övényolajok minőségi jellemzőinek meghatározása közeli infravörös spektroszkópia (IR) alkalmazásával Application of near infrared (IR) spectroscopy for the determination of vegetable oil quality properties
Fülöp András, Krár Márton, Hancsók Jenő Pannon Egyetem Vegyészmérnöki és Folyamatmérnöki Intézet Ásványolaj és Széntechnológia Intézeti Tanszék 8201 Veszprém, Pf.: 158. Summary Due to the carbon-dioxide emission problem and the scant amount of the available energy sources, an increasing vegetable oil demand is expected in the area of transportation fuels. Hence a fast, simple and reliable analytical technique is needed to determine the chemical and physical properties of vegetable oils. In general these properties are determined by the ASTM methods. However, these methods are often expensive, time consuming and some of them require sample preparation. The advantages of the NIR technique are the shorter analysis time, the non-destructive nature of the method, no sample pre-treatment is needed and chemical and physical properties can also be predicted. This study shows that near infrared spectroscopy is a reliable technique to determine the concentration of oleic acid, which is one of the most important key fatty acid (FA), the acid number, the iodine value and the viscosity at 40 °C of sunflower and rapeseed oils. To establish the chemometric model, a calibration set of 36 rapeseed oil samples and 47 sunflower oil samples were used and 51 oil samples were used for external validation. For calibration and validation the properties of the samples were determined with the appropriate ASTM methods. The near infrared transmittance spectrums of the samples were acquired using a BRUKERMPA spectrometer with the aid of the OPUS software in the wave number range of 12000-4000 cm-1 with a resolution of 2 cm-1. For the better accuracy each spectrum was recorded two times. To develop and optimize the calibration models partial least squares (PLS) method was used in cross-validation mode. The results of the experiments confirmed that NIR spectroscopy is sufficiently accurate for estimating the properties of vegetable oils even if the calibration set consists of relatively few calibration samples.
Bevezetés Kutatásaink során a növényolajok minőségi jellemzőinek közeli infravörös spektroszkópiával történő meghatározását vizsgáltuk. Célunk volt a növényolajok savszámának, jódszámának a 40 °Con mért viszkozitásának és a zsírsavösszetétel egyik fő komponensének, az olajsav koncentrációjának a meghatározása. Az olajsav a zsírsavösszetétel egyik egyszeresen telítetlen komponense, amelynek mennyisége nagymértékben befolyásolja a növényolajból az átészterezés során nyert biodízel minőségi jellemzőit (cetánszm, hideg oldali tulajdonságok, stb.) [1].
A közeli infravörös spektroszkópia (NIR) egy jól kidolgozott analitikai módszer, amely az anyagok elektromágneses-sugárzás abszorpcióján hullámszám alapul a 12000-4000 cm-1 tartományban. Ez a módszer alkalmas összetett komponensű rendszerek (benzinek, gázolajok, növényolajok, stb) fizikai és kémiai tulajdonságainak gyors, roncsolásmentes meghatározására különösebb mintaelőkészítés alkalmazása nélkül [2]. Hátránya, hogy az ismeretlen minták tulajdonságainak meghatározásához kalibrációs modellt kell készíteni egy gondosan kiválasztott, megfelelő mintaszámú kalibrációs mintasor segítségével.
