CN109709060B - 一种沥青软化点、针入度和质量损失的测定方法 - Google Patents
一种沥青软化点、针入度和质量损失的测定方法 Download PDFInfo
- Publication number
- CN109709060B CN109709060B CN201910089101.3A CN201910089101A CN109709060B CN 109709060 B CN109709060 B CN 109709060B CN 201910089101 A CN201910089101 A CN 201910089101A CN 109709060 B CN109709060 B CN 109709060B
- Authority
- CN
- China
- Prior art keywords
- asphalt
- characteristic
- infrared spectrogram
- asphalt sample
- softening point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种沥青软化点、针入度和质量损失的测定方法,属于道路工程应用技术领域。本发明提供的测试方法包括如下步骤:测试建模组沥青样品的特性参数,并采集建模组沥青样品的红外光谱图;所述特性参数为软化点、针入度或质量损失;利用建模组沥青样品的特性参数和对应的特征波长范围内的光谱信息建立定量分析模型;采集待测沥青样品的红外光谱图,根据所得红外光谱图中特性参数对应的特征波长范围内的光谱信息,结合定量分析模型,得到待测沥青样品的特性参数值。本发明提供的测试方法,在室温即可操作,且具有耗时短的优势。
Description
技术领域
本发明涉及道路工程应用技术领域,尤其涉及一种沥青软化点、针入度和质量损失的测定方法。
背景技术
沥青对道路质量的影响巨大,据调查我国沥青市场仍存在不合格的沥青产品,使用假冒伪劣沥青的现象时有发生。识别沥青,传统的简单物性检测方法不仅耗时耗力,且易受改性剂和稳定剂等添加剂的影响,试验结果容易失真。由于沥青化学性质的复杂性,沥青规范开发了针对物理特性试验,采用诸如针入度、软化点、延度等试验,这些物理特性试验在标准测试温度下进行,测试结果被用来确定材料是否满足规范的标准,三大性能指标是评判沥青性能的传统检测方法,其简单的操作是其它方法不可取代的,至今也是公路行业检测沥青的主要方法。三大性能指标虽然操作简单,但是沥青要预先溶化,从成模、养生到测试的时间长达4、5个小时,耗时较长,不能够及时有效地判断沥青的质量。
发明内容
本发明的目的在于提供一种沥青软化点、针入度和质量损失的测定方法,本发明提供的测定方法在室温即可进行,且测试时间短。
为了实现上述发明目的,本发明提供以下技术方案:
本发明提供了一种沥青软化点、针入度和质量损失的测定方法,包括如下步骤:
测试建模组沥青样品的特性参数,并采集建模组沥青样品的红外光谱图;所述特性参数为软化点、针入度或质量损失;
利用建模组沥青样品的特性参数和对应的特征波长范围内的光谱信息建立定量分析模型;
采集待测沥青样品的红外光谱图,根据所得红外光谱图中特性参数对应的特征波长范围内的光谱信息,结合定量分析模型,得到待测沥青样品的特性参数值。
优选地,所述建模组包括20种以上沥青样品。
优选地,所述建模组沥青样品的特性参数采用标准号为JTG E-20-2011的标准公开的方法测得。
优选地,所述红外光谱图的采集条件为:光谱扫描范围4000~10000cm-1,扫描次数128次。
优选地,采集建模组沥青样品的红外光谱图和待测沥青样品的红外光谱图后,还包括对所得红外光谱图进行预处理,所述预处理包括依次进行的背景扣除、平滑处理和基线校正处理。
优选地,所述软化点对应的特征波长范围为4204.06~4373.76cm-1;所述针入度对应的特征波长范围为4448.34~4785.48cm-1、4836.99~5342.71cm-1和5333.34~6063.82cm-1;所述质量损失对应的特征波长范围为4180.92~6024.53cm-1。
优选地,采用TQ Analyst光谱分析软件建立所述定量分析模型。
优选地,采用TQ Analyst光谱分析软件计算所述待测沥青样品的特性参数值。
本发明提供了一种沥青软化点、针入度和质量损失的测定方法,包括如下步骤:测试建模组沥青样品的特性参数,并采集建模组沥青样品的红外光谱图;所述特性参数为软化点、针入度或质量损失;利用建模组沥青样品的特性参数和对应的特征波长范围内的光谱信息建立定量分析模型;采集待测沥青样品的红外光谱图,根据所得红外光谱图中特性参数对应的特征波长范围内的光谱信息,结合定量分析模型,得到待测沥青样品的特性参数值。本发明将沥青的特性参数(软化点、针入度和质量损失)与红外光谱图中特征波长范围的光谱信息建立定量分析模型,然后通过采集待测样品的红外光谱图,结合定量分析模型,得到待测沥青样品的特性参数值,在室温即可操作,且具有耗时短的优势。
附图说明
图1实施例1得到的软化点实测值-计算值相关性曲线;
图2实施例1得到的针入度实测值-计算值相关性曲线;
图3实施例1得到的质量损失实测值-计算值相关性曲线。
具体实施方式
