华南理工大学化工学院2001级博士生课程设计超临界CO2萃取紫苏油过程的计算机模拟设计者:文震指导老师:钱宇2001年12月目录摘要………………………………………………………………………1Abstract…………………………………………………………………2一设计背景……………………………………………………………3二设计原理……………………………………………………………31BP神经网络原理……………………………………………………32BP神经网络算法…………………………………………………43BP算法程序流程图…………………………………………………64网络参数的选择……………………………………………………6三实验部分…………………………………………………………61实验原料……………………………………………………………62实验试剂与设备……………………………………………………63实验方法与流程………………………………………………………7四结果与讨论………………………………………………………71神经网络的训练……………………………………………………82网络有效性的验证…………………………………………………93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。通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CO2-1-SimulationofExtractionProcessofPerillaSeedOilwithSupercriticalCarbonDioxideAbstractInthisarticle,thesolubilityofPerillaseedoilinsupercriticalcarbondioxide(SC-CO2)wasmeasured,thenthesolubilitywassimulatedbyBackPropagation(BP)neuralnetwork..Bymeansoflearningandtrainingwithrelationofextractionparameterandsolubility,theneuralmodelofthesolubilityofPerillaSeedOilinsupercriticalcarbondioxidewasestablished,thensolubilityunderunknownextractionparameterwaspredictedwiththismodel,theprecisionofthepredictionisfairlyhigh.TheresultsshowedthismethodcanbeusedasaneffectivewaytopredictthesolubilityofmatterinSC-CO2.Keywords:solubilityPerillaseedoilneuralnetworkmodelsupercriticalcarbondioxide-2-一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。而目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。期望能通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...
