Fast Analysis of Beverages using a Mass Spectral Based Chemical Sensor

Aplikace | 2003 | GERSTELInstrumentace
GC/MSD, HeadSpace, SPME, GC/SQ
Zaměření
Potraviny a zemědělství
Výrobce
Agilent Technologies, GERSTEL

Význam tématu


V potravinářském i nápojovém průmyslu je klíčové rychlé a spolehlivé odhalení falšování, kontaminace či nehomogenity výrobků. Masově spektrální senzory ve spojení s multivariační analýzou poskytují vysokou rychlost měření i dostatečnou robustnost vůči vlhkosti nebo teplotním výkyvům, což je zásadní pro rutinní QA/QC i výzkumné aplikace.

Cíle a přehled studie


Autoři studie zkoumali tři druhy nápojů – víno, pomerančový džus a pivo – s cílem demonstrovat schopnosti masově spektrálního senzoru Gerstel ChemSensor rychle detekovat:
  • adulteraci a míchané vzorky vína (Merlot vs. Cabernet Sauvignon),
  • přítomnost diacetylu v pomerančovém džusu v nízkých ppm koncentracích,
  • rozdíly mezi čerstvě otevřeným a stárnutým pivem a rozlišení různých druhů piva.

Použitá metodika a instrumentace


Ve všech případech byly analyzovány hlavy vzorku (headspace) a masové spektrální otisky (fingerprint) měřeny kvadrupólovým masovým spektrometrem bez chromatografické separace (při vínech a džusech) nebo s integrovanou kapilární GC (u piva). Pro pivo se navíc používalo extrakční vlákno SPME CAR/PDMS.
  • Gerstel Headspace ChemSensor (MSD, přímý HS přenos)
  • Gerstel ChemSensor System s kapilární GC a MSD
  • SPME s 75 µm CAR/PDMS vláknem (pivo)
  • Softwarové nástroje: PCA, PLS, KNN pro multivariační rozpoznání vzorů

Hlavní výsledky a diskuse


Víno:
  • Model cascading: nejprve KNN klasifikace na čisté od blendovaných vzorků, pak PLS regrese pro určení procentuálního podílu Merlotu vs. Cabernet.
  • PLS model se 3 latentními proměnnými dosáhl r_cal=0,996 a SEC=4 % pro míchané vzorky.

Pomerančový džus:
  • PCA model detekoval diacetyl již od 10–50 ppm, přičemž spektrální odčítání umožnilo vyčlenit ionty charakteristické pro diacetyl.

Pivo:
  • PCA oddělila pět německých Pilsnerů včetně varianty v plechu a lahvi.
  • PCA nástrojem bylo možné monitorovat postupné stárnutí (3 a 6 dní) čerstvě otevřeného piva, identifikovat úbytek esterů (ethyl-acetát, 3-methylbutyl-acetát, ethyl-hexanoát, ethyl-oktanát).

Přínosy a praktické využití metody


Díky rychlému headspace měření bez složité přípravy lze snadno zavést on-line kontrolu kvality nápojů v průběhu výroby i distribuce. Metoda usnadňuje:
  • detekci falšování a kontaminantů v reálném čase,
  • sledování konzistence šarží,
  • monitorování stárnutí a kvality během skladování.

Budoucí trendy a možnosti využití


  • rozšíření počtu analyzovaných markerů a zdokonalení SIM režimu pro vyšší citlivost,
  • integrace s automatizovanými linkami pro on-line QC a signalizaci PASS/FAIL,
  • využití strojového učení a pokročilých algoritmů ke zpracování rozsáhlých masových dat.

Závěr


Gerstel ChemSensor a ChemSensor System prokazují, že je možné dosáhnout rychlé, spolehlivé a citlivé detekce adulterace, kontaminantů či chemických rozdílů v nápojích. Kombinace kvadrupólového MSD a multivariační chemometrie umožňuje zavedení efektivní kontroly kvality bez kompromisů v přesnosti.

Reference


  1. V.R. Kinton, R.J. Collins, B. Kolahgar, K.L. Goodner. Fast Analysis of Beverages using a Mass Spectral Based Chemical Sensor. Gerstel AppNote 4/2003.

Obsah byl automaticky vytvořen z originálního PDF dokumentu pomocí AI a může obsahovat nepřesnosti.

PDF verze ke stažení a čtení
 

Podobná PDF

Wine Discrimination using a Mass Spectral Based Chemical Sensor
Detection of Spoilage Markers in Food Products using a Mass-Spectrometry Based Chemical Sensor
Discrimination of Different Beer Sorts and Monitoring of the Effect of Aging by Determination of Flavor Constituents Using SPME and a Chemical Sensor
Use of a Mass Spectral Based Chemical Sensor to Discriminate Food and Beverage Samples: Olive Oils and Wine as Examples