摘要
在制浆造纸生产过程中，准确测定制浆材的材性特点至关重要。本研究基于近红外光谱数据建立制浆材理化成分分析模型，使用深度学习方法建立分析模型，并从基于卷积神经网络（convolutionalneuralnetwork，CNN）、长短期记忆网络（longshort-termmemory，LSTM）、卷积神经网络-双向长短期记忆网络-注意力机制（convolutionalneuralnetwork-bidirectionallongshort-termmemory-attentionmechanism，CNN-BiLSTM-AM）的制浆材理化成分回归模型方面进行研究。研究选取毛白杨、加杨、樟子松、云杉等4种常见制浆材原料共422个样品为研究对象，以便携式近红外光谱仪为分析仪器开展实验。 （1）建立含水率预测模型。利用杠杆值与学生化残差t检验（highleverage-studentizedresidual，HLSR）删除异常样本，对标准正态变量变换+去趋势化（standardnormalizedvariables+detrending，SNV+DT）联合光谱预处理算法处理后的光谱数据，采用竞争性自适应重加权算法（competitiveadaptivereweightedsampling，CARS）提取特征波长，之后建立偏最小二乘回归（partialleastsquaresregression，PLSR）、极限学习机（extremelearningmachine，ELM）、灰狼算法优化支持向量机（supportvectorregressionoptimizedbygreywolfoptimizeralgorithm，GWO-SVR）、BP神经网络（backpropagationneuralnetwork，BPNN）、CNN、LSTM、CNN-BiLSTM-AM模型。分析评价不同模型下最优模型的预测性能，结果显示制浆材含水率的最佳预测模型为CNN-BiLSTM-AM，预测集决定系数（determinationcoefficientofpredictionset，RP2）、预测集均方根误差（rootmeansquareerrorofpredictionset，RMSEP）、相对分析误差（relativepercentdeviation，RPD）分别为0.9549、0.0032、4.7385。 （2）建立气干密度预测模型。利用光谱残差检验算法（spectralresidual,SR）剔除异常样本，对卷积平滑法（Savitsky-Golaysmoothing，SGS）处理后的光谱数据，通过CARS提取特征波长，用特征波长建立PLSR、ELM、GWO-SVR、BPNN、CNN、LSTM、CNN-BiLSTM-AM模型。7种建模下最优的模型为CNN-BiLSTM-AM，RP2、RMSEP、RPD分别为0.9632、0.0146、5.2414。 （3）建立苯醇抽出物含量预测模型。利用HLSR剔除异常样本，对SNV处理后的光谱数据，通过CARS提取特征波长，用特征波长建立PLSR、ELM、GWO-SVR、BPNN、CNN、LSTM、CNN-BiLSTM-AM模型。7种建模下最优的模型为LSTM，RP2、RMSEP、RPD分别为0.9549、0.6202、4.7366。 （4）建立酸不溶木质素含量预测模型。利用HLSR剔除异常样本，对SNV+DT联合光谱预处理方法处理后的光谱数据，通过CARS提取特征波长，用特征波长建立PLSR、ELM、GWO-SVR、BPNN、CNN、LSTM、CNN-BiLSTM-AM模型。7种建模下最优的模型为LSTM，RP2、RMSEP、RPD分别为0.8696、0.0183、2.7868。 （5）建立综纤维素含量预测模型。利用HLSR剔除异常样本，对SNV处理后光谱数据，通过CARS提取特征波长，用特征波长建立PLSR、ELM、GWO-SVR、BPNN、CNN、LSTM、CNN-BiLSTM-AM模型。7种建模下最优的模型为LSTM，RP2、RMSEP、RPD分别为0.8539、0.0225、2.6323。 研究表明，利用近红外光谱技术能够快速无损测定制浆材的含水率、气干密度、苯醇抽出物含量、酸不溶木质素、综纤维素含量，所建模型可以为制浆材材性指标快速测定提供理论依据和技术支撑，同时也为测定其他制浆材料材性指标提供思路。
NETL