论文部分内容阅读
超临界流体萃取是以超临界流体作为溶剂对萃取物中的目标组分进行提取分离,从而达到分离精制的目的.这种新的分离技术在工业上应用越来越广泛,但在基础理论和试验研究、数据测试与积累、模型化与设计方法等诸方面所取得的进展与工业过程开发与设计的需求之间尚有距离,需要继续做深入的研究工作.固体在超临界流体中溶解度数据是超临界流体萃取工业装置设计所不可缺少的基础数据.目前,常用于超临界流体中固体溶质溶解度的计算方法主要有:状态方程法、缔合模型法等.已发表的文献表明这些方法计算固体在超临界流体中溶解度的误差一般都偏大,需作进一步改进或寻求新的方法.该文建立固体在超临界流体中溶解度计算的人工神经网络模型,命名为SSSCF-BP神经网络.SSSCF-BP神经网络是一个三层BP神经网络,输入层有三个节点,分别输入温度、压力和体系参数;输出层为一个节点,输出固体在超临界流体中的溶解度;隐含层的节点数随体系而定,8到15个不等.应用该模型对74个固体-超临界流体体系的2106个数据点作了计算,训练集内样本训练的总平均相对误差为2.55％,未知样本预测的总相对平均误差仅为4.08%,最大为8.73%,最小为1.30%.预测结果明显优于状态方程法、缔合模型法等其它方法.将Vogl快速算法引入BP算法中,解决BP算法的收敛速度慢问题.该算法根据最近两个梯度的符号及其相对大小动态的改变学习速率,并使之尽可能大,从而实现了学习速率的自适应,提高了神经网络的收敛速率,是一种简单易行、无需确定关键性参数的高效BP算法.另外,由于在该算法中,权值增量的大小主要取决于学习速率和前一次权值增量的大小的乘积,而与当前梯度的大小没有直接的线性关系,就消除了偏导数的大小对神经网络训练的不利影响.利用Access2000创建了SSSCF-BP神经网络权值、阈值和状态参数的数据库,并利用Visual C++6.0创建数据库浏览与维护界面.