Идентификация сливочного масла методами ИК-спектроскопии и многомерного анализа Текст научной статьи по специальности «Прочие технологии»

ОБОРУДОВАНИЕ И ГГ-ТЕХНОЛОГИИ

УДК 637.225(045) DOI 10.24411/0235-2486-2020-10033

идентификация сливочного масла методами 1/1К-спектроскопии и многомерного анализа

Д.А. Метленкин*, аспирант; Ю.Т. Платов, д-р техн. наук; А.Е. Рубцов, канд. хим. наук Российский экономический университет имени Г.В. Плеханова

Дата поступления в редакцию 11.11.2019 * dametl@mail.ru

Дата принятия в печать 27.03.2020 © Метленкин Д.А., Платов Ю.Т., Рубцов А.Е., 2020

Реферат

Проанализировано применение методов ИК-спектроскопии в сочетании с хемометрическими методами для подтверждения подлинности (аутентичности) сливочного и растительно-сливочного масла. Для построения калибровочных моделей идентификации масел была сформирована база данных ИК-спектров (калибровочный и тестовый наборы), применены алгоритмы многомерной регрессии (регрессия на главные компоненты, проекция на латентные структуры), произведен выбор спектрального интервала и числа латентных переменных. Калибровочный набор составлен из 7 смесей сливочного и пальмового масла в различных концентрациях, тестовый набор составлен из 13 коммерческих образцов сливочного и растительно-сливочного масла. В процессе последовательного моделирования были разработаны калибровочные модели прогнозирования содержания пальмового масла. Модели отличались по спектральным интервалам и числу факторов (латентных переменных). При анализе спектральных данных выявлены наиболее интенсивные пики полос ИК-спектра при 2928, 2851, 1740 и 1161 см-1, связанные с наличием в образцах масла белковых и жировых связей и вносящие значительный вклад в дискриминацию образцов. Наиболее репрезентативная модель, полученная методом проекции на латентные структуры, включала два спектральных интервала 3110-2730, 1790-600 см-1 и отличалась высоким качеством ^2(Р)=0.989) и точностью (RMSEP=0.017). Проверка качества и точности модели была осуществлена посредством полной перекрестной кросс-валидации и тест-валидации коммерческих образцов. Посредством использования репрезентативной модели определено содержание пальмового масла в коммерческих образцах. По калибровочной модели выявлен образец из тестового набора с (ассортиментной) фальсификацией сливочного масла. Достигнутые результаты свидетельствуют о перспективности применения сочетания оптических и хемометрических методов для ассортиментной и качественной идентификации сливочных и растительно-сливочных масел взамен традиционным методам.

Ключевые слова

продукты питания, ИК-спектроскопия, аутентификация подлинности, хемометрика, проекция на латентные структуры, регрессия на главные компоненты, сливочное масло, пальмовое масло

Для цитирования

Метленкин Д.А., Платов Ю.Т., Рубцов А.Е. (2020) Идентификация сливочного масла методами ИК-спектроскопии и многомерного анализа // Пищевая промышленность. 2020. № 3. С. 58-61.

Identification of butter using IR spectroscopy and multivariate analysis

D.A. Metlenkin*, graduate student; Yu. T. Platov, Doctor of Technical Sciences; A.E. Rubtzov, Candidate of Chemical Sciences Plekhanov Russian University of Economics, Moscow

Received: November 11, 2019 * dametl@mail.ru

Accepted: March 27, 2020 © Metlenkin D.A., Platov Yu. T., Rubtzov A.E. , 2020

Abstract

The application of the methods of IR spectroscopy in combination with chemometric methods to confirm the authenticity of butter and vegetable butter was investigated. To build calibration models, a database of IR spectra (calibration and test sets) was formed, multivariate regression algorithms were used (principal component regression, projection to latent structures), the spectral interval and the number of principal components were selected. The calibration set was made up by 7 mixtures of butter and palm oil in various concentrations, the test set was made up by 13 commercial samples of butter and vegetable oil. In the process of sequential modeling calibration models for predicting palm oil content were developed. Models differed in spectral intervals and the number of factors (latent structures). The IR spectrum at 2928, 2851, 1740, and 1161 cm-1 is associated with the presence of protein and fatty bonds in the samples and makes a significant contribution to the discrimination of samples. The most representative model was obtained by projection onto latent structures algorithm, including two spectral ranges of 31102730, 1790-600 cm-1 and characterized by high quality (R2(P) = 0.989) and accuracy (RMSEP = 0.017). Verification of quality and accuracy of the calibration model was carried out through full cross-validation and test-validation of commercial samples. By using a representative model, palm oil content in commercial samples was determined. Via calibration model a sample from a test set with adulteration was detected. The results indicate the promise of using combination of optical and chemometric methods for the assortment and quality identification of butter and vegetable oils instead of traditional methods.

