人工神经网络催化动力学光度法同时测定硒和铁

傅应强，方佳佳，严 谨，马 森，唐定兴

(安徽工程大学 生物与化学工程学院，安徽 芜湖 241000)

人工神经网络催化动力学光度法同时测定硒和铁

傅应强，方佳佳，严 谨，马 森，唐定兴

(安徽工程大学 生物与化学工程学院，安徽 芜湖 241000)

在酸性介质中，硒(Ⅳ)和铁(Ⅲ)同时催化H2O2氧化二甲基黄褪色反应.研究发现：两者对H2O2氧化二甲基黄褪色反应的催化作用不具有加和性. 根据这一现象，结合人工神经网络，建立了一种新的不经分离可同时测定硒(Ⅳ)和铁(Ⅲ)混合物中硒(Ⅳ)和铁(Ⅲ)各自含量的分析方法. 方法应用于合成样品及烟草样品中硒(Ⅳ)和铁(Ⅲ)的测定，结果满意.

人工神经网络；硒；铁；催化动力学光度法

硒是一种人体必需的微量元素. 作为人体中一些抗氧化酶的重要组成部分，其具有提高免疫力的作用，但过量的硒可引起硒中毒，使人患上脱甲、脱发、偏瘫等症状. 目前，硒的测定方法有原子荧光法[1-3]、X射线荧光法[4-5]、ICP-MS[6-8]、ICP-OES[9-10]、伏安法[11-12]、原子吸收法[13-14]、荧光猝灭法[15]、紫外可见分光光度法[16-17]、萃取分光光度法[18-20]和催化动力学光度法[21]等. 其中催化动力学光度法利用硒对某种氧化还原反应具有催化效果，通过测定反应速率来测定催化剂的含量，因此具有较高的灵敏度高且操作也很简便. 但是其测定过程中常常会有一些常见元素，比如Cu2+、Pb2+、Fe3+等会对测定造成干扰. 人工神经网络具有很强的非线性处理能力，目前已经有很多成功应用人工神经网络结合动力学光度法实现多组分同时测定的文献报道[22-26]. 作者通过引入BP人工神经网络，结合硒和铁对H2O2氧化二甲基黄褪色反应催化作用，成功实现了硒(Ⅳ)和铁(Ⅲ)含量的同时测定而无需分离、掩蔽. 通过人工混合样品的测定验证以及烟草、茶叶中硒和铁含量的回收试验，结果令人满意.

1 试验部分

1.1 仪器和试剂

MATLAB6.5软件， UV-5500紫外可见分光光度计(上海元析仪器有限公司)； KQ-50B型超声波清洗器(昆山市超声仪器有限公司). 试验所用试剂如表1 所列；烟草样品来源于芜湖卷烟厂.

表1 试验试剂Table1 Experimentalreagents

1.2 标准溶液配制

分别配制5 μg/mL的硝酸铁和硝酸硒标准溶液备用；二甲基黄的无水乙醇溶液：1.0×10-3mol/L；0.1 mol/L的硝酸溶液； H2O2溶液：20%. 所用试剂均为分析纯，分析用水为二次蒸馏水.

1.3 混合溶液配制

分别移取0.1、0.2、0.5、1.0、1.2、1.5、2.0、2.5 mL的标准硒溶液和0.1、0.2、0.5、1.0、1.2、1.5、2.0、2.5 mL的标准铁溶液，将两种离子溶液一一混合加入25 mL比色管中，依次加入二甲基黄、硝酸、过氧化氢，再用蒸馏水定容至刻度，制得64组混合溶液.

1.4 检测

取4支25 mL具塞比色管，一支依次加入二甲基黄1.0 mL、硝酸1.0 mL、过氧化氢2.0 mL，以重蒸水定容至25 mL，摇匀. 另三支在第一支的基础上，定容前分别加入标准硒溶液1.0 mL，或者标准铁溶液1.0 mL及标准铁、标准硒各1.0 mL. 然后将4支具塞比色管同时放入100 ℃水浴锅中加热4 min，迅速取出比色管，在流动冷水中冷却3 min，再分别将溶液倒入1 cm比色皿中，以重蒸水为参比，采用UV-5500紫外可见分光光度计测量，在440～580 nm范围内进行扫描，测得并计算各波长下的的吸光度差值(加入硝酸硒和硝酸铁标准溶液的反应体系吸光度与不加硝酸硒和硝酸铁标准溶液的反应体系吸光度之差). 测出一系列组数据后，再用人工神经网络进行数据处理.

