华南理工大学化工学院级博士生课程设计Word文档下载推荐.docx
- 文档编号:15179944
- 上传时间:2022-10-28
- 格式:DOCX
- 页数:24
- 大小:94.42KB
华南理工大学化工学院级博士生课程设计Word文档下载推荐.docx
《华南理工大学化工学院级博士生课程设计Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《华南理工大学化工学院级博士生课程设计Word文档下载推荐.docx(24页珍藏版)》请在冰豆网上搜索。
三实验部分…………………………………………………………6
1实验原料……………………………………………………………6
2实验试剂与设备……………………………………………………6
3实验方法与流程………………………………………………………7
四结果与讨论………………………………………………………7
1神经网络的训练……………………………………………………8
2网络有效性的验证…………………………………………………9
3网络预测结果………………………………………………………10
结论………………………………………………………………………11
参考文献…………………………………………………………………12
附录…………………………………………………………………………13
超临界CO2萃取紫苏油过程的计算机模拟
摘要
本文测定了紫苏油在超临界CO2(SC-CO2)中的溶解度,并利用误差逆传播(BP)神经网络对溶解度数据进行了拟合。
经过对萃取参数与溶解度的关系进行训练学习,实现网络结构的优化,建立了紫苏油在SC-CO2溶解度的网络模型,并将该网络用于未知萃取参数下溶解度的预测,得到了较高的预测精度。
结果表明,该方法可作为预测物质在SC-CO2溶解度的一种有效手段。
关键词:
溶解度紫苏油神经网络模型超临界CO2
SimulationofExtractionProcess
ofPerillaSeedOilwithSupercriticalCarbonDioxide
Abstract
Inthisarticle,thesolubilityofPerillaseedoilinsupercriticalcarbondioxide(SC-CO2)wasmeasured,thenthesolubilitywassimulatedbyBackPropagation(BP)neuralnetwork..Bymeansoflearningandtrainingwithrelationofextractionparameterandsolubility,theneuralmodelofthesolubilityofPerillaSeedOilinsupercriticalcarbondioxidewasestablished,thensolubilityunderunknownextractionparameterwaspredictedwiththismodel,theprecisionofthepredictionisfairlyhigh.TheresultsshowedthismethodcanbeusedasaneffectivewaytopredictthesolubilityofmatterinSC-CO2.
Keywords:
solubilityPerillaseedoilneuralnetworkmodelsupercriticalcarbondioxide
一设计背景
了解和预测待萃物在超临界CO2流体中的溶解度及其随温度、压力等影响因素的变化规律,是进行超临界CO2萃取工艺设计和设备计算的基础。
而当前待萃物的溶解度主要由实验所测,受主观影响因素较大。
近年来,研究者尝试用建立数学模型的方法来计算纯物质的溶解度,而在超临界状态下物质的理化参数极其匮乏,同时由于待萃物大多数为组成复杂的天然产物,很难利用现成的纯物质的溶解度公式建立数学模型,因此寻求一种能预测混合物溶解度方法是很有必要的[1,2]。
人工神经网络(ArtificialNeuralNetwork,简称ANN)是80年代中后期迅速发展起来的研究领域,主要用于函数逼近与分类识别优化,特别适用于复杂系统的数学模型的建立[3,4]。
本文选取超临界CO2萃取紫苏油这一较为典型的动态、高度非线性的过程,拟利用误差逆传播(BackPropagation,BP)神经网络对紫苏油在SC-CO2中溶解度进行拟合与建模,来预测未知条件下的溶解度。
期望能经过利用试验结合数学模型的方法,为超临界CO2萃取紫苏油工艺的设计与优化提供理论依据。
二设计原理
1BP神经网络原理
BP神经网络(BPN)是一种具有三层神经元的阶层网络,不同阶层的神经元之间实现权重连接,其拓扑结构如图1。
图中,m、p、q分别是输入层、隐含层、输出层,Wij为输入层与隐含层的连接权值,Vjt为隐含层至输出层的连接权值。
Ak输入模式向量,Yk为输出模式向量。
图1BP神经网络拓扑结构
BPN的学习由以下四个过程组成:
学习模式输入神经网络后,神经元的激活值由输入层经隐含层,在输出层各神经元获得响应的“模式顺传播”过程;
然后按减小希望输出与实际输出的误差方向,从输出层向隐含层再向输入层逐层修正各连接权值的“误差逆传播”过程;
由“模式顺传播”过程与“误差逆传播”过程的交替进行的网络学习训练过程;