Key words

food products, IR-spectroscopy, authentication, chemometrics, projection to latent structures, principal component regression, butter, palm oil For citation

Metlenkin D.A., Platov Yu. T., Rubtzov A.E. (2020) Identification of butter using IR spectroscopy and multivariate analysis // Food processing industry = Pischevaya promyshlennost'. 2020. No. 3. P. 58-61.

Введение. Молочный жир является одним из самых ценных жиров для питания человека и дорогостоящим сырьем, которое используется в производстве различных молочных продуктов. При фальсификации молочных продуктов высококачественные компоненты заменяются дешевыми аналогами без указания в маркировке конечного продукта. Например, для снижения себестоимости добавляют в состав сливочного масла кокосовое, пальмовое, пальмоядровое масло или заменители сливочного жира.

Фальсификацию и искажение информации часто трудно обнаружить из-за сложных методов идентификации молочных продуктов. Идентификация осуществляется различными методами, такими как дифференциально ска нирующа я калориметрия (ДСК), термогравиметрический анализ (ТГА), дифференциально-термический анализ (ДТА) [1]. Методы газовой и газожидкостной хроматографии на данный момент являются стандартными для определения жирнокислотного состава и выявления фальсификации животных и растительных масел (ГОСТ 31979-2012, 31663-2012). Указанные методы трудоемкие, могут быть требовательными относительно пробоподготовки, а также для их применения необходима высокая квалификация оператора.

Метод ИК-Фурье спектроскопии позволяет выявлять подлинность и определять качество сливочного масла [2, 3]. Многие авторы, как отечественные [4-6], так и зарубежные [7-10], отмечают преимущества метода ИК-Фурье спектроскопии в сочетании с хемометрическими методами. Хемометрика решает задачи извлечения наиболее важной информации из набора экспериментальных данных. Авторам исследования [7] удалось решить задачу аутентификации молочных продуктов в случаях подмены животного сырья. В работе [9] была решена задача выявления фальсификации сливочного масла растительными маслами на основе алгоритма проекции на латентные структуры (ПлС). Авторы отмечают высокую точность метода, скорость проведения исследования, а также относительную простоту его применения.

Для решения проблем такого типа -построения моделей ассортиментной, качественной и количественной идентификации пищевых продуктов - широко используют хемометрические методы, позволяющие повысить эффективность оптических методов [2]. На основе полученных ИК-спектров предложена методология анализа пищевых продуктов сложного состава с применением хемометри-ческих методов [3], с помощью которой разрабатывают методики идентификации пищевых продуктов даже в случаях перекрывания спектральных сигналов.

Сочетание методов ИК-спектроскопии и хемометрики позволяет проводить исследования on line и in situ, то есть в интерактивном режиме и на месте, что значительно ускоряет процесс аутентификации продукции [2]. Однако, с другой стороны, для построения калибровочной модели

необходимо сформировать базу данных (обучающую, калибровочную и тестовую, проверочную выборки), провести предварительную обработку ИК-спектров и исследовательский анализ данных (обнаружение выбросов и их удаление из набора данных, определение количества латентных переменных и другие процедуры) и валидацию модели [3, 4].

Цель исследования - решение задачи ассортиментной и качественной идентификации и построения калибровочной модели определения содержания пальмового масла в составе сливочного и растительно-сливочного масла.

Объекты и методы исследования.

В качестве объектов исследования использовалось два набора образцов: калибровочный (обучающий) и тестовый (проверочный) для проверки адекватности хемометрической модели.

