全 文 ：第 35卷 第 12期
2007年 12月
化 学 工 程
CHEMICALENGINEERING(CHINA)
Vol.35No.12
Dec.2007
作者简介:李天祥(1965—),男 ,博士后 ,副教授 ,研究方向为天然产物提取与分离和精细磷化工 ,通讯地址:贵州大学化工学院 , E-mail:
ce.txli@gzu.edu.cn。
人工神经网络模拟超临界萃取米槁精油
李天祥 1, 2, 3 , 朱 静3 , 曾祥钦 2 , 王静康 1
(1.天津大学 化工学院 , 天津 300072;2.贵州宏福总公司 博士后工作站 , 贵州 福泉 550501;
3.贵州大学 化工学院 , 贵州 贵阳 550003)
摘要:为了更好地研究超临界 CO2流体萃取米槁精油过程 ,文中对该过程萃取动力学进行了分析 ,建立了 3层反向
传导的人工神经网络模型。以MATLAB软件为平台 ,编制模型程序。以温度 、压力 、超临界 CO2流体流率和原料平
均粒径为输入 , 以收率为输出对网络进行训练。训练好的模型可用于萃取过程预测 , 与实验结果比较 , 预测平均误
差小于 5.0%。说明该模型可以对萃取过程进行模拟和预测。
关键词:超临界萃取;精油;米槁;数学模型;人工神经网络
中图分类号:TQ028.32;R284.2;O242.1 文献标识码:A 文章编号:1005-9954(2007)12-0005-03
Simulationofsupercriticalextractionessentialoil
fromMigaobyartificialneuralnet
LITian-xiang1, 2, 3 , ZHUJing3 , ZENGXiang-qin2 , WANGJing-kang1
(1.SchoolofChemicalEngineeringandTechnology, TianjinUniversity, Tianjin300072, China;2.Postdoctoral
WorkingStation, HongfuIndustry＆CommerceDevelopmentLtd., Fuquan550501, GuizhouProvince, China;
3.SchoolofChemicalEngineeringandTechnology, GuizhouUniversity,
Guiyang550003, GuizhouProvince, China)
Abstract:Inordertosimulatethesupercriticalfluidextraction(SFE), theextractionofessentialoilfrom
CinnamomumMigaoH.W.Li.bysupercriticalCO2 fluidwasinvestigated.Anartificialneuralnet(ANN)
technologywith3-layerback-propagationalgorithmnetworkstructurewasappliedtosimulatingthisextraction
proces.TheSFE-ANNsimulationprogramsystemwasdevelopedforafixedbedextractor.Theoperationfactors,
suchaspressure, temperature, CO2 rateandfeedparticle′smeandiameter, usedasinputvariablesofthenetwork,
andtheyieldofessentialoilasoutput, thenetworkwastrainedasoptimal.TheANNnetworkdevelopedcanmake
goodsimulationandpredictionforthisproces.Comparedwiththeexperimentalresults, themeandeviationfor
predictionislessthan5.0%.
Keywords:supercriticalfluidextraction;essentialoils;CinnamomumMigaoH.W.Li;mathematicalmodel;
artificialneuralnetwork
米槁 (CinnamomumMigaoH.W.Li.)是樟科
(Lauraceae)樟属植物的成熟果实 ,是贵州传统苗
药 [ 1] ,在苗语中叫大果木姜子(LitsaLanciLimba)。
早期的研究表明 [ 2] ,米槁精油是米槁的有效药用部
位 。
超临界萃取 CO2流体植物精油的实验研究和
数学模型已有不少报道[ 3] ,而基于微分质量衡算方
程和传质速率方程的超临界萃取过程模型是研究者
关注的一个重点 。如 Wu等[ 4]的快速和慢速萃取 2
个阶段模型 , Sovova等[ 5]快速 、过渡和慢速萃取三阶
段模型 , Catchpole等[ 6]的收缩核模型;Tezel等[ 7]的脱
附-溶解-扩散模型。然而这些模型的求解需知道相
应的传质系数关联式 、相平衡关系等物性数据。对于
超临界萃取植物精油而言 ,这些数据是很难获得的 ,
因此为了求解方程 ,不可避免地要引入许多假设 。
Fulana等 [ 8]尝试用人工神经网络系统来模拟
超临界 CO2流体萃取植物油过程。该法的特点是
神经网络经过学习 ,能够对试验结果进行模拟计算 ,
更主要的是还能对相同萃取过程结果进行放大预
测 ,且模拟和预测精度都很高 ,避免了其他模型求解
过程中 ,因引入过多的假设和经验关联式 ,而降低模
型的预测功能 ,以及为回归可调参数而需要大量实
验数据的弊端。所以本文采用 3层人工神经网络中
的反向传导网络(简称 BP网络),对米槁精油超临
界萃取过程进行模拟和预测。
1 超临界萃取实验
实验装置见图 1。实验时米槁装填量 100 g,萃
取温度和压力为 306— 333K和 10— 30MPa, CO2流
量为 32.84— 80.43g/min,原料平均粒径为 0.158—
1.4mm。第 1分离器的解析温度和压力为 323K和
10 MPa,用来解析出共萃的脂肪油等高分子化合
物 。第 2分离器的解析温度和压力 323K和 5MPa,
收集所萃取的精油。
1-阀门;2-流量计;3-萃取器;4-加热夹套;5-第 1分离器;6-第 2分离器;
7-缓冲罐;8-夹带剂储罐;9-夹带剂泵;10-高压泵;
11-冰机;12-缓冲罐;13-CO
2
钢瓶;14-压力表
图 1 超临界 CO2萃取实验装置流程简图
Fig.1 SchematicdiagramofSC-CO2 extractionapparatus
2 动力学模型
萃取器内 ,超临界 CO2萃取米槁精油的溶质微
分质量守恒方程可写为
ρfε wc t+ρfu c h+ρs(1-ε)
wq
t=0 (1)
式中 , ρf是超临界 CO2流体的密度 , kg/m3;ρs是原
料颗粒表观密度 , kg/m3;ε是床层空隙率;wq是溶
质在原料颗粒中的质量分数;wc是溶质在超临界
CO2流体中的质量分数;t是萃取时间 , s;h是从下
而上沿床层的高度 , m;u是超临界 CO2流体的表观
流速 , m/s。
米槁中的精油 ,即溶质 ,根据它与固体颗粒结合
方式不同可分为自由溶质和束缚溶质二部分 ,相应
的萃取过程分为快速萃取和慢速萃取 2个阶段。自
由溶质的传质推动力是溶质在超临界 CO2流体中
的溶解度与溶质在超临界 CO2流体中实际质量分
数差;束缚溶质的传质推动力是超临界 CO2流体中
溶质与固体原料间的平衡质量分数与超临界 CO2
流体中溶质实际质量分数差;故萃取过程的自由溶
质传质速率方程为
(1-ε)ρs wε t=-kfaρf(wcs-wc), wq≥ wqk (2)
式中 , wcs为溶质在超临界 CO2流体中的饱和质量分
数;wqk为束缚溶质在原料颗粒中的质量分数 。
萃取过程的束缚传质速率方程为
(1-ε)ρs wq t=-kfaρf(Keqwq-wc), wq
由于超临界流体在进口处不含溶质 ,上述方程
组的初始和边界条件为
t=0;所有 h, wc=0
t=0;所有 h, wq=wq0
h=0;所有 t, wc=0
(4)
式中 , wq0是原料颗粒中溶质的初始质量分数;kf是
传质系数 , m/s;a是床层比表面积 , m-1;通过求解
方程组可以得到流体和床层原料中溶质质量分数随
萃取器高度和萃取时间的分布 wc(h, t)和 wq(h, t),
然后就可以由下式计算出萃取过程中精油收率随时
间的变化:
y(t)=qm∫t0wc(H, t)dt (5)
式中 , y(t)是精油累积收率 , %;q是累积 CO2流率 ,
kg/s;m是装入萃取器中的原料质量 , kg;H为床层
总高度 , m。
3 人工神经网络
本文选用 3层前馈 BP神经网络模型 [ 9]对超临
界 CO2萃取米槁精油过程的数学模型进行模拟计
算 ,该网络模型结构如图 2所示。图中 , i代表输入
变量 , wih代表输入变量的连接权 , whh代表隐含层间
的连接权 , wbh代表剩余连接权 , woh代表输出变量的
连接权 , b代表阚值 。输入层接受数据输入向量 ,输
出层用于写输出向量 ,隐含层记忆变量间的非线性
耦合关系并传递网络间的映射 ,即过程的数学模型
方程 。在运算过程中 ,通过实验数据训练网络 ,可以
使网络算得所有的权值以及偏差 。在训练时首先改
·6· 化学工程 2007年第 35卷第 12期
变输出和隐含层间的连接权值 ,然后再改变剩余权
值 ,这与网络正常运行时的信息流的方向相反 。
图 2 人工神经网络拓扑结构
Fig.2 TopologyofANN
4 计算结果与讨论
首先按下列目标函数 ,用部分实验数据对网络
进行训练:
1N∑
N
n=1
[ y(t)exp-y(t)cal] 2n ≤e (6)
式中 , e表示收敛标准 ,下标 n表示实验点 ,下标 exp
表示实验值 ,下标 cal表示计算值 , N表示实验数 。
当训练达到所要求的精度时 ,该反向传播网络
模型就建立成功了。然后输入新的输入向量到网络
中就会得到相应的输出向量预测值。
在具体计算时 , 以美国 MathworksINC.的
MATLAB6.1软件上提供的神经网络软件包为平
台 ,通过编写调用程序进行计算 。模型的输入变量为
萃取温度 、萃取压力 、超临界 CO2流体流率和原料颗
粒平均粒度 ,输出变量为精油萃取率随时间的变化 。
图 3— 6是不同实验条件下的神经网络预测值
与实验值的比较 。图中的曲线是人工神经网络预测
值 ,图中的点是实验测量值 。实验值与模型预测值相
比 , 最大相对偏差是 9.30%, 最小相对偏差是
0.01%, 平均相对偏差是 5.0%。模型预测误差较大
的点 , 都出现在萃取初始时间 , 即萃取开始 5—
20 min内取样分析所得收率。造成这种偏差较大情况
的主要因素 ,可能是因为在萃取初始阶段 ,需要一定
的时间来调节压力和流量等参数 ,使实验条件达到预
先设定的值 ,这个调节过程是不稳定的;同时由于这
段时间内萃取的精油量较少 , 即使很微小的操作误
差 ,也会导致收率有很大的偏差。这阶段的相对偏差
约占总平均偏差的 80%以上 。萃取 20min后 ,所有参
数达到设定的实验值 ,萃取过程就是一个拟稳态过
程 ,其后的实验数据与预测值相比 ,相对偏差均小于
2%。所以本文建立的人工神经网络模型能够较好地
模拟并预测超临界 CO2流体萃取米槁精油的过程。
图 3 不同压力下米槁精油的收率曲线
Fig.3 YieldcurvesofMigaoessentialoilundervariouspressure
图 4 不同温度下米槁精油的收率曲线
Fig.4 YieldcurvesofMigaoessentialoilatvarioustemperature
图 5 不同 CO2 流率下米槁精油的收率曲线
Fig.5 YieldcurvesofMigaoessentialoilatvariousCO2 flowrate
图 6 不同平均粒径下米槁精油的收率曲线
Fig.6 YieldcurvesofMigaoessentialoilatvarious
averageparticlediameter
【下转第 33页】
·7·李天祥等 人工神经网络模拟超临界萃取米槁精油
化作用可能来源于热效应和非热效应共同作用引起
的综合效应 。
4 结论
微波辐照可大大减少薯蓣皂苷水解的用酸量 ,
缩短水解时间 ,提高水解得率 。微波强化水解的最
优条件为微波功率 700 W, H+浓度 2 mol/L,水解
20 min。与传统加热方法相比 ,可大大减少水解过程
的用酸量 ,缩短水解时间 ,并使薯蓣皂苷元的产量提
高约 20%。此法设备简单 ,条件易控制 ,污染少 ,产
率高 ,有广阔的应用前景。
参考文献:
[ 1] JINJian-Ming, LIUXi-Kui, TENGRong-Wei, etal.
Enzymaticdegradationofparvifloside[ J] .Journalof
IntegrativePlantBiology, 2002, 44 (10):1 243— 1 249.
[ 2] 贾艳宗 ,马沛生 , 王彦飞.微波在酯化和水解反应中的
应用 [ J] .化工进展 , 2004, 23(6):641— 644.
[ 3] 尚素芬 ,王洪.高效液相色谱法研究氨基酸测定中鸡
蛋样品的微波水解 [ J] .色谱 , 1997, 15(2):138—
140.
[ 4] 马敬中 ,江洪 , 吴谋成.微波辐射水解植酸快速制备肌
醇的研究 [ J] .中国粮油学报 , 2003, 18(3):78— 80.
[ 5] 方开泰 , 马长兴.正交与均匀试验设计 [ M] .北京:科
学出版社 , 2001.
[ 6] 中国科学院药物研究所.薄层层离及其在中草药分析
中的应用 [ M] .北京:科学出版社 , 1978.
[ 7] 胡文祥 , 王建营.协同组合化学 [ M] .北京:科学出版
社 , 2003.
【上接第 7页】
5 结论
对于超临界流体萃取米槁精油过程 ,采用 3层
BP网络结构 ,用实验数据学习训练后 ,可以对萃取
收率曲线进行很好的模拟和预测 ,平均相对偏差小
于 5.0%。
基于人工神经网络的超临界萃取动力学模型 ,
避免了其他模型由于需要假设 、简化 、数值求解及可
调参数较多而带来的应用困难 。
参考文献:
[ 1] 邱德文 , 李鸿玉 ,赵山.米槁的本草学研究 [ J] .中国医
药学报 , 1993, 8(2):19— 20.
[ 2] 齐敏友 , 隋艳华 , 邱德文.米槁心乐滴丸药效学研究
[ J] .广西中医药 , 2000, 23(6):51— 52.
[ 3] ReverchonE.Supercriticalfluidextractionandfractionation
ofessentialoilsandrelatedproducts[ J] .TheJournalofSu-
percriticalFluids, 1997, 10(1):1— 37.
[ 4] WuWeize, HouYucui.Mathematicalmodelingofextrac-
tionofeggyolkoilwithsupercriticalCO2 [ J] .JSupercr-
iticalFluids, 2001, 19(1):149— 159.
[ 5] SovovaH, KuceraJ, JezJ.Rateofthevegetableoilex-
tractionwithsupercriticalCO2-Ⅱ.Extractionofgrapeoil
[ J] .ChemEngSci, 1993, 49(3):415— 420.
[ 6] CatchpoleOJ, GreyJB, SmallifieldBM.JSupercrit
near-criticalextractionofsage, celeryandcorianderseed
[ J] .Fluids, 1996, 9(3):273— 279.
[ 7] TezelA, HortacsuA, HortacsuO.Multi-componentmod-
elsforseedandessentialoilextraction[ J] .JSupercrit
Fluids, 2000, 19(1):3— 17.
[ 8] FulanaM, TrabelsiF, RecasensF.Useofneuralnet
computingforstatisticalandkineticmodelingandsimula-
tionofsupercriticalfluidextractors[ J] .ChemEngSci,
1999, 54(24):5 845— 5 862.
[ 9] BhatNV, McAVoyTJ.Useofneuralnetfordynamic
modelingandcontrolofchemicalsystems[ J] .Comput-
ersandChemicalEngineering, 1988, 12(14):573—
583.
工程建设项目信息(二)
·淮北矿业拟建设 100万 t/aPVC项目 ,中国成达工程公司(原化工部第八设计院)承担初步设计。
·重庆长寿化工有限责任公司和重庆化工设计研究院合作在重庆长寿建设 10万 t/a乙烷及系列产品项目 , 进入可行性
研究阶段。
·重庆鑫富化工有限责任公司拟在重庆长寿建设 6 000t/a泛解酸内酯 、3 000 t/a羟基乙酸项目 ,重庆化工设计研究院承
担可行性研究和初步设计。
·33·李 谦等 微波强化薯蓣皂苷水解的研究