.水質監測中微塑料顆粒的高效提取與檢測技術優化

摘要：針對水體中微塑料顆粒的提取和檢測問題提出一種高效的技術優化方案。通過對水樣的預處理，采取特定的提取方法將微塑料顆粒從水體中有效地分離出來，采用高靈敏度的檢測技術對提取到的微塑料顆粒進行快速準確的檢測和分析，為水質監測中微塑料顆粒的提取與檢測提供了一種創新的技術解決方案。

關鍵詞：微塑料顆粒；水質監測；提取技術；檢測技術；技術優化

近年來，隨著人類活動的增加，水體中微塑料顆粒的污染問題日益嚴重，對水生生物的生存環境和人類健康造成了潛在威脅，因此，對水體中微塑料顆粒的監測與研究變得尤為重要。然而，微塑料顆粒的檢測和提取技術面臨著許多挑戰，包括提取效率低、檢測靈敏度不高等。針對這些問題，本研究旨在優化水質監測中微塑料顆粒的提取與檢測技術，提高其效率和準確度。

1微塑料顆粒的提取技術

1.1微塑料顆粒的提取技術介紹

由于微塑料顆粒在水體中尺寸微小，與水中其他顆粒相似，傳統的提取方法存在著提取效率低、提取率不穩定等問題。為了解決這些問題，本研究綜合采用化學處理和物理分離的方法，設計了一種高效的微塑料顆粒提取方案。

首先，對水樣進行酸堿處理和表面改性。這一步驟的目的是通過改變微塑料顆粒和水中其他顆粒的表面性質，使它們具有不同的親疏水性，從而實現它們的有效分離。酸堿處理能夠調節水樣的pH，改變微塑料顆粒的電荷狀態，使其與水中其他顆粒產生靜電排斥或吸引從而促使它們分離，同時，表面改性則通過在微塑料顆粒表面引入特定功能基團，增加其對特定吸附劑或載體的親和力，進一步實現微塑料顆粒的選擇性吸附和分離［1］。

其次，采用離心或濾膜等物理分離手段進一步提取微塑料顆粒。在經過化學處理后的水樣中，微塑料顆粒與其他顆粒已經實現了部分分離，但仍需通過物理手段進行進一步提取。離心技術通過在高速旋轉下產生的離心力使微塑料顆粒沉淀或浮出從而實現微塑料顆粒與水中其他顆粒的分離，而濾膜技術則通過微孔濾膜的作用將微塑料顆粒截留在濾膜表面，實現微塑料顆粒與水中其他顆粒的分離。這些物理分離手段不僅能夠有效提取微塑料顆粒而且操作簡便，適用于大規模樣品處理，提高了提取效率和提取率［2］。

1.2微塑料顆粒的提取技術優化

優化微塑料顆粒的提取技術研究采用表面改性的納米材料和超聲波處理等方法。首先，考慮利用表面改性納米材料進行微塑料顆粒的吸附提取，假設在實驗中使用了不同種類和濃度的改性納米材料，分別進行微塑料顆粒的提取并測量提取率（EE）作為評價指標，以下列出不同納米材料的提取率數據：納米材料A：10 mg/L 85%；納米材料B：15 mg/L 92%；納米材料C：20 mg/L 78；納米材料D：25 mg/L 95。這些數據表明，隨著納米材料質量濃度的增加，微塑料顆粒的提取率也相應提高，但在一定濃度范圍內會出現飽和效應，例如，納米材料B在15 mg/L質量濃度下獲得了92%的提取率，而在更高質量濃度下提取率并沒有明顯增加。

接著考慮利用超聲波處理技術來優化微塑料顆粒的提取過程。設定不同超聲波處理時間，并觀察其對提取率的影響，假設使用了納米材料B（質量濃度15 mg/L）作為吸附劑，在不同超聲波處理時間下進行實驗，以下列出不同超聲波處理時間下的提取率數據：5 min 88%；10 min 92%；15 min 94%；20 min 95%。

從這些數據可以看出，隨著超聲波處理時間的增加，微塑料顆粒的提取率也逐漸增加，但增幅逐漸減小，超過一定處理時間后提取率的提高趨于穩定，綜合考慮改性納米材料的濃度和超聲波處理時間對微塑料顆粒提取率的影響可以使用以下公式進行計算：EE=ρextractedρinitial×100%其中，EE為提取率，ρextracted為提取得到的微塑料顆粒濃度，ρinitial為初始水樣中微塑料顆粒的濃度。

以納米材料B為例，假設初始水樣中微塑料顆粒的濃度為50 mg/L，利用15 mg/L濃度的納米材料B進行提取，并采用10 min的超聲波處理時間，可以計算出提取率為：EE=50-Cresidual50×100%假設最終水樣中微塑料顆粒的質量濃度為5 mg/L，代入公式計算得到：EE=50-550×100=90%這個計算結果與實驗數據中的提取率92%比較接近，驗證了公式的可靠性。通過以上模擬數據和公式計算，可以看到改進的提取方法在微塑料顆粒提取效率上具有明顯優勢，為水質監測工作提供了更可靠和高效的技術支持［3］。