Для формирования калибровочного набора образцов использовали пальмовое и сливочное масло. В качестве образца-эталона сливочного масла с гарантированным составом использовалось сливочное масло «Рузское», массовая доля молочного жира 82,5 %. Этот образец был принят за эталон в соответствии с данными исследования, в котором по результатам комплексного исследования он получил наивысшую оценку [11]. В соответствии с протоколами испытаний данный образец полностью соответствует требованиям нормативных документов по органолептическим и химическим показателям, показателям безопасности, а также не содержит в своем составе масел растительного происхождения [11]. Для подготовки калибровочного набора образцов (A) был использован образец пальмового масла - масло пальмовое рафинированное отбеленное дезодорированное («DUKE'S», Малайзия). Всего было приготовлено 7 смесей, в концентрациях от 5 до 50 % (n=7). Смеси сливочного и пальмового масел заданного состава получали при плавлении на водяной бане, при температуре 57 °С.

Тестовый набор (B) составлен из 13 образцов сливочного и растительно-сливочного масла, приобретенных в розничных торговых сетях России и Болгарии.

ИК-спектры образцов из калибровочного и тестового наборов регистрировали с помощью ИК-Фурье спектрометра Bruker ALPHA с алмазным модулем НПВО в средней инфракрасной области спектра 4000-400 см-1. Регистрацию спектров образцов из калибровочного набора проводили в 10 повторениях, а для образцов из тестового набора в 5 повторениях. До и после проведения анализа кристалл спектрометра очищался промышленным спиртом. С помощью встроенного программного обеспечения (OPUS 7.3.5) из каждого спектра автоматически вычитались фоновые шумы, и проводилась нормализация спектральных данных.

Хемометрический анализ выполнялся с помощью программного комплекса

Unscrambler X 10.0.4 (Camo Software). ИК-спектры были объединены в матрицу X размерностью 75x1748, где 75 -количество строк, которые соответствуют спектрам образцов, а 1748 - количество столбцов, соответствующих отсчетам на различных длинах волн (разрешающая способность спектрометра 2 см-1). Для построения калибровочной модели использовалась база данных, состоящая из двух блоков: первый блок X - матрица ИК-спектров образцов из калибровочного и тестового наборов, второй блок Y - матрица содержания пальмового масла в составе смесей из калибровочного набора.

Проверка качества и точности калибровочной и прогностической моделей осуществлялась методом полной перекрестной валидации с использованием статистических показателей: R2 (коэффициент детерминации), RMSEV, RMSEP (Root Mean Square Error, среднеквадратичная ошибка валидации и прогноза соответственно). Полная перекрестная валидация предполагает удаление фиксированной доли из исходного набора данных и построение модели на оставшихся данных. Эта процедура повторяется до тех пор, пока все данные не побывают в числе исключенных [2].

Результаты и обсуждение. Анализ спектров образцов проведен в два этапа. На первом этапе проведено сравнение спектров и определены различия между образцами из калибровочного и тестового наборов. На втором этапе проведены построение калибровочной модели на основе хемометрических алгоритмов и проверка ее достоверности на тестовом наборе.

Спектры исследуемых образцов имели несущественные различия, а прямое сравнение спектров не позволяет осуществить ассортиментную и качественную идентификацию. в спектрах образцов масла преобладали типичные пики, которые могут быть отнесены к функциональным группам (жирные кислоты и эфиры). в связи с тем, что в сливочном масле присутствует большое количество функциональных групп (гидроксильные группы, кислоты, сложные эфиры, алифатические цепи жирных кислот и т. д.), это усложняет как процесс определения продукта по незначительным изменениям в спектрах, так и градацию образцов масла по составу.

Наиболее интенсивные пики полос спектра были обнаружены при 2928, 2851, 1740 и 1161 см-1, которые связаны с наличием в образцах масла белковых и жировых связей [7]. Типичная спектральная область для жиров расположена в диапазоне от 1800 до 1400 см-1, которая включает в себя валентные колебания C-H, деформационные колебания C=O и C=C [11]. Пики абсорбции соответствовали различным конкретным диапазонам в видимой области ИК-спектра, а именно:

• 2921 см-1 - валентные колебания C-H в жирных кислотах;

• 2851 см-1 - валентные колебания C-H в жирных кислотах. Данный пик является типичным для пальмового масла, интенсивность поглощения растет пропорцио-

ОБОРУДОВАНИЕ И 1Т-ТЕХНОЛОГИИ

нально с увеличением процентного содержания пальмового масла в смеси [9];

• 1740 см-1 - деформационные колебания С=0 в кислотах и эфирах;

• 1161 см-1 - валентные колебания С=0 и С-С в кислотах;

• 1650 см-1 - валентные колебания С=0 в амидах.

