可視化設計與優(yōu)化及神經網絡用于獨活揮發(fā)油提取研究.pdf

1、本文采用超臨界CO2萃取技術提取獨活揮發(fā)油，對其提取工藝進行了較為系統(tǒng)的研究。選擇萃取壓力、萃取溫度、萃取時間和分離溫度為4個實驗影響因素，獨活揮發(fā)油提取率為實驗指標，采用本研究小組自主提出的多因素多水平可視化設計法(m2VD)設計安排實驗，運用多因素多水平可視化優(yōu)化法（m2VO）對實驗影響因素與實驗指標的關系進行分析，得到本實驗條件下最佳工藝范圍為：萃取壓力23.8～25.8MPa，萃取溫度56～60℃，萃取時間90～105min，分

2、離溫度52～58℃。在優(yōu)化區(qū)間內選做了三組驗證實驗，提取率均大于7.87％（高于設計實驗平均值為5.71％），研究證明，m2VD法設計安排實驗合理，m2VO法對實驗數據分析可靠，優(yōu)化結果可為超臨界CO2萃取工業(yè)化生產獨活揮發(fā)油提供工藝指導。
　　多因素多水平實驗結果采用常規(guī)的數學方法定量分析困難，本文對實驗結果數據采用三層拓撲結構為4-2-1的改進誤差反向傳播模型（MBP），建立起描述獨活揮發(fā)油提取工藝的人工神經網絡定量辨識模型。

3、采用“留二法”訓練模型，當訓練次數為42次時，誤差已達到10-5。利用訓練成功的神經網絡模型，用“五段分析法”研究各實驗影響因素對實驗指標的影響，分別系統(tǒng)地研究了萃取壓力、萃取溫度和萃取時間對獨活揮發(fā)油提取率的影響。在模型的指導下又做了大量的驗證實驗，實驗結果與模型計算吻合度很好，充分驗證了模型的準確性。進一步地進行了神經網絡逆向映射，從而做了靶向優(yōu)化研究，可以求得指定提取率下的相應工藝條件。
　　研究證明：神經網絡具有強大的非線