2 结果与讨论

2.1 吸收曲线

按试验方法，配制不同体系作吸收曲线，如图 1 所示. 由图1可见：比较曲线B与C，硒在一定条件下对H2O2氧化二甲基黄具有明显的催化作用；比较曲线B与D，铁在一定条件下对H2O2氧化二甲基黄也具有明显的催化作用；比较曲线C与D，铁的催化效果比硒更好；比较曲线B与E，可以看出在此条件下，浓度不变，混合体系中两种物质对氧化褪色反应的催化作用并不等于他们各自单独存在时的催化作用之和；对比曲线C、D和E发现，混合体系的催化作用并不具有加和性，用普通方法难以解决同时测定二者浓度问题. 因此本文采用人工神经网络方法对测定的吸光度值进行处理. 从图1还可发现，反应体系最大吸收峰都在510 nm左右，因此，选择测定波长在440～580 nm范围内.

图1 不同反应体系的吸光度随波长变化曲线Fig.1 Absorbance versus wavelength in different reaction systems (B) dimethyl yellow 1.0 mL+HNO3 1.0 mL+H2O2 2.0 mL， (C) B+Se(IV) 1.0 mL，(D) B+Fe(III) 1.0 mL， (E) B+ Se(IV) 1.0 mL +Fe(III) 1.0 mL

2.2 最佳指示剂用量的确定

二甲基黄作为指示剂，其用量的多少直接关系到反应体系的吸光度及吸光度差异的大小. 取两组 25 mL比色管，依次加入二甲基黄、硝酸1.0 mL、标准硒和标准铁溶液1.0 mL、过氧化氢2.0 mL，其中二甲基黄的用量分别是 0.8、0.9、1.0、1.1、1.2 mL，用蒸馏水稀释到刻度，摇匀. 然后在100 ℃的水浴中加热4 min，迅速取出比色管，在流动冷水中冷却3 min，终止反应. 再分别将溶液倒入1 cm比色皿中，以二次蒸馏水为参比，在最大吸收波长 510 nm 处测其吸光度，找出指示剂二甲基黄用量和催化和非催化体系的吸光度之差ΔA 的关系. 结果如图2所示.

图2 二甲基黄用量与吸光度ΔA的变化曲线Fig.2 ΔA versus quantity of dimethyl yellow

由图2可以看出，当二甲基黄用量为1.0 mL时反应体系的ΔA最大. 当超过1.0 mL时，ΔA又变小. 因此，选择1.0 mL作为最佳的二甲基黄指示剂用量.

2.3 最佳氧化剂用量的确定

氧化剂过氧化氢具有很强的氧化能力. 尤其是在酸性溶液中，随着酸用量的增多或者浓度的加大，过氧化氢的氧化性也明显增强. 于是过氧化氢的用量多少，将直接影响吸光度值的变化，其用量将直接影响测定的灵敏度. 按探索最佳指示剂用量类似方案控制其它试剂加入量不变，依次加入现稀释至20%的过氧化氢，其量分别为1.7、1.8、1.9、2.0、2.1、2.2、2.3 mL，探索氧化剂用量与催化和非催化体系的吸光度之差ΔA 的关系. 结果如图3所示.

图3 过氧化氢的用量与ΔA的关系曲线Fig.3 ΔA versus quantity of hydrogen peroxide

由图3可以看出，当过氧化氢的用量为 2.0 mL时，催化体系与非催化体系的A的差值最大，即ΔA最大. 所以过氧化氢的最佳用量选为2.0 mL.

2.4 其它试验条件的优化

按上述探索最佳指示剂和最佳氧化剂用量方法，分别对体系的其它试验条件进行了探索. 结果表明：硝酸的最佳用量为1.0 mL，反应时间为4 min，反应温度为100 ℃，用冷水淋洗3 min后开始测量较为适宜.