Felhasznált kísérleti anyagok és módszerek övényolaj minták A vizsgálat során 134 különböző típusú repceolaj és napraforgóolaj minta állt rendelkezésünkre. A 134 mintából 83 mintát a kalibrációhoz és 51 mintát a külső validáláshoz
Abszorbancia
referenciaként használtunk fel a kalibrációs modellek jóságának ellenőrzésére. A minták, savszámát, jódszámát, viszkozitását és zsírsavösszetételét az MSZ EN ISO szabványok szerinti módszerekkel határoztuk meg. Spektrumok felvétele A NIR elemzéshez egy, a BRUKER cég által gyártott MPA típusú közeli infravörös spektrométert használtunk. Ez az OPUS vezérlő és kiértékelő szoftvert tartalmazza. Minden minta abszorbancia spektrumát 12000 - 4000 cm-1 hullámszám tartományban 2 cm-1-es felbontással vettük fel transzmissziós módban (1. ábra). A mintánkénti mérések száma 32 volt. A nyers spektrumokon ezután kétfajta spektrumkezelési módszert alkalmaztunk. Az alapjel eltolódás kiküszöbölésére alapjel korrekciót (Baseline correction), a mérési zajok csökkentésére pedig az úgynevezett Smooth funkciót használtuk. Az így kapott spektrumok a 2. ábrán láthatók. A kalibrációs eljárás során a kalibrációs modellek optimalizálásánál a szoftver további transzformációs módszereket alkalmazhat.
1. Ábra A minták nyers spektrumai
Abszorbancia
A NIR spektrum tartományában egy komponensnek jellemzően több hullámszám értéknél van abszorbanciája, valamint egy hullámszám értéknél a vizsgált minta több komponensének is van elnyelése. Ezért a kalibrációnál a minták spektruma és a minták referencia adatai közötti korreláció felderítése és modellezése rendkívül összetett feladat [3]. Ennek megoldására az egyik legjobban alkalmazható, az OPUS által is használt módszer a részleges legkisebb négyzetek módszere (PLS). A módszer a teljes spektrumból kiválasztja azokat a sávokat, ahol a kalibrációs mintasereg adott tulajdonságának elnyelése a legvalószínűbb, majd létrehoz egy, a kiválasztott sávokon értelmezett kalibrációs modellt. A jobb korreláció érdekében a spektrumokon több fajta spektrumkezelési módszer alkalmazható (alapjel eltolódás, stb), amelyek kiemelik a spektrumok információ tartalmát anélkül, hogy torzítanák azokat. A kapott kalibrációs modellek jóságának számszerűsítésére két értéket, a hibanégyzetet (RMSE: Root Mean Squared Error) és a determinációs koefficienst (R2) használjuk. A hibanégyzet a modellel számított és a tényleges értékek közötti különbségek négyzetösszegének négyzetgyöke elosztva a minták számával. Segítségével ki tudjuk választani az egy tulajdonságra kapott kalibrációs modellek közül a legjobbat. Minél jobban közelít a hibanégyzet értéke a nullához, a modellünk annál pontosabb. A determinációs koefficiens (R2) azt fejezi ki, hogy az egyik változó változásai várhatóan milyen mértékben járnak a másik változó változásaival, vagyis mennyire lehet az egyik változóból a másikat előre jelezni. Minél jobban megközelítik a modellel számított értékek a tényleges értékeket, az R2 értéke annál jobban közelíti a 100%-ot.
2. Ábra A minták transzformált spektrumai
kiválaszthatjuk azt az egyet, amelyik az adott tulajdonság meghatározásánál a legjobb közelítést adja, vagyis amelynél a hibanégyzet (RMSECV) értéke a legkisebb. Eredmények Kalibrációs eredmények A 3-6. ábrákon a kalibráció eredményei láthatók az olajsav koncentrációra, a savszámra, a jódszámra, a viszkozitásra (40 °C-on). Az ábrákon az adott tulajdonság kalibrációs modell által számított értékeit ábrázoltuk a tényleges értékek függvényében. Az ábrákon a modellek jóságát az mutatja, hogy a keresztvalidálási eljárás során számított értékek (pontok) mennyire közelítik a tényleges értékeket (egyenes vonal). A kalibráció során talált gyenge referencia adatú mintákat kivettük a kalibrációs mintasorból.
