论文部分内容阅读
碱液法是工业生产壳聚糖最常用的方法。因为碱液法需要用到大量的烧碱,会对环境造成较大的污染,同时常规加热生产壳聚糖耗能大,反应速度慢。为了节能与减少环境的污染,利用微波的热效应和非热效应辅助生产壳聚糖是一个很好的手段。微波场中甲壳素的脱乙酰反应是一个包括复杂物理作用和化学反应的过程。为了得到质量(包括脱乙酰度、黏度、溶解性和色泽等)稳定的壳聚糖产品,需要对微波场中的甲壳素脱乙酰反应做到可控制备。由于该反应的复杂性,要做到对壳聚糖生产进行可控制备,至今未有较大进展。由于人工神经网络具有非线性能力强、容错性好、可自学习以及鲁棒性好的特点,近十几年来,人工神经网络越来越多地应用到化学工业。有鉴于此,本研究将现代人工智能的成果——人工神经网络应用于这方面的研究,利用神经网络非线性能力强、可自学习以及鲁棒性好的特点,建立微波场中甲壳素脱乙酰反应的反应因素和反应产物之间的关系模型,并利用神经网络对该反应的过程进行仿真,对反应条件进行优化,并探讨反应输入和输出建立可控关系模型。
首先,对微波场中甲壳素脱乙酰反应过程的反应时间与产物壳聚糖的脱乙酰度建立了多层前馈网络模型。神经网络的输入参数为反应时间,隐层单元数为11,输出参数为壳聚糖的脱乙酰度。所建立的神经网络泛化能力好,网络对检验样本的预测结果较好,平均相对误差为1.68%。所以,通过输入反应时间到神经网络,便可以对产物壳聚糖的脱乙酰度进行估算。但是,神经网络模型在不同的点的预测能力是不一样的。
随后,利用神经网络与传统正交实验相结合,建立了Elman反馈神经网络。网络的输入为反应的NaOH浓度、甲壳素颗粒度、反应时间和温度,网络结构为4-16-1,网络输出为壳聚糖的特性黏度[η]。利用该神经网络对随机选择的测试样本进行预测以检验其泛化能力。网络对此检验样本的预测结果较好,预测样本的平均相对误差为1.0135%。将所有的因素组合作为数据输入,利用该神经网络对其结果进行预测。发现当反应因素为NaOH浓度45%、颗粒度为40~60目、反应温度为110℃、反应时间为24min时,其产物特性黏度值最大为765.0252ml/g,按照该因素进行重复3次的实验,所得产物特性黏度平均值值为760.3ml/g。相对误差为0.62%。
最后,在前面研究的结论的基础上,构建了对输入和输出实现可控的网络模型(OC-ANN和IC-ANN)。同时OC-ANN模型对微波场脱乙酰反应过程的规律认识较好,可以比较好的预测反应的过程。但是所建立的网络模型暂时还不能作为可控模型得到应用,可能因为训练样本有限和来自实验本身的误差导致两者的不统一。同时证明了增加训练样本的数量有助于提高神经网络的预测能力,也有助于促进OC-ANN和IC-ANN之间的统一。所提出的方法可以作为部分实现可控制备的新思路或方法。
利用人工神经网络能对微波场中甲壳素脱乙酰反应过程进行仿真和优化,测量的精度较高,抗干扰能力较强。如能得到更多的研究,该方法将有助于部分实现对反应过程的控制和优化,从而促进其工业化生产的发展。