本发明提供了一种沥青软化点、针入度和质量损失的测定方法,包括如下步骤:
测试建模组沥青样品的特性参数,并采集建模组沥青样品的红外光谱图;所述特性参数为软化点、针入度或质量损失;
利用建模组沥青样品的特性参数和对应的特征波长范围内的光谱信息建立定量分析模型;
采集待测沥青样品的红外光谱图,根据所得红外光谱图中特性参数对应的特征波长范围内的光谱信息,结合定量分析模型,得到待测沥青样品的特性参数值。
本发明测试建模组沥青样品的特性参数,并采集建模组沥青样品的红外光谱图;所述特性参数为软化点、针入度或质量损失。
在本发明中,所述建模组优选包括20种以上沥青样品,更优选包括80种以上的沥青样品。
本发明对所述建模组沥青样品的来源没有特殊限定,可以为任意市售的沥青样品。在本发明中,所述建模组沥青样品优选为特性参数的值相差较大的多个沥青样品。
在本发明中,所述建模组沥青样品的特性参数优选采用标准号为JTGE-20-2011的标准公开的方法测得。
在本发明中,所述红外光谱图的采集条件优选为:光谱扫描范围4000~10000cm-1,扫描次数128次。
采集建模组沥青样品的红外光谱图后,本发明优选还包括将所得红外光谱图进行预处理,所述预处理优选包括依次进行的背景扣除、平滑处理和基线校正处理,得到建模组沥青样品的红外光谱图。
在本发明中,所述预处理还优选包括消除常数、一阶求导和二阶求导中的一种或几种。在本发明中,本领域技术人员可以根据需要选择是否采用上述预处理操作。
在本发明中,优选使用TQ Analyst光谱分析软件对所述红外光谱图进行预处理。
得到建模组沥青样品的特性参数和红外光谱图后,利用建模组沥青样品的特性参数和对应的特征波长范围内的光谱信息建立定量分析模型。
在本发明中,所述软化点对应的特征波长范围优选为4204.06~4373.76cm-1;所述针入度对应的特征波长范围优选为4448.34~4785.48cm-1、4836.99~5342.71cm-1和5333.34~6063.82cm-1;所述质量损失对应的特征波长范围优选为4180.92~6024.53cm-1。
在本发明中,优选采用TQ Analyst光谱分析软件建立所述定量分析模型;所述定量分析模型的建议方法优选包括如下流程:
进入TQ Analyst光谱分析软件的操作界面→选择建模算法→定义待测组分(即输入建模组沥青样品的名称、软化点、针入度和质量损失)→导入建模组样品的红外光谱图→选择特性参数对应的特征波长范围→计算模型,得到定量分析模型。
在本发明中,所述建模算法优选为偏最小二乘法。
得到定量分析模型后,本发明采集待测沥青样品的红外光谱图,根据所得红外光谱图中特性参数对应的特征波长范围内的光谱信息,结合定量分析模型,得到待测沥青样品的特性参数值。
在本发明中,采集到待测沥青样品的红外光谱图后,本发明优选将所得红外光谱图进行预处理;所述预处理优选与建模组沥青样品的红外光谱图的预处理方法相同,在此不再赘述。
在本发明中,所述待测沥青样品的特性参数值的计算优选包括如下流程:
导入待测沥青样品的红外光谱图→选择特性参数对应的特征波长范围→量化,得到特性参数值。
下面结合实施例对本发明提供的一种沥青软化点、针入度和质量损失的测定方法进行详细的说明,但是不能把它们理解为对本发明保护范围的限定。
实施例1
以不同批次的SK90#、SK70#、镇海90#、镇海70#、克炼90#和克炼70#沥青样品为建模组样品,共80个样品,采用标准号为JTG E-20-2011的标准公开的方法测得80个样品的软化点、针入度(测试条件为温度25℃、荷重100g、贯入时间5s)和质量损失(测试条件为163℃、老化85min)。设置傅里叶红外光谱仪的光谱扫描范围为4000~10000cm-1,扫描次数128次,采集上述80个样品的红外光谱图;
进入TQ Analyst光谱分析软件的操作界面,选择偏最小二乘法作为建模算法,定义待测组分,输入建模组沥青样品的名称、软化点、针入度和质量损失,导入建模组样品的红外光谱图,依次进行扣除背景、平滑处理和基线校正处理,得到预处理后的红外光谱图;
选定特征波长范围(软化点对应的特征波长范围为4204.06~4373.76cm-1;针入度对应的特征波长范围为4448.34~4785.48cm-1、4836.99~5342.71cm-1和5333.34~6063.82cm-1;质量损失对应的特征波长范围为4180.92~6024.53cm-1),计算模型(点击“Calibrate”),得到定量分析模型,软件给出软化点实测值-计算值相关性曲线(如图1所示,横坐标为实测值,纵坐标为计算值)、针入度实测值-计算值相关性曲线(如图2所示)和质量损失实测值-计算值相关性曲线(如图3所示);
采用标准号为JTG E-20-2011的标准公开的方法测得5个待测样品的软化点、针入度和质量损失(记为真值),结果如表1所示,按照建模组采集红外光谱图的方法采集待测样品的红外光谱图,将待测样品的红外光谱图导入TQ Analyst光谱分析软件,依次进行扣除背景、平滑处理和基线校正处理,然后选定特征波长范围(具体的范围同建模组沥青样品),量化(点击“Quantify”),得到测试值,结果如表1所示。
表1本发明提供的测试方法得到的特性参数值和采用标准方法得到的真值的对比