В процессе предварительного анализа построения калибровочной модели были поставлены и решены следующие задачи:

• осуществлен выбор оптимального из двух методов многомерной градуировки: регрессия на главные компоненты (РГК) и проекция на латентные структуры (ПЛС);

• построены калибровочные модели ПЛС с различающимся спектральным интервалом и количеством факторов (латентных переменных) для увеличения точности итоговой модели;

• проведена проверка эффективности итоговой модели на образцах из тестового набора.

На этапе предварительного анализа был использован метод рГК для определения количества главных компонентов и выбора спектрального интервала. При использовании метода РГК были определены области спектров образцов, которые вносят наибольший вклад, а также области с наименьшим вкладом, например, область от 4000 до 3110 см-1 (валентные колебания О-Н) была удалена при построении калибровочной модели. в результате проведенного анализа была получена оптимальная модель регрессии на главные компоненты (рГК) и выявлена область спектра от 3030 до 2780 см-1, которая определяет жировой состав образцов. несмотря на это, полученная модель рГК имеет высокую среднеквадратичную ошибку валидации и прогноза, а при ва-лидации модели на тестовом наборе образцов получены неудовлетворительные результаты. Поэтому модель РГК не может быть использована для достоверного определения фальсификации. Однако данные, полученные при применении метода РГК, позволили упростить построение калибровочных моделей методом ПЛС.

При использовании метода ПЛС проведено обнаружение выбросов в калибровочном наборе образцов по сочетанию F-статистики и критического уровня значимости статистики Т2 Хотеллинга. К выбросам, как правило, относятся те спектры, которые одновременно не соответствуют этим двум критериям. В наборе данных обнаружено 7 выбросов, которые не соответствуют только по одному из двух критериев, поэтому удаление их из модели нецелесообразно.

Результаты проведенного моделирования представлены в табл. 1.

Количество факторов определялось по графику объясненной дисперсии последовательно, до достижения высокой точности (RMSE) и качества модели №). Использование в модели большего числа факторов может привести к переоценке, которая сопровождается моделированием шумов, а не содержательной информации. Наиболее репрезентативной моде-

Таблица 1

Проверка качества и точности калибровочных моделей идентификации сливочного

масла

Метод Спектральный интервал Число факторов Наименование выборки RMSEV/RMSEP R2(V)/R2(P)

РГК 3030-2780 см-1 2 Обучающая 3.5149e-04 0.978

Проверочная 4.3143e-04 0.967

ПЛС 1 4000-400 см-1 5 Обучающая 0.018 0.986

Проверочная 0.025 0.975

ПЛС 2 3110-400 см-1 4 Обучающая 0.017 0.988

Проверочная 0.022 0.981

ПЛС 3 3110-2730, 1790- 600 см-1 4 Обучающая Проверочная 0.014 0.017 0.991 0.989

Образцы растительно-сливочного масла

Образец сливочного масла

пе.гзиа^йх^пс!*^!!-^ г я т; 4- ь г -зга^гасчвя! илоийчии '¿-лмг.й-й^ча'Э «-¡р ге^и^

Образцы

Рис. 2. Количественная идентификация содержания пальмового масла в образцах сливочного масла из тестового набора по калибровочной модели ПЛСЗ

Таблица 2

Количественное содержание пальмового масла в образцах из тестового набора

Наименование Содержание пальмового масла, % Отклонение, %

Образец растительно-сливочного масла №1 50 ±7,5

Образец растительно-сливочного масла №2 52,3 ±9,6

Фальсифицированный образец сливочного масла 65,4 ±5,6

лью является модель ПЛС3, содержащая 4 фактора. Проверка качества калибровочной модели ПЛС3 проведена по коэффициенту детерминации (R2(P) =0.989), а точность модели - по среднеквадратичной ошибке прогноза (RMSEP=0.017). Значение RMSEP и R2(P) вычисляют аналогично RMSEV и R2(V), но только для образцов из калибровочного набора методом полной перекрестной валидации.

с помощью полученной калибровочной модели Плс3 осуществлена количественная идентификация содержания пальмового масла в образцах из тестового (проверочного) набора (n=13) - рис. 2.

Проведена валидация калибровочной модели ПЛС3 по ИК-спектрам тестового набора образцов и выявлено: 10 образцов не содержат пальмового масла (сливочное масло); в 2 образцах обнаружено пальмовое масло (согласно маркировке образцов, они относятся к растительно-сливочному маслу); а в одном образце обнаружено пальмовое масло, что не указано на маркировке и соответственно является качественной фальсификацией. Количественное содержание обнаруженного пальмового масла в образцах из тестового набора представлено в табл. 2. Таким образом, построенная калибровочная модель отличается точностью и устойчивостью.