2.5 人工神经网络的构建及传递函数的选择

配制一系列含有不同浓度的硝酸硒和硝酸铁溶液，按上述方法的最佳条件进行试验. 在波长范围为440～580 nm内随机选取20个波长，将所测得的催化体系和非催化体系的吸光值差作为人工神经网络的训练输入，对应的硝酸硒和硝酸铁的浓度为训练输入. 采用matlab编写构建三层BP神经网络，神经网络结构图如图4 所示. BP神经网络采用误差反向传播算法，该算法可以逼近任意连续函数，具有很强的非线性映射能力，而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，所以它在许多应用领域中起到重要作用. 由2.1节可知硒(Ⅳ)和铁(Ⅲ)同时催化H2O2氧化二甲基黄褪色反应，二者的催化作用不具有加和性. 而BP神经网络良好的非线性映射能力为解决这一类问题提供了有效途径. 我们通过改变输入层和隐含层的传递函数、神经元数目来优化网络结构，利用训练误差平方和函数及训练输出来验证模型的可靠性.

图4 神经网络结构图Fig.4 Structure of network

因输出层要使得输出变量范围为[-∞～+∞]之间必须为线性传递函数PURELIN，因此需要调节的只有输入层和隐含层的传递函数. 研究发现不管是输入层还是隐含层，对于我们的训练样本来说，两层均采用对数传递函数LOGSIG的话，误差下降较快，网络能在短时间内达到很好的仿真性能. 因此，这里采用的输入层和隐含层传递函数均为对数函数. 输入层为20个神经元，隐含层也为20个神经元.

2.6 神经网络训练步数对误差平方和函数的影响

利用所测得的训练集数据对人工神经网络进行训练. 固定其他参数不变的情况下，我们发现当训练步数设为200时，误差平方和在最初的140步之内下降较缓慢，训练步数接近150步时，误差才降至10-2左右，150步之后变化突然加快，185步时已经达到10-6了，满足初始设定的10-5的目标. 当训练步数设定为更多时，研究发现训练步数从200增至300，误差平方和变化很小数量级上基本没有变化. 但训练耗时很长，说明此时增大训练步数对调节网络性能作用已不大，因此，我们设定最大训练步数为200. 误差下降曲线如图5 所示.

图5 神经网络误差训练变化曲线图Fig.5 Training errors versus epochs for artificial neural network

训练达标的神经网络，输入相同条件下测试的未知样品光谱数据即可反馈出样品中Se(IV)和Fe(III)的浓度.

3 样品测定

3.1 人工混合样品测定

按照1.4节试验方法，分别对6组不同比例的标准硒和硝酸铁的人工混合样品进行测定，测定结果如表2所列.

由表2可知，使用该法对6组标准硒和硝酸铁人工混合试验样品进行测定，回收率均在95%～105%之间，满足痕量分析要求.

3.2 烟草样品分析

准确称取干燥处理后的烟样10.000 0 g 于坩锅内干法灰化，将坩锅放在电热板上炭化至无烟后移入箱形电炉中， 在650 ℃的温度下恒温灼烧至灰白色，取出冷却至室温，加水润湿， 沿坩锅壁加HNO3(1+1) 10.0 mL 溶解残渣，过滤后将滤液小心移入50 mL 容量瓶中，用二次蒸馏水稀释至刻度， 摇匀. 每次测定移取5.0 mL溶液按上述试验方法进行测定，并做加入回收试验，结果如表3所列.

表2 混合样品组分实际含量与神经网络分析结果Table2 Analyticalresultsofneuralnetworkandactualcontentsofmixsamples

表3 烟草样品测定结果及回收率(n = 5) Table3 Determinationresultsoftobaccosamplesandrecoveries

4 结论

本试验基于在酸性介质中，硒(Ⅳ)和铁(Ⅲ)同时催化H2O2氧化二甲基黄褪色反应，结合人工神经网络建立了一种能同时测定样品中硒(Ⅳ)和铁(Ⅲ)的分析方法. 该方法有效解决了动力学光度法测定硒时Fe3+离子的干扰问题，无需事先分离、掩蔽Fe3+离子. 通过已知待测物准确浓度的人工合成样品测试验证以及烟草样品中硒(Ⅳ)和铁(Ⅲ)的加标回收试验结果，表明该方法满足痕量分析要求，且可以同时测定硒(Ⅳ)和铁(Ⅲ)的含量.

[1] Chen Y W, Alzahrani A, Deng T L, et al. Valence properties of tellurium in different chemical systems and its determination in refractory environmental samples using hydride generation-atomic fluorescence spectroscopy[J]. Analytica Chimica Acta, 2015, 905(1):42-50.

[2] Walter dos Santos, Dannuza Cavalcante, Paula Gomes, et al. Determination of selenium in eggs of different birds using sample digestion in a reflux system and hydride generation atomic fluorescence spectrometry[J]. Current Analytical Chemistry, 2016, 12(2):102-107.

