基于氢火焰检测器气相色谱的酱香型白酒酒精掺伪鉴别技术研究
更新时间：
浏览次数：
摘要
酱香型白酒是中国白酒的典型代表，因其“酱香突出、幽雅细腻、酒体醇厚、回味悠长、空杯留香持久”的独特风格，近年来日益受到广大消费
酱香型白酒是中国白酒的典型代表，因其“酱香突出、幽雅细腻、酒体醇厚、回味悠长、空杯留香持久”的独特风格，近年来日益受到广大消费者的青睐[1][2]。2023年，中国酱酒产能约75万千升，同比增长7.1%；实现销售收入2300亿元，同比增长9.5%；实现利润约940亿元，同比增长8%，其产能、销售及利润连续5年呈增长态势，已然成为白酒最具发展潜力的香型之一[3]。
随着白酒市场的规模化及酱香型白酒品牌价值的不断上升，各类酱香型白酒真实性问题日益凸显，其中以食用酒精掺伪(也称串酒)的造假成本最低，危害尤为严重，也是政府和白酒行业大力整治的对象。串酒主要分为生串和熟串两类，其中生串是直接拿食用酒精加水降度，然后再加入酱香味的香精香料混合而成；熟串则是用传统酱香酒轮次结束后准备丢弃的酒糟，加入食用酒精再次蒸煮取出来的所谓“酱酒”，在此基础上，有的商家还会加入一些传统酱香调味酒以掩盖其生酒精味，以达到以假乱真的效果[4][5]。普通消费者对此较难识别，长此以往，不仅损害了消费者利益，扰乱了市场环境，而且将会对酱香型白酒的市场信誉产生极为不良的影响。
目前，白酒掺假识别主要依靠传统的感官品评法来进行鉴别，这种方法对个人的品评能力要求较高，易受个体和环境因素影响，且只能得到描述性结果，无法进行直观量化的表达[6]。现代分析技术方面，白酒品质及掺假的鉴别技术有电子舌[7][8]、气相色谱-离子迁移谱(Gas chromatography-ion mobility spectroscopy,GC-IMS)[9][10][11][12]、拉曼光谱[13][14]、质谱[15]以及稳定碳同位素[16]等分析手段。在白酒食用酒精掺伪方面，稳定同位素比值(Isotope ratio mass spectrometry,IRMS)法[17][18][19]较为常用，通过对白酒中风味物质的稳定碳同位素进行检测分析，分析其稳定碳同位素的分布范围，进而判断是否掺有食用酒精；也有研究人员采用大气压固体分析探头(Atmospheric pressure solids analysis probe,ASAP)-飞行时间质谱仪(Time of fight mass spectrometer,TOF-MS)结合多元统计学方法进行食用酒精掺伪鉴别[5]，但以上2种方法的仪器昂贵，检测及运营成本高、操作复杂，对仪器操作人员的要求较高，不利于推广。因此，需要一种操作简单、成本低、快速且适用性较广的鉴别方法。
本实验采用气相色谱-氢火焰离子化检测器技术建立酱香型白酒的风味骨架成分的检测方法，并对其进行了严谨的方法学考察，通过准确定性定量分析酒样中的12种风味骨架成分，基于正交偏最小二乘法(Orthogonal partial least squaresdiscriminant analysis,OPLS-DA)建立酱香型白酒的酒精掺伪识别模型，对“串酒”进行识别，为酱香型白酒酒精掺伪的鉴定技术以及打击酱酒酒精掺伪违法行为提供方法参考。
1 材料与方法
1.1 材料与试剂
酒样：酱酒“串酒”样品30个，为市场监督管理局查处的送检样品；酱香型白酒30个，为国内知名酒类公司生产的酱香型白酒样品，酒精度均为53%vol。
乙醛、甲醇、乙酸乙酯、乙缩醛、仲丁醇、正丙醇、异丁醇、丁酸乙酯、正丁醇、异戊醇、己酸乙酯、乳酸乙酯标准物质、乙酸正丁酯(内标)：上海阿拉丁生化科技股份有限公司；乙醇：色谱纯，上海麦克林生化科技股份有限公司。
1.2 仪器与设备
气相色谱仪；ZKAT-LZP 930.2a色谱柱：30 m×0.32 mm，兰州中科安泰分析科技有限责任公司；10～1000μL的移液器：德国普兰德公司。
1.3 实验方法
1.3.1 样品前处理
准确吸取1.0 mL的样品置于2 mL的进样小瓶中，加入10μL乙酸正丁酯内标溶液，充分混匀，待测。
1.3.2 气相色谱条件
色谱柱：ZKAT-LZP 930.2a,30 m×0.32 mm。柱温：初温40℃，保持7 min，以5.0℃/min升到90℃，以15℃/min升到200℃，保持3 min。检测器温度：250℃。进样口温度：230℃。载气流速：1.0 mL/min。氢气流量：30 mL/min。空气流量：400 mL/min。进样量：1.0μL。进样方式：分流进样，分流比为30:1。
1.3.3 定量分析
配制体积分数50%乙醇溶液作为标准曲线配制溶液，加入已知浓度待测物标准储备液，并进行梯度稀释，制成系列待检标准化合物溶液。加入同样品一致浓度的内标溶液(乙酸正丁酯)，进行GC检测分析，检测条件与1.3.2一致。
