专利名称：一种初烤烟叶主流烟气中苯并[a]芘释放量的预测方法
技术领域：
本发明涉及一种初烤烟叶主流烟气中苯并[a]芘释放量的预测方法，属于烟草技术领域。
背景技术：
苯并[a]芘是卷烟主流烟气中的重要有害物质，被列为评价卷烟安全性的7种卷烟烟气有害成分之一。目前我国已经建立了卷烟主流烟气中苯并[a]芘测定的国家标准。但是通常测定烟气中苯并[a]芘的含量需要对样品进行卷制、吸烟机抽吸捕集及捕集物进样前处理等较为烦琐的步骤。相对而言，烟草中的一些常量化学成分的测定步骤就较为简便。而烟气中的苯并[a]芘是一种典型的稠环芳烃(简称PAH)，稠环芳烃是烟草在高温缺氧条件下不完全燃烧的产物。各种有机物热解所生成的有机物碎片，经过复杂的聚合过程 而形成，这些烟草化学成分变化最终会对烟气成分含量造成影响。由此可知，在烟草化学成分通过燃烧转换为烟气成分的过程中经历了一系列复杂的化学反应和物质分解、生成过程，这一切过程都属于一个复杂的非线性变化体系。但是从大量文献及相关资料来看，对于这种复杂变化体系间的关系研究还较少。

发明内容
本发明的目的在于提供一种初烤烟叶主流烟气中苯并[a]芘释放量的预测方法，对初烤烟叶的几项化学成分(由本方法确定)进行测定后，通过本方法预测其烟气中的苯并[a]芘释放量，以便于卷烟配方人员及时了解该原料的苯并[a]芘释放量水平，并在后期的选料和叶组配方设计中有效应用，从而达到选料降低苯并[a]芘释放量的一种减害措施。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，网络自身通常都是对自然界某种算法或者函数的逼近。通过利用大量样本所构建的烟草化学成分与烟气苯并[a]芘释放量神经网络模型，对待测样品烟气苯并[a]芘释放量水平进行预测，从而避免了进行烟气检测过程中的一些设备要求和烦琐处理步骤。本发明提出的初烤烟叶主流烟气中苯并[a]芘释放量的预测方法具体内容如下一、预测方法的建立(I)建模样品来源2009年的186个初烤烟叶样品，覆盖全国47个产地，9个品种，上、中、下3个烟叶部位。(2)建模样品前处理将待测初烤烟叶进行样品前处理通过人工撕片、剔梗、切丝三个步骤。处理好的烟片(丝)马上封口、贴上标签，统一存放，不混淆。不同烟样回潮和切丝前后都对设备进行认真地清洁，以保证烟样间不错串。
所收集的初烤烟叶原料统一加工，统一编码，单一原料分别切丝并卷制成单料烟支(为尽量消除卷烟辅料对研究的干扰，选择统一透气度为60CU、克重28g/m2的同批次卷烟纸，将烟叶样品卷制成无滤嘴卷烟，并以烟支重量指标挑选烟支)，不加香加料，挑选后的烟支贮藏在温度(18±1)°C;湿度(50±10)%的环境中，分析前取出按烟气国标方法平衡48小时备用。(3)建模样品化学成分和烟气苯并[a]芘释放量测定由于某些烟草化学成分是生成烟气成分的前体化合物(如碳水化合物、含氮化合物、有机酸、酚类等)，其含量对烟气成分的含量影响较大，因此选取25种初烤烟叶化学成分(总糖、还原糖、氯、钾、总氮、烟碱、挥发碱、水分、蛋白质、挥发酸、纤维素、绿原酸、莨菪亭、芸香苷、总多酚、草酸、丙二酸、丁二酸、苹果酸、柠檬酸、棕榈酸、亚油酸、油酸、亚麻酸、硬脂酸)作为所要研究的指标。通过YC/T159-2002连续流动法测定水溶性糖；通过YC/T161-2002连续流动法测定总氮；通过YC/T217-2007连续流动法测定钾；通过YC/T162-2002连续流动法测定氯；通过GB/T 23225— 2008光度法测定烟碱；YC/T 35-1996返滴定法测定挥发碱；YC/T 31-1996烘箱法测定水分；YC/T 166-2003克达尔法测定蛋白质； YC/T 202—2006高效液相色谱法测定多酚化合物(绿原酸、莨菪亭、芸香苷、总多酚)；采用水蒸气蒸馏返滴定法测定测定挥发酸；烟草中粗纤维的测定的方法测定纤维素；微波辅助衍生化气相色谱法测定非挥发性有机酸(草酸、丙二酸、丁二酸、苹果酸、柠檬酸、棕榈酸、亚油酸、油酸、亚麻酸、硬脂酸)，测定出的烟草化学成分单位换算为％。GB/T 21130-2007气相色谱法测定烟气苯并[a]芘释放量，测定出的烟气苯并[a]芘释放量换算为每克烟丝的烟气苯并[a]芘释放量为ng/g。(4)建模变量和异常样品筛选变量筛选一方面可以简化模型，另一方面是把对烟气成分影响较小的变量剔除，使模型的预测能力更强、稳健性更好。本研究变量选择的原则是通过遗传算法进行变量筛选，并根据以往的机理研究结果最大程度的保留产生烟气成分的前体化合物变量，最终确定合理的建模变量组成为7个化学成分(钾、棕榈酸、丙二酸、莨菪亭、硬脂酸、苹果酸、绿原酸)。