[3] Xiao Zhi-ming, Song Rong, Jia Zheng, et al. Determination of selenium species in se-enriched yeast using liquid chromatography-hydride generation atomic fluorescence spectrometry[J]. Chinese Journal of Analytical Chemistry, 2014, 42(9): 1314-1319.

[4] Kocot K, Leardi R, Walczak B, et al. Determination and speciation of trace and ultratrace selenium ions by energy-dispersive X-ray fluorescence spectrometry using graphene as solid adsorbent in dispersive micro-solid phase extraction[J]. Talanta, 2015, 134(1):360-365.

[5] Romero V, Costasmora I, Lavilla I， et al. Silver nanoparticle-assisted preconcentration of selenium and mercury on quartz reflectors for total reflection X-ray fluorescence analysis[J]. Journal of Analytical Atomic Spectrometry, 2014, 29(4):696-706.

[6] Jagtap R, Maher W. Determination of selenium species in biota with an emphasis on animal tissues by HPLC-ICP-MS[J]. Microchemical Journal, 2015, 124(1):422-529

[7] Cao Yu-pin, Yan Li-Zhen, Huang Hong-Li, et al. Determination of selenium species in burdock and panax notoginseng using ultrasonic assistant extraction combined with high performance liquid chromatography-inductively coupled plasma-mass spectrometry[J]. Chinese Journal of Analytical Chemistry, 2015, 43(9):1329-1334.

[8] Jackson B, Liba A, Nelson J. Advantages of reaction cell ICP-MS on doubly charged interferences for arsenic and selenium analysis in foods[J]. Journal of Analytical Atomic Spectrometry, 2015,5(1):1179-1183.

[9] Thangavel S, Dash K, Dhavile S M, et al. Determination of traces of As, B, Bi, Ga, Ge, P, Pb, Sb, Se, Si and Te in high-purity nickel using inductively coupled plasma-optical emission spectrometry (ICP-OES)[J]. Talanta, 2015, 131(1):505-509.

[10] Welna M, Szymczycha-Madeja A. Effect of sample preparation procedure for the determination of As, Sb and Se in fruit juices by HG-ICP-OES[J]. Food Chemistry, 2014, 159(6):414-419.

[11] Shahbazi, Yasser, Farhad Ahmadi, et al. Voltammetric determination of Pb, Cd, Zn, Cu and Se in milk and dairy products collected from Iran: An emphasis on permissible limits and risk assessment of exposure to heavy metals[J]. Food chemistry, 2016, 192(1): 1060-1067.

[12] Piech R, Szlósarczyk M, Opoka W, et al. Application of hanging copper amalgam drop electrode for voltammetric determination of selenium content in fruiting bodies of selected mushrooms[J]. International Journal of Environmental Analytical Chemistry, 2014, 94(3):269-276.

[13] Schneider M, Pereira é R, Castilho I N, et al. A simple sample preparation procedure for the fast screening of selenium species in soil samples using alkaline extraction and hydride-generation graphite furnace atomic absorption spectrometry[J]. Microchemical Journal, 2016, 125(1): 50-55.

[15] Song Cai-rui, Fei Qiang, Shan Hong-yan, et al. A novel 2-(2-Formyl-4-methyl-phenoxy)-N-phenyl-acetamide-based fluorescence turn-on chemosensor for selenium determination with high selectivity and sensitivity[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2013, 116(12):497-500.

[16] Kuchekar, Shashikant R R MNaval, S H Han. Selective determination of selenium(IV) from environmental samples by UV-visible spectrophotometry using O-methoxyphenyl thiourea as a chelating ligand[J]. International Journal of Environmental Analytical Chemistry, 2015, 95(7):1-17

[17] Ulusoy, Halil Ibrahim. Simple and useful method for determination of inorganic selenium species in real samples based on UV-VIS spectroscopy in a micellar medium[J]. Analytical Methods, 2015, 7(7):953-960.

[18] Tadayon F, Mehrandoost S. Determination and speciation of Se(IV), Se(VI), and selenomethionine in iranian walnut samples by spectrophotometry after cloud point extraction[J]. Journal of Analytical Chemistry, 2015, 70(11):1336-1341.

[19] Fadeeva V P, Panin D O, Nikulicheva O N, et al. Extraction-spectrophotometric determination of selenium in organoselenium compounds using aromatic o-diamines[J]. Journal of Analytical Chemistry, 2014, 69(5):432-437.