Заключение. Методы многомерной регрессии (регрессия на главные компоненты, проекция на латентные структуры) использованы для построения калибровочной модели подтверждения подлинности (аутентичности) сливочного масла.

Показана возможность применения сочетания методов ИК-спектроскопии и алгоритмов хемометрики для идентификации и выявления фальсификации сливочного масла.

Наилучшая модель, полученная с помощью метода ПЛС (RMSEP=0.017, R2=0.989), свидетельствует о перспективности применения хемометрических методов для качественной идентификации сливочного масла вместо традиционных методов.

ЛИТЕРАТУРА

1. Буданина, Л.Н. Определение состава спре-дов сливочного масла c пальмовым методами термического анализа/Л.Н. Буданина, А.Л. Верещагин, Н.В. Бычин // Техника и технология пищевых производств. - 2015. - Т. 38. - № 3.

2. Родионова, О.Е. Хемометрика: достижения и перспективы/О.Е. Родионова, А.Л. Поме-

ранцев // Успехи химии. - 2006. - № 75 (4). С. 302-321; Russian Chemical Reviews. - 2006. -№ 75 (4). - С. 271-287.

3. Монахова, Ю.Б. Методология хемометри-ческого моделирования спектрометрических сигналов в анализе объектов сложного соста-ва/Ю.Б. Монахова, С.П. Муштакова // Журнал аналитической химии. - 2017. - Т. 72. - № 2. -С. 119-128.

4. Авилова, И.А. Возможность использования метода ИК-спектроскопии при анализе сырья и продуктов растительного происхожде-ния/И.А. Авилова, Д.В. Хлыстов // Известия Юго-Западного государственного университета. Серия: Физика и химия. - 2014. - № 1. - С. 34-38.

5. Муллина, Э.Р. Современные физико-химические методы анализа продуктов пита-ния/Э.Р. Муллина, Л.В. Чупрова // Химические, нефтехимические и пищевые технологии. -2007. - № 3 (9). - С. 193-196.

6. Вытовтов, А.А. Определение подлинности и обнаружение фальсификации пищевых продуктов методом ИК-Фурье-спектромет-рии // Ученые записки СПб-филиала РТА. -2010. - № 1 (35) - С. 193-196.

7. Nurrulhidayah, A.F. Authentication analysis of butter from beef fat using Fourier Transform Infrared (FTIR) spectroscopy coupled with chemo metrics/A.F. Nurrulhidayah, Man Che, Y.B. Rohman [et aL.] // International Food Research Journal. -2013. - № 20 (3). - С. 1383-1388.

8. Kunal, Kishor. Analysis of Milk Adulteration Using MID-IR Spectroscopy - A Review/Kishor Kunal, Thakur RituLa // International Journal of Engineering Research and General Science. -2015. - № 3. - С. 696-698.

9. Lucian, Cuibus. Preliminary Discrimination of Butter Adulteration by ATR-FTIR Spectroscopy/ Lucian Cuibus, Ruben Maggio, VLad Muresan [et aL.] // Bulletin UASVM Food Science and Technology. - 2015. - № 72 (1). -С. 70-76.

10. Nurrulhidayah, A.F. FTIR-ATR Spectroscopy Based Metabolite Fingerprinting as A Direct Determination of Butter Adulterated With Lard/A.F. Nurrulhidayah, Y.B. Che Man, I. Amin [et aL.] // International Journal of Food Properties. -2015. - № 372 (18). - С. 372-379.

11. Исследование качества - масло сливочное 82,5%жирности //Роскачество: сайт.26.10.2016 URL: https: //rskrf.ru/ ratings/ produkty-pitaniya/moLochnye-produkty/masLo-sLivochnoe-82-5-zhirnosti/(дата обращения: 08.10.2018).

REFERENCES

1. Budanina LN, Vereshchagin AL, Bychin NV. OpredeLenie sostava spredov sLivochnogo masLa c paL'movym metodami termicheskogo anaLiza [Determination of the composition of butter spreads with palm thermal analysis methods]. Tekhnika i tekhnologiya pishchevyh proizvodstv

[Food Processing: Techniques and Technology]. 2015. Vol. 38. No. 3.

