论文部分内容阅读
本文采用超临界CO2萃取技术提取独活挥发油,对其提取工艺进行了较为系统的研究。选择萃取压力、萃取温度、萃取时间和分离温度为4个实验影响因素,独活挥发油提取率为实验指标,采用本研究小组自主提出的多因素多水平可视化设计法(m2VD)设计安排实验,运用多因素多水平可视化优化法(m2VO)对实验影响因素与实验指标的关系进行分析,得到本实验条件下最佳工艺范围为:萃取压力23.8~25.8MPa,萃取温度56~60℃,萃取时间90~105min,分离温度52~58℃。在优化区间内选做了三组验证实验,提取率均大于7.87%(高于设计实验平均值为5.71%),研究证明,m2VD法设计安排实验合理,m2VO法对实验数据分析可靠,优化结果可为超临界CO2萃取工业化生产独活挥发油提供工艺指导。 多因素多水平实验结果采用常规的数学方法定量分析困难,本文对实验结果数据采用三层拓扑结构为4-2-1的改进误差反向传播模型(MBP),建立起描述独活挥发油提取工艺的人工神经网络定量辨识模型。采用“留二法”训练模型,当训练次数为42次时,误差已达到10-5。利用训练成功的神经网络模型,用“五段分析法”研究各实验影响因素对实验指标的影响,分别系统地研究了萃取压力、萃取温度和萃取时间对独活挥发油提取率的影响。在模型的指导下又做了大量的验证实验,实验结果与模型计算吻合度很好,充分验证了模型的准确性。进一步地进行了神经网络逆向映射,从而做了靶向优化研究,可以求得指定提取率下的相应工艺条件。 研究证明:神经网络具有强大的非线性拟合功能,对生产实际中和目前理论不能解释和解决超临界复杂流体萃取问题有着较好的寻求定量关联规律的作用,可以根据不同客户的需求进行产物的多元化工艺设计,从而缩短生产周期,节约生产成本,具有重要的实践意义。