[20] Dadfarnia S, Shabani A M H, Nozohor M. Dispersiveliquid-liquid microextraction-solidified floating organic drop combined with spectrophotometry for the speciation and determination of ultratrace amounts of selenium[J]. Journal of Interdisciplinary Cycle Research, 2013, 25(2):229-237.

[21] Chebotarev A N, Raboshvil E V, Snigur D V, et al. Karmoazin as a single redox reagent for spectrophotometric determination of Mn, Cr, Se, and V in different categories of water[J]. Journal of Water Chemistry & Technology, 2015, 37(4):172-178.

[22] 傅应强, 陈宁生, 王胜忠. 人工神经网络阻抑动力学光度法同时测定邻苯二酚和间苯二胺[J]. 计算机与应用化学， 2010，26(11):734-737.[FU Ying-qiang, CHEN Ning-sheng, WANG Sheng-zhong.Simultaneous determination of pyrocatechol and m-dihydroxy-benzene with artificial neural networks by inhibitory kinetic spectrophotometry[J]. Computers & Applied Chemistry , 2010 , 26 (11) :734-737.]

[23] 傅应强，姚岚，方瑞萍，等. 人工神经网络动力学光度法同时测定烟草中的Cr3+,Al3+和Fe3+[J]. 烟草科技, 2011(1):56-59.[FU Ying-qiang, YAO Lan, FANG Rui-ping, et al. Simultaneous determination of chromium aluminum and iron in tobacco with artificial neural networks by catalytic kinetic spectrophotometry[J]. Tobacco Science & Technology, 2011(1):56-59.]

[24] 申金山, 张新申, 陈荣义，等. 人工神经网络催化动力学光度法同时测定铁和锑[J]. 分析化学，2004，32(4):497-499.[SHEN Jin-shan, ZHANG Xin-shen, CHEN Rong-yi, et al. Simultaneous determination of iron and antimony by artificial neural network catalytic kinetic spectrophotometry[J]. Analytical chemistry, 2004, 32 (4): 497-499.]

[25] 傅应强，陈宁生，王胜忠. 人工神经网络阻抑动力学光度法同时测定邻苯二酚和间苯二胺[J]. 应用化学，2009，26(6):734-737.[FU Ying-qiang, CHEN Ning-sheng, WANG Sheng-zhong.Simultaneous determination of pyrocatechol andm-phenylenediamin with artificial neural networks by inhibitory kinetic spectrophotometry[J]. Chinese Journal of Applied Chemistry，2009，26(6):734-737.]

[26] Hongwei J I, Yan XU, Shuang LI, et al. Simultaneous determination of iron and manganese in water using artificial neural network catalytic spectrophotometric method[J]. Journal of Ocean University of China, 2012, 11(3):323-330.

ArtificialNeuralNetworkandKineticSpectrophotometricDeterminationofSeleniumandIron

FU Ying-qiang, FANG Jia-jia, YAN Jin, MA Sen, TANG Ding-xing

(SchoolofBiologyandChemicalEngineering,AnhuiPolytechnicUniversity,Wuhu241000,AnhuiChina)

Selenium(IV) and iron(III) can catalyze the oxidation of dimethyl yellow discoloration reaction by hydrogen peroxide under acidic conditions. It also found that the catalytic effects of the two ions have no additive properties. Based on this research, the advantages of artificial neural network were adopted to handle the experimental data and a new catalytic kinetic spectrophotometric method for the simultaneous determination of selenium(IV) and iron(III) with artificial neural network was established. The best reaction conditions were discussed and the structure of the neural networks was optimized. The recovery were between 95%～105% of the determination in synthetic samples and the results showed that the method is sensitive, accurate and suitable for the determination of selenium and iron in tobacco samples.

artificial neural network; selenium; iron; catalytic kinetic spectrophotometry

分析测试新方法(201～207)

2017-10-11;

2017-12-04.

国家自然科学基金项目(21406001),国家级大学生创新创业训练计划(201510363057),安徽省大学生创新创业训练计划(AH201510363057)资助

傅应强(1980-)，男，博士，副教授，研究方向：化学过程仿真与模拟、化学计量学及分析检测，E-mail: fyq@ahpu.edu.cn.

TQ014， O657.31

B

1006-3757(2017)04-0201-07

10.16495/j.1006-3757.2017.04.001