论文部分内容阅读
本课题对茶树花精油的超临界二氧化碳萃取进行了较为系统的研究。选择萃取压力、萃取温度、静态萃取时间、动态萃取时间及分离温度5个试验影响因素,以萃取物量为试验指标,采用多因素多水平试验可视化设计法(multifactor and multilevel visualizing design method,m2VD)设计安排试验,以多因素多水平可视化优化法(multifactor and multilevel visualizing optimization method,m2VO)对试验数据进行分析优化,得到试验优化的工艺范围:萃取压力19-22MPa,萃取温度50-60℃,静态萃取时间30-50min,动态萃取时间80-100min,分离温度40-50℃。在优化区内进行三组验证试验得到的萃取物量均在8g以上。 将萃取压力、萃取温度、静态萃取时间、动态萃取时间、分离温度5个试验影响因素作为输入层变量,萃取物量为输出层目标,隐含层选择2个神经元,采用三层拓扑结构为5-2-1的改进误差反向传播模型(Modified Back-Propagation即MBP),构建描述茶树花精油提取工艺的人工神经网络辨识模型。对试验数据采用“留二法”进行训练,经过7次训练,误差达到10-7。通过试验检验了模型的可靠性,并运用“5段分析法”研究各影响因素对试验指标的影响。对试验数据进行逆向映射建立靶向模型,得到指定萃取量的相应工艺条件,部分地实现了靶向优化。 SC-CO2萃取的萃取率在一定程度上由待萃取物质在SC-CO2中的溶解度决定,而待萃取物质的溶解度又与SC-CO2的密度有关。在给定静态萃取时间、动态萃取时间、分离温度的条件下,利用Jouyban-Chan-Foster方程建立萃取量与萃取压力、萃取温度及相应条件下SC-CO2密度间的关系式,并对试验数据进行非线性回归拟合求解出在两组不同静态萃取时间、动态萃取时间、分离温度下的各自的模型系数,通过试验检验了两个方程。为方便应用,在保证一定准确度的前提下,将密度函数作隐函数处理,直接建立萃取量与萃取温度、萃取压力间关系方程,并求解出三组方程系数,分别比较了模型计算值和试验值,其结果对理论研究和萃取工艺有一定的指导作用。