC)(見式I)評價預測模型內部性能，決定系數(R2)越大，預測標準偏差(SEC)越小，則模型越好，詳見表2。表I模型參數、權重數及網絡結構
權利要求
1.一種初烤煙葉主流煙氣中苯并[a]芘釋放量的預測方法，其特征在于包含以下步驟 1)將待測初烤煙葉通過人工撕片、剔梗、切絲三個步驟進行樣品前處理； 2)對待測樣品7項煙草化學成分進行檢測，所述的7項煙草化學成分是鉀、棕櫚酸、丙二酸、莨菪亭、硬脂酸、蘋果酸、綠原酸； 3)將待測樣品7項煙草化學成分測定結果結合模型各輸入層系數計算隱含層7個節點的網絡值； 4)將計算所得隱含層7個節點的網絡值轉換為隱含層7個節點的輸出值； 5)將計算所得隱含層7個節點輸出值結合模型輸出層系數計算得到煙氣苯并[a]芘的釋放量預測值。
2.根據權利要求I所述的一種初烤煙葉化學成分對其煙氣中苯并[a]芘釋放量的預測方法，其特征在于所述的神經網絡模型結構為7-7-1，即7個輸入層節點，7個隱含層節點，I個輸出層節點。
3.根據權利要求I所述的一種初烤煙葉化學成分對其煙氣中苯并[a]芘釋放量的預測方法，其特征在于所述的各輸入層系數從節點I至節點7依次為鉀節點系數值-17. 4676,35. 2475、-I. 4618、11. 4246、-9. 9554、-I. 3241,0. 0266 ；棕櫚酸節點系數值 3. 1511、-29. 4732、-3. 1677、7· 4519、-3. 2488、-I. 5762、0· 0189 ;丙二酸節點系數值 I. 3113、-2. 711,1. 6466,1. 6945,7. 7656,2. 4191,0. 0175 ;莨菪亭節點系數值 4. 7053,0. 1296、-5. 8362、-3. 9998、-O. 2499,0. 0677,0. 0003 ;硬脂酸節點系數值 20. 5316、-I. 7037,9. 8412、-I. 7745、I. 3413、-O. 3899,0. 0033 ;蘋果酸節點系數值-O. 0494,0. 7188、-O. 26、-I. 9123,0. 6012,0. 1265,0. 2812 ;綠原酸節點系數值-O. 9037、-13. 2678、-3. 8322,4. 6474,6. 4448、-2. 5278,0. 0213 ;輸入層偏置系數節點系數值 17. 803,19. 0837,11. 7137、-12. 3716、-I. 9662,0. 0159,0. 0131，其中輸入層偏置值為Io
4.根據權利要求I所述的一種初烤煙葉化學成分對其煙氣中苯并[a]芘釋放量的預測方法，其特征在于所述的輸出層系數為隱含層節點I輸入層系數8. 7333 ;隱含層節點2輸入層系數8. 3806 ;隱含層節點3輸入層系數14. 3207 ;隱含層節點4輸入層系數12. 4867 ；隱含層節點5輸入層系數13. 7848 ;隱含層節點6輸入層系數-I. 3254 ;隱含層節點7輸入層系數-O. 7097 ;輸出層偏置系數-O. 6847，其中輸出層偏置值為I。
全文摘要
本發明涉及一種初烤煙葉主流煙氣中苯并[a]芘釋放量的預測方法。該方法是將待測初烤煙葉通過人工撕片、剔梗、切絲三個步驟進行樣品前處理；對待測樣品7項化學成分(鉀、棕櫚酸、丙二酸、莨菪亭、硬脂酸、蘋果酸、綠原酸)進行檢測；將7項化學成分測定結果結合模型各輸入層系數計算隱含層7個節點的網絡值；將隱含層7個節點的網絡值轉換為隱含層7個節點的輸出值；將隱含層7個節點輸出值結合模型輸出層系數計算得到煙氣苯并[a]芘的釋放量預測值。能夠由烤煙葉原料對未來形成的卷煙成品中的苯并[a]芘累積含量進行有效預判，從而指導生產過程中的原料選擇。
文檔編號G01N33/00GK102879532SQ201210384570
公開日2013年1月16日 申請日期2012年10月11日 優先權日2012年10月11日
發明者張濤, 孔維松, 劉巍, 馬燕, 孫桂芬, 曹紅云, 楊帥, 王嵐, 胡守毅 申請人:云南煙草科學研究院