论文部分内容阅读
超临界流体萃取作为一种新型的分离技术已经在环保、制药、化妆品等高附加值产品领域展示出了巨大的应用前景。试验研究是超临界流体萃取过程开发与设计的基础，对一定的萃取体系而言，最佳工艺参数的确定、传质机理的探讨、相平衡热力学特性的描述乃至过程优化设计与控制等，均离不开扎实的试验研究工作。本文从试验研究出发，通过分析各工艺条件对超临界CO2萃取花生油的影响，判定了各因素的显著程度。在MATLAB软件环境下依靠人工神经网络方法，建立了BP神经网络，用已有试验数据训练该网络，然后预测其他试验条件下的出油率，并找出最佳出油率点，得到了较好的模拟预测效果。
本文主要研究内容和结论如下：
(1)正交实验结果表明，在超临界CO2萃取花生油的过程中，萃取温度、萃取压力和萃取时间的极差分别为4.2、22.4、10.2，分别是第一水平、第三水平和第三水平最好，故最好方案为B3C3A1。
(2)选用输入层为三结点、输出层为一结点的三层BP神经网络，在使用6个隐层神经元时，网络结构最优；通过算法的比较，可以看出采用Levenberg-Marquardt法的神经网络收敛速度最快。用训练后的人工神经网络预测其他萃取条件下的萃取率，预测误差2％左右。
(3)运用人工神经网络绘制出了超临界CO2密度、萃取时间对产率影响的三维图形。搜索出最佳出油率点(0.05，0.95，0.95)，与第三章试验分析得出的结论一致，证明了神经网络方法的正确性。由于训练数据主要分布在高密度区，因此该图在高密度区域具有较高的可靠性。
(4)探讨了超临界CO2萃取花生油的工业化放大生产的可行性。认为工业化生产装置与试验装置几何相似，在神经网络搜索的最佳萃取条件(40℃，30MPa，80min)下，同时采用试验研究时使用的超临界CO2流体和萃取物料物质量之比，则超临界CO2萃取花生油的工业化生产过程，操作上是可行的，经济上也是可以承受的。