3. Ábra Az olajsav számított koncentrációja a tényleges koncentráció függvényében Savszám számított értéke, mgKOH/g
Az ábrákon látható, hogy a spektrumkezelés után a spektrumok sokkal egységesebbek lettek. Természetesen, ha a kalibráló sor mintáin valamilyen spektrumkezelési módszert alkalmazunk, akkor a további minták (külső validálás mintái, ismeretlen minták) spektrumain is végre kell hajtani ugyanazt a transzformációt. Kalibráció A kalibráció során 36 repce és 47 napraforgó növényolaj mintát használtunk, amelyek spektrumait a pontosság érdekében kétszer vettük fel. A kalibrációs modellekhez az OPUS program a részleges legkisebb négyzetek módszerét alkalmazza (PLS: Partial Least Squares) keresztvalidálási (Crossvalidation) módban. Esetünkben egy adott tulajdonságra készítendő kalibrációnál ez a következőt jelenti: a kalibráció kezdetén a program a 83 ismert tulajdonságú kalibráló mintából egyet kivesz a kalibrációs mintasorból, amelyet validálásra használ. A maradék 82 mintából kalibrációs modellt készít, amellyel aztán meghatározza az egy kihagyott minta adott tulajdonságát. A következő lépésben az előzőleg kivett mintát visszahelyezi a kalibrációs sorba, és helyette kiválaszt egy másik mintát, amelyet ugyancsak kihagy a kalibrációból és validálásra használ. Az algoritmusnak akkor van vége, amikor a kalibrációs sor minden egyes mintája egyszer szerepelt, mint validáló minta. A keresztvalidálás során a kalibráló sor minden eleméről kapunk egy, az adott tulajdonságra vonatkozó, kalibrációs modellel meghatározott értéket. Ennek, és a kalibráló minták adott tulajdonságára vonatkozó tényleges értékeinek ismeretében a hibanégyzet (RMSECV: Root Mean Squared Error of Cross Validation) és a determinációs (R2) koefficiens segítségével a kalibrációs modellünk jósága értékelhető. Egy adott tulajdonságra kapott kalibrációs modell modell-optimalizálással tovább tökéletesíthető. Ennek során a program az adott tulajdonságra kalibrációs modelleket készít keresztvalidálással különböző spektrum kezelési módszerek alkalmazásával eltérő hullámszám tartományokban. A kapott modellek közül
4. Ábra A savszám számított értéke a tényleges érték függvényében
Jódszám számított értéke, gI2/100g
5. Ábra A jódszám számított értéke a tényleges érték függvényében
6. Ábra A 40 0C-on mért viszkozitás számított értéke a tényleges érték függvényében Az egyes jellemzőkre az optimalizálás után kapott RMSECV és R2, értékeket az 1. táblázatban foglaltuk össze. A táblázatban feltüntettük az optimalizációs eljárásnál, az egyes tulajdonságok esetében alkalmazott spektrumkezelési módszereket is. Jellemző RMSECV R2, % Módszer Olajsav 0,566 99,2 2. Der.a Savszám 0,129 99,52 MSCb Jódszám 0,684 99,67 1. Der.+MSC Viszkozitás 0,117 99,71 MSC a : Secund Derivate b : Multiplicative Scattering Correction 1. táblázat A kalibráció eredményei A kalibráció eredményei alapján megállapítottuk, hogy megfelelően pontos modelleket kaptunk a tulajdonságok meghatározásához. Külső validálás eredményei A külső validálás (external validation) azt jelenti, hogy az egyes tulajdonságokra kapott
