随着现代高校“双一流”建设的逐步深入，大型仪器共享平台的广泛、灵活应用将成为科研工作的一大助力，而仪器使用培训则是大型仪器共享平台可持续发展的重要基础。在信息化教学快速发展的背景下，依托智慧教学工具“雨课堂”创建仪器“线上课堂”培训新模式，可弥补大型仪器现有培训模式的不足。以总有机碳分析仪为例，探究如何创建大型仪器使用培训新模式，并详细诠释了新型培训模式对培训与学习过程产生的改变。经验证，建立大型仪器培训新模式既能提高仪器的运作效率，又能培养学生的综合创新能力，还能服务于“双一流”高校的高水平学科建设与人才培养。

总有机碳是以碳含量评价水质有机污染的指标, 可以反映水体受污染程度。 目前地表水总有机碳检测多采用现场取样后实验室分析检测方法, 该方法存在费时费力、 操作复杂、 二次化学污染等缺点。 紫外-可见光谱法具有环保、 操作简便、 可实时在线原位检测等优点, 在地表水总有机碳检测中具有很好的应用前景。 针对总有机碳检测问题, 采用了一种基于自适应增强学习的区间偏最小二乘回归方法, 该方法将总有机碳吸收光谱波段分为若干子区间, 初始化训练样本权重, 依次在各子区间建立偏最小二乘回归模型, 根据子区间模型预测误差率计算该子区间预测结果的权重系数, 并更新下一子区间训练样本权重, 最后将各子区间模型预测结果线性加权得到总有机碳的检测结果。 实验配制总有机碳标准溶液浓度25~150 mg·L^-1共43个样品, 第一时间段采集35个总有机碳标准样品光谱分为训练集和测试集, 建立并验证总有机碳检测算法模型。 为评价算法模型鲁棒性, 在另一时间段采集剩余的8个标准样品光谱进行反测验证。 实验结果表明, 采用基于自适应增强学习的区间偏最小二乘回归法建立的总有机碳定量模型具有较高的精度和鲁棒性, 分组验证和反测验证的预测均方根误差分别为1.304和1.533 mg·L^-1, 均优于偏最小二乘回归和极限学习机方法。 为进一步验证该方法的有效性, 使用该建模方法预测生活污水的总有机碳含量。 实际地表水样本取样于河北石家庄藁城污水处理厂排污口污水及河北先河公司园区的生活污水, 经稀释后共获得50组地表水样本, 采用SPXY方法分为训练集33组水样, 测试集17组水样。 在实际水样检测中, 采用净信号分析方法进行光谱预处理, 降低总有机碳与其他水质参数间的交叉干扰; 分组验证预测均方根误差为3.26 mg·L^-1, 平均绝对值百分比误差为3.46%。 综上所述, 基于自适应增强学习的区间偏最小二乘回归方法, 可以快速准确地对地表水中总有机碳进行检测, 为在线水质总有机碳检测提供了方法支撑。

为了快速检测油页岩总有机碳(TOC)含量, 以松辽盆地某区块所取岩芯为研究对象, 测量230个岩石样本的TOC含量和近红外光谱数据。 利用蒙特卡洛法剔除异常样本14个, 剩余的216个样本进行去趋势加基线校正方法预处理, 采用连续投影算法(SPA)、 无信息变量消除算法以及竞争自适应算法选取特征波长。 使用SPXY方法对样本按照2:1的比例划分为144个校正集和72个验证集, 然后建立线性的偏最小二乘(PLS)模型以及非线性的支持向量机(SVM)模型和随机森林(RF)模型对油页岩TOC含量进行预测。 采用测定系数(R²)和均方根误差(RMSE)作为模型的评价指标, 探究不同特征波长选择方法对油页岩总有机碳建模的影响, 比较不同建模方法对油页岩TOC含量预测的准确度。 结果表明, 特征波长提取能够起到优化模型的作用。 SPA, UVE和CARS分别提取了16, 253和65个波长, 经过特征波长提取后模型测定系数均有提高, 均方根误差均有下降, 这说明进行特征波长优选对于简化模型、 提高模型运算速度发挥着很重要的作用。 此外, 非线性的RF和SVM模型性能要优于线性模型PLS。 这是因为油页岩中的碳存在于各类烃的中, 不同类别含烃基团的吸收峰之间相互影响, 使得油页岩总有机碳含量和近红外光谱数据之间存在着复杂的非线性关系, 因此, 非线性的SVM和RF模型能够表现出更好的效果。 相比于其他模型, CARS-SVM模型验证集的测定系数($R_{v}^{2}$)和均方根误差(RMSEV)表现出的结果较好, 分别达到了0.906 6和0.222 0, 该模型能够用于油页岩总有机碳含量的快速检测。 研究结果说明, 近红外光谱分析应用于油页岩TOC含量快速检测是可行的; 建立的CARS-SVM模型能够表现出较好的预测效果, 为我国油页岩TOC含量快速检测提供了一种新的方法和思路。