由图1~3可知,建模组沥青样品预测的实测值与计算值的相关性系数均达到0.9以上,说明本发明提供的测定方法所得计算值与采用传统的标准方法测得的实测值非常接近,本发明提供的测试方法具有较高的准确性。通过对5个新样品的测试(如表1所示)可知,本发明的测定方法得到的测试值与采用标准方法得到的真值相一致,误差非常小,进一步说明本发明的测试方法的可靠性较高。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种沥青软化点、针入度和质量损失的测定方法,包括如下步骤:
测试建模组沥青样品的特性参数,并采集建模组沥青样品的红外光谱图;所述特性参数为软化点、针入度或质量损失;
利用建模组沥青样品的特性参数和对应的特征波长范围内的光谱信息建立定量分析模型;
采集待测沥青样品的红外光谱图,根据所得红外光谱图中特性参数对应的特征波长范围内的光谱信息,结合定量分析模型,得到待测沥青样品的特性参数值;
采用TQ Analyst光谱分析软件建立所述定量分析模型,采用TQ Analyst光谱分析软件计算所述待测沥青样品的特性参数值;
所述建模组包括20种以上沥青样品;
所述红外光谱图的采集条件为:光谱扫描范围4000~10000cm-1,扫描次数128次;
采集建模组沥青样品的红外光谱图和待测沥青样品的红外光谱图后,还包括对所得红外光谱图进行预处理,所述预处理包括依次进行的背景扣除、平滑处理和基线校正处理;所述预处理还包括消除常数、一阶求导和二阶求导中的一种或几种;
所述软化点对应的特征波数范围为4204.06~4373.76cm-1;所述针入度对应的特征波数范围为4448.34~4785.48cm-1、4836.99~5342.71cm-1和5333.34~6063.82cm-1;所述质量损失对应的特征波数范围为4180.92~6024.53cm-1。
2.如权利要求1所述的测定方法,其特征在于,所述建模组沥青样品的特性参数采用标准号为JTG E-20-2011的标准公开的方法测得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089101.3A CN109709060B (zh) | 2019-01-30 | 2019-01-30 | 一种沥青软化点、针入度和质量损失的测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089101.3A CN109709060B (zh) | 2019-01-30 | 2019-01-30 | 一种沥青软化点、针入度和质量损失的测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109709060A CN109709060A (zh) | 2019-05-03 |
CN109709060B true CN109709060B (zh) | 2021-12-07 |
Family
ID=66262079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910089101.3A Active CN109709060B (zh) | 2019-01-30 | 2019-01-30 | 一种沥青软化点、针入度和质量损失的测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109709060B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965140B (zh) * | 2020-08-24 | 2022-03-01 | 四川长虹电器股份有限公司 | 基于特征峰的波长点重组方法 |
CN113867292B (zh) * | 2021-10-09 | 2023-09-19 | 益路恒丰衡水沥青科技有限公司 | 橡胶沥青质量控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868882A (zh) * | 2012-12-13 | 2014-06-18 | 中国石油化工股份有限公司 | 测定沥青中各组分含量的方法 |
CN109001151A (zh) * | 2018-09-30 | 2018-12-14 | 江苏中路工程技术研究院有限公司 | 一种基于近红外光谱技术快速检测沥青宏观指标的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101368905B (zh) * | 2008-09-08 | 2011-01-12 | 淮阴工学院 | 红外光谱非线性建模定量分析方法 |
KR101121663B1 (ko) * | 2009-05-22 | 2012-03-09 | 한국석유공사 | 적외선분광분석을 이용한 오일샌드 내에 포함된 오일 함량 예측방법 |
CN104792686A (zh) * | 2014-01-22 | 2015-07-22 | 重庆医科大学 | 近红外光谱法检测半固体制剂中微生物数量和药物含量 |