2. Rodionova OE, Pomerancev AL. Hemometri-ka: dostizheniya i perspektivy [Chemometrics: achievements and prospects]. Uspehi himii [Chemistry success]. 2006. No 75 (4). P. 302321; Russian Chemical Reviews. 2006. No. 75 (4). P. 271-287.

3. Monahova Yu B, Mushtakova SP. Metodologi-ya hemometricheskogo modelirovaniya spektro-metricheskih signalov v analize ob'ektov slozh-nogo sostava [The methodology of chemometric modeling of spectrometric signals in the analysis of complex objects]. Zhurnal analiticheskoj himii [Journal of Analytical Chemistry]. 2017. Vol. 72. No. 2. P. 119-128.

4. Avilova IA, Hlystov DV. Vozmozhnost' ispol'zovaniya metoda IK-spektroskopii pri analize syr'ya i produktov rastitel'nogo proiskhozhdeniya [The possibility of using the IR spectroscopy method in the analysis of raw materials and plant products]. Izvestiya Yugo-zapadnogo gosudarst-vennogo universiteta. Seriya: Fizika i Himiya [News of Southwestern university. Series: physics and chemistry]. 2014. No. 1. P. 34-38.

5. Mullina ER, Chuprova LV. Sovremennye fiziko-himicheskie metody analiza produktov pitaniya [Modern physico-chemical methods of food analysis]. Himicheskie, neftekhimicheskie i pishchevye tekhnologii [Chemical, petrochemical and food technologies]. 2007. No. 3 (9). P. 193-196.

6. Vytovtov AA. Opredelenie podlinnosti i obnaruzhenie fal'sifikacii pishchevyh produktov metodom IK-Fur'e-spektrometrii [Identification and detection of food fraud by IR Fourier spectrometry]. Uchenye zapiski SPb filiala RTA [Scientific notes of Russian Customs Academy -branch in Saint Petersburg]. 2010. No. 1 (35). P. 193-196.

7. Nurrulhidayah AF, Che Man, Rohman YuB, Amin I, Shuhaimi M. Authentication analysis of butter from beef fat using Fourier Transform Infrared (FTIR) spectroscopy coupled with ch-emometrics. International Food Research Journal. 2013. No. 20 (3). P. 1383-1388.

8. Kunal Kishor, Ritula Thakur. Analysis of Milk Adulteration Using MID-IR Spectroscopy - A Review. International Journal of Engineering Research and General Science. 2015. No. 3. P. 696-698.

9. Lucian Cuibus, Ruben Maggio, Vlad Muresan, Zorita Diaconeasa, Oana Lelia Pop, Carmen So-caciu. Preliminary Discrimination of Butter Adulteration by ATR-FTIR Spectroscopy // Bulletin UASVM Food Science and Technology. 2015. No. 72 (1). P. 70-76.

10. Nurrulhidayah AF, Che Man YB, Amin I, Arieff Salleh R, Farawahidah MY, Shuhaimi & A. Khatib M. FTIR-ATR Spectroscopy Based Metabolite Fingerprinting as a Direct Determination of Butter Adulterated With Lard. International Journal of Food Properties. 2015. No. 372 (18). P. 372-379

11. Issledovanie kachestva - maslo slivoch-noe 82.5 % zhirnosti. Roskachestvo [Quality research - butter, fat content 82.5%. Russian Quality]. 26.10.2016. URL: https: //rskrf.ru/rat-ings / produkty-pitaniya/molochnye-produk-ty/maslo-slivochnoe-82-5-zhirnosti/(date of the application: 08.10.2018).

Авторы

Метленкин Дмитрий Андреевич, аспирант, Платов Юрий Тихонович, д-р техн. наук, Рубцов Алексей Евгеньевич, канд. хим. наук

Российский экономический университет имени Г. В. Плеханова, 117997, Москва, Стремянный пер., д. 36, damet1@mai1.ru, raisa.p1atova@yandex.ru, ea1exru@gmai1.com

Authors

Dmitriy A. Metlenkin, graduate student,

Yuriy T. Platov, Doctor of Technical Sciences,

Alexey E. Rubtzov, Candidate of Chemical Sciences

Plekhanov Russian University of Economics, 36, Stremyanny lane,

Moscow, 117997, damett@mai1.ru, raisa.platova@yandex.ru,

ea1exru@gmai1.com