以待测物与相应内标物质的峰面积比为纵坐标，质量浓度比为横坐标，使用Agilent Chemstation建立内标曲线并计算每种化合物的质量浓度，从而定量得到各风味成分的含量，每个组分测定3次，取平均值。同时以真实酱酒样品重复进样6次考察方法的稳定性和精密度，以加标回收方式考察方法的准确性，以3倍信噪比对应的浓度作为测定方法的检出限(Limit of detection,LOD)浓度、10倍信噪比对应的浓度作为定量限(Limit of quantifcation,LOQ)浓度。
1.3.4 鉴别模型的建立
通过定量分析得到各酒样香气成分的含量后，随机选择所检测酒样的1/3作为测试集，用于后续模型验证，剩下2/3作为训练集，采用SIMCA 14.1软件构建OPLS-DA鉴别模型，将训练集数据导入SIMCA软件，酒样名称定为Primary ID，酒样类型定为Class ID；将测试集导入OPLS-DA鉴别模型，进行可视化识别，同时计算鉴别准确率。
2 结果与分析
2.1 方法的线性范围、LOD及LOQ
将以50%体积分数的乙醇溶液配制得到的12种系列混合标准曲线溶液(内标浓度：0.172 g/L)，按1.3.2的色谱条件进行检测，内标法定量，同时进行回归分析；计算12种风味成分的LOD和LOQ。结果如表1所示，12种风味物质的线性关系良好，线性相关系数(r)均大于0.998，方法的检出限为0.0016～0.0206 g/L，定量限为0.0052～0.0601 g/L。
表1 12种风味物质的线性关系、LOD和LOQ
2.2 精密度和稳定性
精密度：取6个平行酱酒样品，按照1.2.1的方法进行前处理，上机，测定风味物质的相对峰面积(目标成分的峰面积/内标的峰面积)和峰保留时间，计算相对标准偏差(Relative standard deviation,RSD)。结果见表2,12种风味物质的相对峰面积RSD为0.17%～2.15%，保留时间的RSD为0.00%～0.03%，说明该方法精密度良好。
稳定性测试：取阳性样品，分别在0、3、6、12、24 h各进样一次，记录不同时间点12种风味物质的峰面积，计算RSD。由表2可知，RSD为0.27%～2.08%，说明24 h内样品测定结果稳定性良好。
表2 12种风味成分的精密度和稳定性
2.3 回收率实验
为考察该方法的准确性，实验以50%vol乙醇溶液模拟酒样，并向其中添加低、中、高3个水平浓度的12种风味成分的标准溶液，每组3个平行，计算各成分的回收率及RSD。由表3可知，各成分的平均回收率为83.44%～105.68%,RSD<5%，满足实验准确度要求。
表3 12种风味成分的回收率实验结果(n=3)
2.4 实验样品的定量分析
经方法学验证，可知该方法线性良好，稳定性、精密度及准确度均符合检测分析要求。将60批次待测酒样按照1.3.2的方法处理后，上机，获得酒样的气相色谱图(图1)后，内标法定量，整理12种风味组分的定量结果，为鉴别模型的建立和验证做数据准备。
图1酱香型白酒样品风味成分色谱图
注：1为乙醛；2为甲醇；3为乙酸乙酯；4为乙缩醛；5为仲丁醇；6为正丙醇；7为丁酸乙酯；8为异丁醇；9为乙酸正丁酯(内标)；10为正丁醇；11为异戊醇；12为己酸乙酯；13为乳酸乙酯。
2.5 鉴别模型的建立
图3置换检验结果
将随机选择2/3的训练集酒样的定量数据导入SIMCA软件，酒样名称设为Primary ID，类型定为Class ID，建立OPLS-DA鉴别模型。由图2可知，酱酒酒样与串酒酒样在模型中分离效果良好，模型的解释变量R2Y=0.954，模型预测能力Q2=0.939。此外进行了200次的置换检验，结果见图3。由图3可知，置换检验R2的截距为0.0907,Q2截距为–0.444，并且图中左侧的点均低于右侧的点，说明该模型不存在过拟合，可用来对酱酒和“串酒”进行鉴别。
2.8 模型的验证
图4 OPLS-DA验证模型分布图
将随机选择的1/3测试集酒样的定量数据代入模型，从而对模型的识别分类准确度进行评价，其中酱酒酒样10个(T1～T10)，串酒酒样10个(T11～T20)，结果见图4。由图4可知，测试集样品均正确分布，模型测试正确率为100%，说明所建模型对酱酒酒样和串酒酒样具有良好的识别能力。
3 结论
本文建立了一种气相色谱快速测定酱香型白酒中12种骨架风味成分(乙醛、甲醇、乙酸乙酯、乙缩醛、仲丁醇、正丙醇、异丁醇、丁酸乙酯、正丁醇、异戊醇、己酸乙酯、乳酸乙酯)的检测方法，并对方法的检出限、定量限、重复性、精密度以及回收率进行了方法学考察。通过内标法准确定量，对酱香型白酒和“串酒”样品进行测定，利用SIMCA软件建立了OPLS-DA判别模型，模型的解释变量R2Y=0.954，预测能力Q2=0.939；置换检验R2的截距为0.0907,Q2截距为–0.444，且图中左侧的点均低于右侧的点，说明该模型不存在过拟合，对酱酒和“串酒”具有较好的分类效果。通过模型验证实验，“串酒”识别正确率可达100%。该方法前处理简便，分析时间较短，具有良好的线性关系、灵敏度、稳定性和准确性，为食用酒精掺伪检测提供了快速筛查方案。另外，该方法对仪器设备要求相对较低，可在大部分实验室之间进行推广，为监管机构在打击酱香型白酒中食用酒精掺伪这一违法行为提供方法。