论文部分内容阅读
白酒是中国人在社交、庆典、婚礼等活动中不可缺少的常见饮品,有五千多年的悠久历史和深厚的文化内涵,具有独特的风格特征。传统的白酒鉴别主要依靠品酒师的感官品评,情感、环境等主客观因素会影响品评准确性,而且白酒产量、数量庞大,感官品鉴专家数量相对不足,难以应对市场监督鉴别需求。本研究选择水井坊井台装,五粮液水晶装,红花郎10年三种具有代表性的名优白酒,采用GC-MS和ICP-OES测定白酒样品中的有机组分和无机元素,利用安捷伦Mass Profiler Professional,Matlab分析软件,结合主成分分析,聚类分析,线性判别分析,偏最小二乘判别分析,支持向量机等建模技术,建立三种名优白酒的分类预测模型,探索名优白酒的真伪鉴别方法。(1)优化了GC-MS测定白酒中有机成分的仪器条件,最佳的色谱条件为:载气流速1.0 mL/min,分流比5:1,升温程序为:起始温度40°C,保持5 min,5°C/min升至100°C,保持5 min,10°C/min升至190°C保持20 min。最佳的质谱条件为:电子轰击离子源(EI),电子能量70 eV;离子源温度230°C;扫描质量范围(m/z):35~500。在优化的GC-MS条件下,内标乙酸正戊酯保留时间的RSD(n=6)为0.1%,峰面积的RSD(n=6)为3.0%,方法精密度良好。(2)对ICP-OES测定白酒中Ca、Na、K、Mg、Cu、Fe、Mn、Zn、Sr等9种元素进行了方法学验证,各元素的标准曲线的相关系数介于0.998~1.000之间,加标回收率介于95%~110%,相对标准偏差(RSD,n=6)均低于4.7%,检出限低于0.005 mg/L,9个元素测定的线性好,准确度、精密度、检出限均符合分析化学痕量分析的要求。(3)用ICP-OES测定了175组白酒样品中的9种金属元素浓度,并分析了三种名优白酒的金属元素浓度特征。分析结果表明,同品系白酒的金属元素浓度分布相对集中,其差异小于品系间差异,三种名优白酒的金属元素浓度各具特征。五粮液水晶装样品中Ca、Mg浓度最低,其平均浓度分别低至2.10 mg/L和0.32mg/L。水井坊井台装样品中的Ca、Mg、Sr的浓度明显高于红花郎样品,K、Mn、Cu、Fe的浓度范围相近。红花郎10年、15年,青花郎20年三个品系样品的9种金属元素浓度差异小。(4)对16组五粮液水晶装与11组同厂、13组同产地白酒的GC-MS和ICP-OES数据的主成分分析,结果表明,所有五粮液水晶装样品聚集于一个小区域内,与同厂样品有部分交叉,说明16组五粮液水晶装样品的有机组分和无机金属浓度特征高度一致,且与部分同厂样品相似。基于GC-MS数据的聚类分析结果表明,16组五粮液水晶装分成了两部分,其中14组与2组同厂样品聚在一起,另外2组与1组宜宾样品单独聚在一起。五粮液水晶装的GC-MS和ICP-OES分析结果一致。(5)对20组水井坊井台装与18组同厂、23组同产地白酒样品的GC-MS和ICP-OES数据的主成分分析,结果表明,水井坊井台装样品的有机组分和无机金属特征具有一致性,与同厂样品有部分交叉,且与成都产的白酒有显著差异,水井坊井台装与成都的白酒样品的ICP-OES数据的差异不及GC-MS数据。聚类分析结果显示20组水井坊井台装样品分为四部分,分别与相似的同厂、同产地样品聚在一起。由于水井坊井台装样品的生产日期跨度较大,因此水井坊井台装样品的一致性不及五粮液水晶装。(6)对19组红花郎10年与20组同厂样品、11组同产地白酒样品的的GC-MS和ICP-OES数据的主成分分析结果表明,红花郎10年样品的有机组分和无机金属特征具有一致性,与红花郎15年和青花郎20年相似度较高,与其它古蔺产的酱香型白酒区分明显。基于GC-MS数据的聚类分析结果表明,19组红花郎10年样品中的13组聚在一起,其余6组与各自相似的样品聚在一起。聚类分析结果与主成分分析结果一致。红花郎10年与红花郎15年、青花郎20年同属于郎酒的年份酒系列,具有高度相似的生产原料、酿造工艺、发酵方式、勾兑方法,因此其有机组分和无机金属特征具有极高的相似度。(7)分别建立了基于GC-MS、ICP-OES和GC-MS-ICP-OES相结合的数据的三种名优白酒分类预测模型,并用未参与建模的样品进行验证。结果表明,结合名优品系白酒的GC-MS和ICP-OES数据建立的名优品系白酒分类预测模型比分别基于GC-MS和ICP-OES的模型有更高的交叉验证正确率和整体预测正确率,可以很好的对名优白酒进行区分,并对其它未知样品具有一定的鉴别能力。五粮液水晶装的W-Combin-LDA模型的交叉验证正确率和整体预测正确率分别为94.1%和94.6%,水井坊井台装的S-Combin-LR模型的交叉验证正确率和整体预测正确率分别为90.4%和99.1%,红花郎10年的L-Combin-SVM的交叉验证正确率和整体预测正确率分别为93.18%和95.2%。