异常样品是远离模型整体的样品，对模型的回归分析影响明显，首先通过浓度残差分析剔出，然后在建模过程中重复运算，再次剔除，直到获得最佳预测效果，最终确定的进入建模的样本有97个。(5)建模参数优化和模型内部性能评价采用神经网络方式建模利用重复抽样方法对权衰减系数和隐含层节点数进行优化选择，最终参数确定为表I。采用所构建的预测模型的决定系数(R2)和预测标准偏差(SEC)(见式I)评价预测模型内部性能，决定系数(R2)越大，预测标准偏差(SEC)越小，则模型越好，详见表2。表I模型参数、权重数及网络结构
权利要求
1.一种初烤烟叶主流烟气中苯并[a]芘释放量的预测方法，其特征在于包含以下步骤 1)将待测初烤烟叶通过人工撕片、剔梗、切丝三个步骤进行样品前处理； 2)对待测样品7项烟草化学成分进行检测，所述的7项烟草化学成分是钾、棕榈酸、丙二酸、莨菪亭、硬脂酸、苹果酸、绿原酸； 3)将待测样品7项烟草化学成分测定结果结合模型各输入层系数计算隐含层7个节点的网络值； 4)将计算所得隐含层7个节点的网络值转换为隐含层7个节点的输出值； 5)将计算所得隐含层7个节点输出值结合模型输出层系数计算得到烟气苯并[a]芘的释放量预测值。
2.根据权利要求I所述的一种初烤烟叶化学成分对其烟气中苯并[a]芘释放量的预测方法，其特征在于所述的神经网络模型结构为7-7-1，即7个输入层节点，7个隐含层节点，I个输出层节点。
3.根据权利要求I所述的一种初烤烟叶化学成分对其烟气中苯并[a]芘释放量的预测方法，其特征在于所述的各输入层系数从节点I至节点7依次为钾节点系数值-17. 4676,35. 2475、-I. 4618、11. 4246、-9. 9554、-I. 3241,0. 0266 ；棕榈酸节点系数值 3. 1511、-29. 4732、-3. 1677、7· 4519、-3. 2488、-I. 5762、0· 0189 ;丙二酸节点系数值 I. 3113、-2. 711,1. 6466,1. 6945,7. 7656,2. 4191,0. 0175 ;莨菪亭节点系数值 4. 7053,0. 1296、-5. 8362、-3. 9998、-O. 2499,0. 0677,0. 0003 ;硬脂酸节点系数值 20. 5316、-I. 7037,9. 8412、-I. 7745、I. 3413、-O. 3899,0. 0033 ;苹果酸节点系数值-O. 0494,0. 7188、-O. 26、-I. 9123,0. 6012,0. 1265,0. 2812 ;绿原酸节点系数值-O. 9037、-13. 2678、-3. 8322,4. 6474,6. 4448、-2. 5278,0. 0213 ;输入层偏置系数节点系数值 17. 803,19. 0837,11. 7137、-12. 3716、-I. 9662,0. 0159,0. 0131，其中输入层偏置值为Io
4.根据权利要求I所述的一种初烤烟叶化学成分对其烟气中苯并[a]芘释放量的预测方法，其特征在于所述的输出层系数为隐含层节点I输入层系数8. 7333 ;隐含层节点2输入层系数8. 3806 ;隐含层节点3输入层系数14. 3207 ;隐含层节点4输入层系数12. 4867 ；隐含层节点5输入层系数13. 7848 ;隐含层节点6输入层系数-I. 3254 ;隐含层节点7输入层系数-O. 7097 ;输出层偏置系数-O. 6847，其中输出层偏置值为I。
全文摘要
本发明涉及一种初烤烟叶主流烟气中苯并[a]芘释放量的预测方法。该方法是将待测初烤烟叶通过人工撕片、剔梗、切丝三个步骤进行样品前处理；对待测样品7项化学成分(钾、棕榈酸、丙二酸、莨菪亭、硬脂酸、苹果酸、绿原酸)进行检测；将7项化学成分测定结果结合模型各输入层系数计算隐含层7个节点的网络值；将隐含层7个节点的网络值转换为隐含层7个节点的输出值；将隐含层7个节点输出值结合模型输出层系数计算得到烟气苯并[a]芘的释放量预测值。能够由烤烟叶原料对未来形成的卷烟成品中的苯并[a]芘累积含量进行有效预判，从而指导生产过程中的原料选择。
文档编号G01N33/00GK102879532SQ201210384570
公开日2013年1月16日 申请日期2012年10月11日 优先权日2012年10月11日
发明者张涛, 孔维松, 刘巍, 马燕, 孙桂芬, 曹红云, 杨帅, 王岚, 胡守毅 申请人:云南烟草科学研究院