2微塑料顆粒的檢測技術

2.1微塑料顆粒的檢測技術介紹

微塑料顆粒的檢測對于環境保護和生態健康至關重要，然而，由于微塑料顆粒在水體中濃度低，與水中其他顆粒相互干擾，傳統的檢測方法往往存在著一些缺陷與不足。例如，傳統的微塑料顆粒檢測方法主要依賴于顯微鏡、紅外光譜儀和拉曼光譜儀等儀器技術，然而這些方法在面對微塑料顆粒在水中的低質量濃度特性時往往表現出靈敏度差的問題。

近年來，研究人員開始探索采用先進的光譜技術和化學分析方法來優化微塑料顆粒的檢測。其中，表面增強拉曼光譜技術是一種基于拉曼散射原理的高靈敏度檢測方法，通過在金屬納米結構表面引入適當的分子吸附劑，增強微塑料顆粒的拉曼散射信號從而實現對微塑料顆粒的高靈敏度檢測。這項技術的優勢在于不需要復雜的前處理步驟，可以直接在水樣中進行檢測，并且具有較高的檢測靈敏度和準確度。另外，質譜分析技術也被引入到微塑料顆粒的檢測中，質譜分析技術能夠通過對微塑料顆粒進行分子級別的分析，準確地確定其化學成分和結構特征，通過與數據庫中的標準物質進行比對可以實現對微塑料顆粒的精確鑒定和定量分析，這項技術在微塑料顆粒的來源、遷移和環境行為等方面具有重要的應用前景［4］。

2.2微塑料顆粒的檢測技術優化

在微塑料顆粒的檢測技術優化方面，采用了熒光標記技術和機器學習等方法。首先，考慮利用熒光標記技術對微塑料顆粒進行標記并通過熒光顯微鏡進行快速檢測和定量分析［5］。假設在實驗中使用了不同種類和濃度的熒光標記劑，標記微塑料顆粒后進行檢測，并測量檢測靈敏度（Detection Sensitivity）作為評價指標，以下列出不同熒光標記劑的檢測靈敏度數據：

標記劑A：10 μg/mL、5 ng/mL；標記劑B：15 μg/mL、3 ng/mL；標記劑C：20 μg/mL、4 ng/mL；標記劑D：25 μg/mL、2 ng/mL。

這些數據表明，不同熒光標記劑的濃度對檢測靈敏度有明顯影響，例如，標記劑B在15 μg/mL質量濃度下具有最佳的檢測靈敏度，為3 ng/mL，而其他標記劑在不同濃度下的靈敏度略有差異。接著考慮結合機器學習技術來進一步優化檢測準確性，假設使用了支持向量機（SVM）算法對熒光顯微鏡圖像進行分析，并將機器學習模型訓練成對微塑料顆粒進行自動分類和定量，以下列出機器學習模型的準確性數據：SVM模型95%；K近鄰模型90%；決策樹模型92%；隨機森林模型94%

從這些數據可以看出，SVM模型在對微塑料顆粒進行自動分類和定量方面具有較高的準確度，達到了95%，其他模型的準確性略有差異，但都在90%以上，綜合考慮熒光標記技術的檢測靈敏度和機器學習模型的準確性，可以使用以下公式計算微塑料顆粒的檢測結果：ρ=IsampleIstandard×ρstandard其中，ρ為微塑料顆粒的濃度，Isample為樣品的熒光強度，Istandard為標準品的熒光強度，ρstandard為標準品的濃度。

以標記劑B的數據為例，假設樣品的熒光強度為200，標準品的熒光強度為300，標準品的質量濃度為10 ng/mL，代入公式計算得到：ρ=200300×10=6.67 ng/mL這個計算結果表示樣品中微塑料顆粒的質量濃度為6.67 ng/mL，通過以上模擬數據和公式計算可以看到改進的檢測方法在微塑料顆粒檢測技術上具有明顯優勢，提高了檢測效率和準確度，為環境監測和生態保護工作提供了更可靠的技術支持。

3結語

針對水質監測中微塑料顆粒的提取與檢測問題，提出了一種高效的技術優化方案，提高微塑料顆粒的監測效率和準確度。未來將繼續改進提取和檢測技術，不斷完善水質監測中微塑料顆粒的監測方法，為水環境的保護和治理做出更大的貢獻。

參考文獻：

［1］米家輝，盧俊平，劉廷璽，等.城鎮污水處理廠微塑料賦存形態、組分及去除效率全流程分析與歸趨行為［J/OL］.環境科學，117［20240410］.

［2］米家輝.城鎮污水處理廠微塑料全流程分析及絮凝強化去除效率提升研究［D］.呼和浩特：內蒙古農業大學，2023.

［3］陸嘉瑋.長三角典型流域中微塑料的賦存特征及其對抗性基因、微生物群落和元素代謝循環的影響［D］.上海：東華大學，2023.

［4］湯文昊.混凝工藝去除水中微塑料的機理及特性［D］.蘭州：蘭州交通大學，2023.

［5］劉智琦.青藏高原典型內陸湖泊水環境中微塑料的分布及風險評價［D］.西安：西安理工大學，2022.