网络全局误差趋向极小的学习收敛过程。
当全局误差小于设定值或学习次数大于设定值时,均应停止训练。
然后对训练好的网络进行性能测试,即转入网络预测阶段[3,4]。
2误差反向传播(BP)算法
BP学习算法适用于层次型神经网络。
图1即表示一个三层学习网络,其中包括输入层、输出层和两者之间的隐含层。
同层神经元间没有连接,相邻层间有全连接,由低层指向高层。
设层次网络共有m+1层,输入层为第0层,输出层为第m层。
令W表示第n+1层中第j神经元与第n中第k单元间的连接权,则神经元输出的计算公式为:
X=f(WX)n=0,1,…,m
(1)
式中f表示S型函数。
本文选择的S型函数为:
f(u)=1/1(1+exp(-u))
当选取定L个训练样本后,调整W的目的是使输出层神经元的实际输出和应有的已知输出的平方误差尽可能小,即使得
E=(d-X)2
(2)
最小,式中:
d为第p个样本输入时网络中第j个单元的已知输出值;
X为第p个样本输入时,第m层第j个单元的实际输出值。
调整W的公式为:
W=W+△W(3)
为了减小E,采用使E沿梯度方向下降的方式,即使得修正量△W与-δ(E)/δ(W)成正比。
由式
(1))、
(2)知,对于p=1,2,…L,可写出一般式
(-δ(E)/δ(W))*2(dj-X)(δX/δ(W))=
2(dj-X)(δf/δ)*(δ/δ(W))=
2(dj-X)*X(1-X)*X
当n+1=m时,令
δ=(dj-X)X(1-X)(4)
由于dj已知,于是δ能够求出。
因
△W=ηδX,0≤η≤1(5)
此处δ是输出层的误差。
以后各层误差是将上一层误差经过网络往下传播而得,即
δ=X(1-X)δW(6)
相应的Wjk调整值为
△W=ηδX(7)
因此,BP学习算法的具体步骤是:
1、赋予各Wjk以较小的随机非零初始值;
2、输入一个样本和它已知的输出值;
3、按公式
(1)计算出实际的输出值;
4、按公式(4)至(7)修改连接权值;
5、转入第2步,循环运用L个样本作为输入,直至W均稳定为止。
3BP算法程序流程图
4网络参数的选定
本文采用的BPN由输入层,一层隐含层,输出层组成。
考虑到压力与温度是影响超临界CO2萃取紫苏油过程的主要因素,输入变量为两个,分别对应压力与温度,输出变量为1个,即此温度压力下所对应的溶解度。
隐含层的节点数根据全局误差最小原则确定。
二实验部分
1实验原料
紫苏子:
产自贵阳花溪,干燥后粉碎至40目
2实验试剂与设备
CO2:
贵阳都拉综合厂,食品级,>
99.5%
超临界CO2萃取装置:
中科院地化所超临界中心研制,萃取器:
4L1个,分离器:
2L1个,系统最高使用压力32Mpa,装置如图2。
1-CO2钢瓶2-过滤器3-冷机4-高压计量泵5-换热器6-萃取器
7、8-分离器1、29-转子流量计10-累计流量计
图2超临界CO2萃取装置流程图
3实验方法与流程
称取一定量紫苏子放入萃取罐中,CO2从钢瓶出来后,经冷机冷凝,由高压计量泵加压至设定压力,由底部进入萃取器。
循环水加热预热器、萃取器和分离器至所需温度,调节CO2流量进行萃取。
SC-CO2携带着紫苏油进入分离器,升温减压后,紫苏油从SC-CO2中析出,由分离器下部阀门放出,用接受瓶接受。
在实验中,要保持尽可能小的CO2流速,使紫苏油在SC-CO2中溶解状态接近平衡饱和状态,这种因设备限制而采取近似的方法来测定待萃物的溶解度的方法被普遍使用[5]。
紫苏油在SC-CO2中溶解度S按下式计算:
S=M/Δt×
F
M-Δt时间内从分离器接受紫苏油的质量(g),F-CO2流速(Kg/h)
三结果与讨论
紫苏油在SC-CO2中溶解度测定结果如表1。
由表1可见,溶解度是温度与压力的函数,温度升高,SC-CO2密度下降,溶解度降低,压力增大,SC-CO2密度增加,溶解度增大。
表1紫苏油在SC-CO2中溶解度(g/Kg)
温度(℃)
萃取压力(Mpa)
15
18
21
24
27
30
35
0.79
1.75
3.02*
4.57
5.73
6.47
45
0.41
1.18*
2.56
4.18
5.49
6.34
55
0.28
0.88
2.10
3.64
5.19
6.08*
65
0.19*
0.63
1.65
3.25
4.84
5.97
75
0.08
0.43
1.25
2.73*
4.72
5.70
1紫苏油在SC-CO2中溶解度的神经网络的训练
1.1隐含层节点数的确定
当前隐含层节点个数的选择尚无理论规则,本文利用误差最小原则来确定节点数。
网络误差与隐节点数的关系如图3。
图3网络误差与隐节点数的关系
由图3能够看出,在节点数≤5时,网络误差随节点数增加而下降,当节点数>5时,网络误差变化不大,节点为9时,误差反而略为增加,而且节点数越多,网络计算量越大,计算速度越慢,因此,隐含层节点数选择5为宜。
1.2迭代次数的确定
我们将试验样本随机地分为训练集与测试集,其中训练集25组,测试集5组,测试集如表1打“*”数据。
网络误差与迭代次数的关系如图4。
图4网络误差与迭代次数的关系
图4显示:
在迭代次数<时,训练集与测试集的网络误差急剧下降,但随着训练的继续进行,迭代次数
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 华南理工大学 化工学院 博士生 课程设计