CN105372200B (zh) * | 2015-10-16 | 2018-07-31 | 内蒙古自治区交通建设工程质量监督局 | Sbs改性沥青改性剂含量快速检测方法 |
CN107782693A (zh) * | 2017-10-25 | 2018-03-09 | 中石油燃料油有限责任公司研究院 | 一种沥青针入度的红外光谱分析方法 |
CN108344710A (zh) * | 2017-12-19 | 2018-07-31 | 中设设计集团股份有限公司 | 一种沥青识别检验方法 |
CN107941739A (zh) * | 2017-12-29 | 2018-04-20 | 交通运输部公路科学研究所 | 一种sbs改性沥青性能指标快速判定方法 |
CN108398398A (zh) * | 2018-02-12 | 2018-08-14 | 山西省交通科学研究院 | 利用衰减全反射红外光谱标准谱图鉴定沥青质量的方法 |
-
2019
- 2019-01-30 CN CN201910089101.3A patent/CN109709060B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868882A (zh) * | 2012-12-13 | 2014-06-18 | 中国石油化工股份有限公司 | 测定沥青中各组分含量的方法 |
CN109001151A (zh) * | 2018-09-30 | 2018-12-14 | 江苏中路工程技术研究院有限公司 | 一种基于近红外光谱技术快速检测沥青宏观指标的方法 |
Non-Patent Citations (3)
Title |
---|
Applications of Fourier transform infrared spectroscopy technologies on asphalt materials;Hou Xiangdao等;《Measurement》;20180302;第121卷;第304-316页 * |
对沥青化学组分分析方法的研究;***等;《黑龙江交通科技》;20140831(第8期);第17-18页 * |
红外光谱仪快速测试沥青原理及可靠性检测;张晓香;《中国公路》;20150331(第5期);第126-127页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109709060A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102590129B (zh) | 近红外检测花生中氨基酸含量的方法 | |
CN108181266B (zh) | Tdlas气体浓度检测方法 | |
CN103018195B (zh) | 近红外光谱测定pbx***中pctfe含量的方法 | |
CN103837492B (zh) | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 | |
CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
CN105372200A (zh) | Sbs改性沥青改性剂含量快速检测方法 | |
CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
CN112179871B (zh) | 一种酱类食品中己内酰胺含量无损检测的方法 | |
CN102393376A (zh) | 基于支持向量回归的鱼丸多组分含量检测的近红外光谱法 | |
CN109615145A (zh) | 一种快速预测不同老化程度基质沥青的物理性能的方法 | |
CN112331281A (zh) | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 | |
CN105021564A (zh) | 基于近红外光谱分析技术测定烟叶中麦角甾醇含量的方法 | |
WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析***及方法 | |
CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN104316492A (zh) | 近红外光谱测定马铃薯块茎中蛋白质含量的方法 | |
CN113030007B (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
CN111337452A (zh) | 一种验证光谱数据模型转移算法可行性的方法 | |
CN111896497A (zh) | 一种基于预测值的光谱数据修正方法 | |
CN103743697A (zh) | 一种采用近红外光谱实现茶叶生产实时监测的方法 | |
CN111141809A (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
CN107238557A (zh) | 一种利用近红外光谱法快速检测碳酸钙粒径分布的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |