全 文 :第 27 卷 增刊 2 农 业 工 程 学 报 Vol.27 Supp.2
2011 年 12 月 Transactions of the CSAE Dec. 2011 293
均匀设计-BP 神经网络优化超临界 CO2提取杜香挥发油工艺
姜 玮 1,刘静波 1※,陶 旭 1,王 宇 2,张 燕 1,王二雷 1,卢 静 1
(1.吉林大学军需科技学院营养与功能食品实验室,长春 130062; 2.吉林省产品质量监督检验院,长春 130022)
摘 要:将均匀设计和 BP 神经网络运用于杜香挥发油超临界 CO2流体的萃取研究中,采用均匀设计的试验样本,单因
素法筛选 BP 神经网络提取模型的隐含层节点数、学习函数、传递函数和训练函数;采用独立样本 t 检验和相关性分析讨
论试验值和模拟值的关系评价模型;利用建立好的模型仿真提取,分析提取工艺因素(提取时间、提取温度、提取压强、
原料粒度)对提取率的影响。试验结果显示,BP 网络模型平均误差为 0.0116,超临界 CO2 萃取时间、萃取压力、原料
粒度和萃取温度与挥发油提取率之间的模型拟合度良好;通过模型仿真及优化,杜香枝干最优萃取条件为 375 bar、17.5℃、
1.0 h、大于 20 目的原料,仿真得率为 1.82%,验证试验的得率的平均值为 1.73%;杜香叶片萃取最佳条件为 275 bar、15℃、
3.0 h、大于 20 目的原料,仿真得率为 2.65%,试验验证平均值为 2.66%。该方法为杜香挥发油的提取研究提供新方法。
关键词:人工神经网络,超临界流体,CO2,萃取,均匀设计,杜香挥发油
doi:10.3969/j.issn.1002-6819.2011.z2.056
中图分类号:TP183 文献标识码:A 文章编号:1002-6819(2011)-Supp.2-0293-04
姜 玮,刘静波,陶 旭,等. 均匀设计-BP 神经网络优化超临界 CO2 提取杜香挥发油工艺[J].农业工程学报,2011,
27(增刊 2):293-296.
Jiang Wei, Liu Jingbo, Tao Xu, et al. Supercritical carbon dioxide extraction of ledum palustre L. essential oils optimizing with
uniform design and BP neural network[J]. Transactions of the CSAE, 2011, 27(Supp.2): 293-296. (in Chinese with English abstract)
0 引 言
杜香(Ledum palustre)为被子植物门杜鹃花科杜香
属常绿灌木,是中国传统中药材,也是重要的香料植物。
杜香属植物分布在北半球温带或寒温带,在中国主要分
布于大、小兴安岭和吉林长白山[1]。杜香属共有 3~4 种
植物,中国有 1 种及 2 个变种,《中国植物志》[2]对 3 种
形态有具体描述,在国外还分布有其他品种(如加拿大
的“拉布拉多茶”,Ledum groenlandicum Retzius),但杜
香挥发油的组成因其品种、生长地点的差异有较大区别。
根据《长白山植物药志》记载,中国杜香低毒且长白山
民间已有用其治疗月经不调和不孕的偏方;叶杜香挥发
油能止咳、祛痰;宽叶杜香挥发油能祛痰、镇咳、平喘[3]。
超临界 CO2 萃取技术无溶剂残留、无毒无害而被广
泛应用[4]。杜香挥发油的萃取是一个复杂的传热、传质过
程,其提取率和影响因素并非线形关系。传统的正交、
均匀等数学模型考虑因素的交互作用有限制,不能完全
反应提取过程中各因素对目标提取率的影响,人工神经
网络(artificial neural network,ANN),是在模拟生物神
经网络的基础上发展起来的一种信息处理系统,依靠计
算机硬件的强力支持,能够实现数据的并行分布处理、
非线性处理以及自学习、自组织和自适应,Error Back
Propagation(BP,误差反向传递)人工神经网络,属于
收稿日期:2011-05-08 修订日期:2011-09-14
基金项目:吉林大学研究生创新研究计划项目(20111179)
作者简介:姜 玮(1986-),女,主要从事营养与功能食品研究。长春 吉
林大学营养与功能食品实验室,130062。Email:jiangwei6891@163.com
※通信作者:刘静波(1962-),女,教授,博士,硕士生导师,主要从事
营养与功能食品研究。长春 吉林大学营养与功能食品实验室,130062。
Email:ljb168@sohu.com
多层非线性映射网络,具有良好的非线性逼近能力和泛
化能力,主要运用在分类识别、回归预测等方面,在生
物、医药等领域广泛应用[5-6]。然而,在食品行业尤其是
功能食品因子的提取工艺中鲜有运用。
本文采用经典的 BP 三层神经网络模型,旨在建立一
个杜香挥发油超临界提取工艺模型,同时也运用这个模型
预测、优化杜香挥发油的提取工艺,初步探讨 BP 神经网
络在挥发油提取中的应用规律。这既可以拓宽人工神经网
络的应用领域,同时也能为食品行业的工作人员提供一种
优化工艺条件新的研究思路,有利于食品行业的发展。
1 材料与方法
1.1 材料
杜香,2008 年 10 月 17 日采自长白山,室内常温风
干。杜香枝、叶分开粉碎,分别收集 20、40、60、100
目筛粉末,塑封袋密封室温保存,备用。乙醚、乙醇均
为分析纯;正己烷,色谱纯;CO2,食品级,99.99%。
1.2 仪器
FW-200 万能粉碎机;SFE-2 超临界 CO2流体萃取系
统,美国应用分离公司(Applied Separations Inc.)。
1.3 方法
采用均匀设计,选择萃取压力(100~600 bar)、温
度(15~65℃)、萃取时间(1~6 h)、原料粒度(20~100
目)4 个因素,每个因素选择 6 个水平,每次称量不同杜
香枝干、叶片的粉末 5.0 g,提取得率采用两次平行试验
平均值,见表 1。
提取得率结果数据归一化处理,即把训练样本数据
变为[0~1]之间的小数、把有量纲的表达式变为无量纲的
纯量表达式;常用的归一化方法有线性函数归一化、对
农业工程学报 2011 年 294
数函数归一化和反余切函数归一化。本试验数据采用线
性归一化法,作为 BP 神经网络训练样本,构建杜香挥发
油提取的预测模型,公式如下:
Yi=
minmax
min
XX
XX i
式中,Xi、Yi 分别为转换前、后的值;Xmax、Xmin 分别为
样本的最大值和最小值。
1.4 提取评价指标
挥发油成分复杂,很难采用单一成分来衡量整体提
取水平,故国内外对于挥发油的提取研究多采用挥发油
的提取得率来评价[7-8]。
挥发油提取得率 y(%)=
样品质量
挥发油质量
m
m
×100%
2 结果分析
2.1 数据样本归一化处理
BP 神经网络学习样本的选取采用均匀设计法,均匀
设计试验点分布分散、均匀,采集的数据不仅能符合神
经网络中神经元的分布特性,也能弥训练样本数目较少
的缺陷,学习样本数据即采用均匀设计试验结果。
表 1 归一化处理后的训练样本(水平值)的均匀设计及其得率
Table 1 Yields and levels of samples for training
样本
序号
枝干 1/
叶片 0
X1
萃取压力
X2
萃取温度
X3
萃取时间
X4
原料粒度
Y1
得率/%
1 1 0 0.2 0.6 1.0 0
2 1 0.2 0.6 0 0.8 0.144
3 1 0.4 1.0 0.8 0.6 0.988
4 1 0.6 0 0.2 0.4 0.383
5 1 0.8 0.4 1.0 0.2 0.930
6 1 1.0 0.8 0.4 0 0.555
7 0 0 0.2 0.6 1.0 0.437
8 0 0.2 0.6 0 0.8 0.412
9 0 0.4 1.0 0.8 0.6 0.676
10 0 0.6 0 0.2 0.4 0.662
11 0 0.8 0.4 1.0 0.2 0.703
12 0 1.0 0.8 0.4 0 1.000
2.2 杜香挥发油提取 BP 模型建立
BP 神经网络模型由输入层、隐含层和输出层三部分
组成,每层之间通过传递函数连接,网络的泛化能力和
鲁棒性由网络结构、学习算法和学习样本决定,均方误
差(mse)性能函数常用来评价网络模型是否合适。
mse= n ii TPn 1
1
式中,n 为训练次数;Pi为预测值;Ti为目标值。
输入层和输出层的节点数由样本的影响因素和样本
数量以及试验目标数量决定,若影响因素过多,可以通
过主成分分析,选取主要因素作为输入层[9];关于隐含层
及其节点数,Kolmogorov 定理[10]指出隐含层节点数应比
输入层的 2 倍多一个,但没有指出构建网络的办法,而
根据 BP 定理[11]则可推断出任何个节点数都行,只要能满
足设定的精度要求,因此一般通过经验决定。
在自编程序中将网络初始值定义为零,通过更改影
响网络的隐含层数、隐含层节点数以及学习函数、传递
函数的种类,比较 mse 值大小,最终确定 BP 网络结构如
图 1 所示,5 个输入、8 个隐含层节点、1 个输出。
图 1 超临界提取挥发油模拟最佳 BP 网络结构
Fig.1 Optimized BP NN architecture of simulation for Ledum
Palustre L. essential oils with supercritical carbon dioxide extraction
将样本随机分两组,一组训练样本,一组测试样本;
结果如图 2 所示,横坐标是样本试验值的水平值(T),
纵坐标为模型输出的预测值(Y),测试样本拟合曲线与
真值理想曲线的拟合度 R 达到 0.999(见图 2a),经训练
后网络模型总体拟合度达到 0.938(见图 2b),mse 值为
0.0116,表明 BP 神经网络模型结构正确,预测能力良好 。
a. 测试样本
b. 所有样本
图 2 预测值与真实值拟合比较
Fig.2 Experimental values versus predicted ones from the
training set and external predictive set
增刊 2 姜 玮等:均匀设计-BP 神经网络优化超临界 CO2 提取杜香挥发油工艺 295
2.3 模拟值与预测值的对比分析
2.3.1 模拟值与预测值的相关性分析
另选择 14 个试验样本的参数条件,分别进行试验和
神经网络预测仿真,预测值与试验值基本相符,并对两
组数据进行相关性分析见表 2,分别采用皮尔逊积差相关
系数(Pearson)、肯德尔 tau-b(Kendalls tau_b)和斯皮
尔曼等级相关系数(Spearman)检验,其值均大于 0.01,
非常显著,表明样本预测值与试验值高相关。
表 2 预测值和试验值的相关性分析
Table 2 Correlation of experimental values and predictive values
内容 皮尔逊系数 肯德尔系数 斯皮尔曼系数
p 0.886** 0.758** 0.908**
注:**表明在 0.01 水平上显著相关.。
2.3.2 试验与预测值的独立样本 t 检验
采用 SPSS13.0 软件分析对预测值和试验值进行独
立样本的 t 检验,分析结果如表 3、表 4 所示。由表 4
可知,Levene 方差齐性检验的显著性水平为 0.838>
0.05,方差齐性。方差齐性检验的 t=0.18,自由度为 26,
双侧概率 P=0.859>0.05,说明预测值和试验值没有显
著性差异。
表 3 样本统计量
Table 3 Group statistics
组别 样本数 平均数 标准差 标准误差
试验值 14 0.595 0.325 0.087
预测值 14 0.573 0.299 0.080
表 4 独立样本检验
Table 4 Independent sample test
方差相等的 Levene 检验 均数相等误差
95%可信区间 假设条件
F P t 自由度 双侧概率 均差 标准误差
下限 上限
方差齐性 0.043 0.838 0.180 26 0.859 0.021 0.118 -0.221 0.264
方差非齐 —— —— 0.180 25.828 0.859 0.021 0.118 -0.221 0.264
2.4 利用模型分析提取因素
由于枝干、叶片中所含挥发油成分不同[12-13],故分
别分析杜香枝干和叶片挥发油提取率。运用训练好的神
经网络,调整输入归一化后的参数萃取压力(100~600
bar)、萃取温度(15~65℃)、萃取时间(1~6 h)和原
料粒径(大于 20~100 目),采用单因素的方法,改变一
个参数的输入,保持另外 3 个参数恒定[14],分析探讨枝
干、叶片中挥发油提取规律。
从图 3 可以看出,因素萃取压力、萃取时间和叶片、
枝干的挥发油提取得率呈正相关;因素萃取温度和原料
粒度对叶片挥发油提取得率影响较小对枝干影响较大;
依据单位时间提取得率(提取效率)及综合能源消耗因
素选取最佳条件,反归一化后得当杜香枝干萃取压力为
375 bar、萃取温度为 17.5℃、萃取时间 1.0 h、原料为大
于 20 目的粗品时萃取得率为 1.82%,两次试验验证平均
值为 1.73%。当杜香叶片萃取压力为 275 bar、萃取温度
为 15℃、萃取时间 3.0 h、原料大于 20 目的粗品时萃取
得率为2.65%,两次验证试验萃取得率的平均值为2.66%,
比 Gretsusnikova 等[12]采用正己烷同时蒸馏法萃取叶片
(0.92%)、枝干(0.78%)中的挥发油得率要高,与赵子
图 3 BP 神经网络模拟单因素(压力、温度、时间和原料粒度)对提取率的影响
Fig.3 Effects of factors(temperature, pressure, time and particle size) on yields by BP NN simulation
农业工程学报 2011 年 296
峰等[7]关于杜香挥发油的超临界 CO2 萃取的研究结果不
太相同,这可能由于他们采用枝干混合物而本文是枝、
叶分开为试验原料。
4 结 论
1)通过均匀设计获取筛选样本,建立了具有较好预
测功能的 BP 神经网络模型,模型总体拟合度达到 0.938,
模型的平均误差 mse 值为 0.0116。
2)利用 BP 神经网络模型,模拟优化枝干、叶片中
挥发油提取工艺条件,最终优化得到杜香枝干挥发油萃
取最佳条件为:压力 375 bar、萃取温度 17.5℃、萃取时
间 1.0 h、原料为大于 20 目的粗品;杜香叶片萃取最佳条
件为:压力为 275 bar、萃取温度为 15℃、萃取时间 3.0 h、
原料大于 20 目的粗品。
3)采用均匀设计筛选样本,试验点分布均匀,数据
具有代表性,既能保证准确性还可减少试验次数,减少
能源消耗;BP 神经网络只需要输入、输出,不考虑事物
内部具体的作用机制和途径,对操作者的数学计算和程
序编译能力要求不高,易于操作掌握;二者结合,可节
省物力人力,适合生产应用,在食品加工领域的推广和
应用潜力巨大;本文所建立的方法为杜香挥发油的提取
乃至于整个提取等工艺方面的研究提供一种方法,为其
深入发展及规模发展提供一种思路。
[参 考 文 献]
[1] 赵子峰,沙伟,赵子云. 我国的杜香属植物及杜香属植物的
应用[J]. 生物学教学,2006,31(4):8-9.
[2] 中国科学院中国植物志编辑委员会.中国植物志第五十七
卷第一分册[M]. 科学出版社,199:5-7.
[3] 吉林省中医药研究所,长白山自然保护区管理局,东北师范
大学生物系编著.长白山植物药志[M]. 吉林人民出版
社,1982:863-866.
[4] Zermane A, Meniai A H, Barth D. Supercritical CO2
Extraction of Essential Oil from Algerian Rosemary
(Rosmarinus officinalis L.). Chemical Engineering &
Technology, 2010, 33(3): 489-498.
[5] Yu S W, Guo X F, Zhu K J, et al. A neuro-fuzzy GA-BP
method of seismic reservoir fuzzy rules extraction. Expert
Systems with Applications, 2010, 37(3): 2037-2042.
[6] 刘斌,马海乐,李树君,等. 紫菜降压肽酶膜耦合反应制备工
艺 RBF 神经网络优化[J]. 农业机械学报,2010,41(5):120
-125.
Liu Bin, Ma Haile, Li Shujun, et al. Production of ACE
Inhibitor Peptides from Porphyra yezoensis in Batch
Membrane Reactor Based on RBF-ANN[J] Transactions of
the CSAM, 2010, 41(5): 120-125. (in Chinese with English
abstract)
[7] 赵子峰, 沙伟, 金忠民.等 杜香挥发油的超临界 CO2 萃取
实验条件优化[J]. 植物研究,2006,26(3):377-379.
Zhao Zifeng, Sha Wei, Jin Zhongmin, et al. The optimization
of the experimental conditions of supercritical carbon
dioxide extraction of volatile oils in Ledum palustre
var.angustum[J]. Bulletin of Botanical Research, 2006, 26(3):
377-379. (in Chinese with English abstract)
[8] Li X M, Tian S L, Pang, Z C. Extraction of Cuminum
cyminum essential oil by combination technology of organic
solvent with low boiling point and steam distillation[J]. Food
Chemistry, 2009, 115(3): 1114-1119.
[9] 张弦. 基于数据并行的 BP 神经网络训练算法[D]. 华中科
技大学,2008.
[10] 飞思科技产品研发中心. MATLAB6.5 辅助神经网络分析
与设计[M]. 电子工业出版社,2004.
[11] 李少远,王景成. 智能控制[M]. 机械工业出版社,2005.
[12] Gretsusnikova T K, Jarvan A. Orav&M.Koel. Comparative
analysis of the composition of the essential oil from the
shoots, leaves and stems the wild Ledum palustre L. from
Estonia[J]. 5th Symposium by Nordic Separation Science
Society, 2010, 2(1): 168-173. (in Chinese with English
abstract)
[13] Chen Q, Yao S, Huang X, et al. Supercritical fluid extraction
of Coriandrum sativum and subsequent separation of
isocoumarins by high-speed counter-current chromatography
[J]. Food Chemistry, 2009, 117(3): 504-508.
[14] Shao P, Jiang S T, Ying Y J, et al. Simulation of rapeseed oil
deodorizer distillate esterification by lipase reaction based on
BP neural network[J]. Transactions of the CSAE, 2006,
22(10): 198-202.
Supercritical carbon dioxide extraction of Ledum palustre L. essential oils
optimizing with uniform design and BP neural network
Jiang Wei1, Liu Jingbo1※, Tao Xu1, Wang Yu2, Zhang Yan1, Wang Erlei1, Lu Jing1
(1. Laboratory of Nutrition and Functional Food, Jilin University, Changchun 130062, China;
2. Jilin Province Product Quality Supervision Test Institute, Changchun 130022, China)
Abstract: To obtain the optimal essential oils extraction conditions with supercritical carbon dioxide, uniform design and the artificial
neural network (back propagation, BP) were applied in extraction of ledum palustre L. Number of neuron in hide layer and some
functions for learning, training and transfer were chosen through one-factor experimental design. Four factors (six levels in each factor)
were considered in uniform design. Five factors (extraction time, extraction temperature, extraction pressure, particle size, kind of leaves
or stems) were considered in BP network. The average error of network prediction was 0.0116. Analysis of correlation and comparison
showed that the experimental values and the predicted values were not significant. The effect of each factor on extraction yield and the
optimal extraction conditions were studied with this model. The highest extraction yield of essential oils from ledum palustre L. stems
could reach 1.82% at 17.5℃, 375 bar for 1 h while the essential oils extraction yield of ledum palustre L. leaves was 2.65% at 15℃, 275
bar for 3 h. It may provide a new study method for the extraction of volatile oil of ledum palustre L.
Key words: artificial neural network, supercritical fluids, carbon dioxide, extraction, uniform design, essential oils from ledum palustre L