kalibrációs modelleket a kalibrációs sorban nem szereplő, ismert tulajdonságú növényolaj mintákkal teszteljük. Ennek eredményeként a minták jellemzőinek tényleges, és a kalibrációs modellekkel kapott számított értékeinek összehasonlításával, a hibanégyzet (RMSEP: Root Mean Squared Error of Prediction) és a determinációs koefficiens (R2) kiszámításával következtethetünk a módszerek jóságára. A külső validálást 51 különböző típusú repce- és napraforgóolaj mintával végeztük. Ezek spektrumait ugyanolyan beállításokkal vettük fel, mint a kalibrációhoz használt spektrumokat és ezeken is végre hajtottuk a két spektrumkezelési módszert (Baseline correction, Smooth). A kísérlet eredményei a 2. táblázatban láthatók. RMSEP R 2, % 1,092 99,89 0,639 91,47 1,494 99,57 0,239 99,59 2. táblázat A külső validálás eredményei
Jellemző Olajsav Savszám Jódszám Viszkozitás
A külső validálás eredményei azt mutatják, hogy megfelelően pontos közelítést kaptunk mind a négy jellemző meghatározásához, azonban a savszám meghatározásánál kapott eredmények kissé elmaradnak a többitől. Ennek az az oka, hogy a külső validálásnál alkalmazott minták savszámai 0,2 és 1,1 között változott, amely intervallum nem terjed ki a kalibráció teljes tartományára (0,3-11,4 mgKOH/g). A külső validálásra használt 51 minta savszámainak tartományában tehát a kalibrációs modellünk kevésbé pontos. Ennek javítására egy szűkebb tartományban elvégzett kalibrációt hajtottunk végre, amelynek eredményeképpen a hibanégyzetre 0,075 értéket a determinációs koefficiensre 98,75 %-ot kaptunk. Azonban ezzel feladnánk a széles tartományú meghatározhatóságot, ezért inkább elfogadtunk egy szűkebb tartományban felmerülő pontatlanságot a szélesebb tartományú meghatározhatóság érdekében. Egyébként a determinációs koefficiens
91,47 %-os értéke még mindig kielégítően jó közelítésnek számít. Összefoglalás Az eredmények alapján levonhatjuk azt a következtetést, hogy a NIR módszer jól alkalmazható növényolajok zsírsavösszetételének főbb komponens koncentrációinak, és egyéb fizikai-kémiai jellemzőinek meghatározásánál. Előnyei, hogy a mérés és kiértékelés gyors (1-3 perc) és olcsó, nincs szükség a minták időigényes és drága előkészítésére, az analízis roncsolásmentes és több fizikai-kémiai tulajdonság határozható meg egyszerre. Példaként megemlítjük, hogy növényolajoknál a zsírsav-metilészter összetételének gázkromatográfiás módszerrel való meghatározásakor, mérés előtt el kell végezni a minták átészterezését, és csak ezután lehet elvégezni az elemzést. Ehhez nagytisztaságú hidrogén és levegő szükséges, és az elemzés átlagban 30 percet vesz igénybe. NIR módszer esetében közvetlenül a növényolaj minták közeli infravörös spektrumát vesszük fel, és az előzőleg elvégzett kalibráció segítségével tudjuk becsülni a
minták fizikai és kémiai tulajdonságait. Hátránya, hogy a meghatározáshoz kalibrációs modellt kell készíteni ismert tulajdonságú, gondosan összeválogatott mintákból álló kalibrációs sor segítségével. A jelen közleményünkben csupán négy növényolaj minőségi jellemző NIR módszerrel történő meghatározását mutattuk be. Ezen kívül azonban még számos növényolaj minőségi jellemző (teljes zsírsavösszetétel, sűrűség, stb), benzin minőségi jellemző (összetétel, oktánszám, kéntartalom, stb) és gázolaj minőségi jellemző (összetétel, cetánszám, CFPP, stb) NIR módszerrel történő meghatározását is folyamatosan vizsgáljuk. Irodalmi hivatkozások [1] Hancsók, J., Veszprémi Egyetemi Kiadó, (ISBN 963 9495 33 6), Veszprém (2004) [2] Kwan Su Kim, Si Hyung Park, Myoung Gun Choung, Young Seok Jang, Journal of Crop Science and Biotechnology, 10, 15 – 20, (2007) [3] Baptista, P., Felizardo, P., Menezes, J.C., Neiva Correia, J., Analytica Chimica Acta, 607(2) 153159, (2008)
