[논문 리뷰] A review of neural network algorithms and their applications in supercritical extraction

Yu Qi, Zhaolan Zheng|arXiv (Cornell University)|2020. 10. 31.

Analytical Chemistry and Chromatography참고 문헌 11인용 수 4

한 줄 요약

이 논문은 초임계 추출 공정 최적화를 위한 신경망 알고리즘을 검토하며, 복잡한 다변수 시스템을 모델링하고 최적 조건을 예측할 수 있음을 보여준다. 역전파와 전방향 신경망을 활용함으로써, 연구는 신경망이 천연물질 분리 공정의 효율성과 수율을 효과적으로 향상시킬 수 있음을 시사한다.

ABSTRACT

Neural network realizes multi-parameter optimization and control by simulating certain mechanisms of the human brain. It can be used in many fields such as signal processing, intelligent driving, optimal combination, vehicle abnormality detection, and chemical process optimization control. Supercritical extraction is a new type of high-efficiency chemical separation process, which is mainly used in the separation and purification of natural substances. There are many influencing factors. The neural network model can quickly optimize the process parameters and predict the experimental results under different process conditions. It is helpful to understand the inner law of the experiment and determine the optimal experimental conditions. This paper briefly describes the basic concepts and research progress of neural networks and supercritical extraction, and summarizes the application of neural network algorithms in supercritical extraction, aiming to provide reference for the development and innovation of industry technology.

연구 동기 및 목표

• 신경망 알고리즘의 초임계 추출 통합을 통해 공정 최적화를 향상시키는 것을 목적으로 한다.
• 초임계 추출 공정의 다매개변수 제어에서 발생하는 주요 과제를 규명하는 것.
• 다양한 조건에서 실험 결과를 예측하는 데 있어 신경망의 효과성을 평가하는 것.
• AI를 활용한 화학분리 기술 분야의 산업 혁신을 위한 기초 자료를 제공하는 것.
• 초임계 유체 추출 시스템 내에서 신경망 응용 분야의 최근 연구 진전을 요약하는 것.

제안 방법

• 실험적 초임계 추출 데이터를 학습하기 위해 전방향 신경망과 역전파를 활용한다.
• 다층 퍼셉트론(MLP) 아키텍처를 적용하여 공정 변수와 추출 수율 사이의 비선형 관계를 모델링한다.
• 입력 매개변수(예: 압력, 온도, 유량)에서 출력 반응(예: 수율, 순도)으로의 맵핑을 위해 지도 학습 기법을 활용한다.
• 과거의 실험 데이터를 사용하여 최적 운영 조건의 예측 및 최적화를 위한 모델을 학습시킨다.
• 예측 오차를 최소화하고 모델 수렴을 향상시키기 위해 오차 역전파를 구현한다.
• 실시간 최적화 및 의사결정 지원을 위한 공정 제어 시스템에 신경망 모델을 통합한다.

실험 결과

연구 질문

• RQ1 신경망은 다변수 초임계 추출 공정을 효과적으로 모델링하고 최적화하는 데 어떻게 적용될 수 있는가?
• RQ2 다양한 운영 조건에서 추출 수율을 추정하는 데 있어 신경망의 예측 정확도는 어떠한가?
• RQ3 伝통적 방법에 비해 신경망이 최적 공정 매개변수를 식별하는 데 얼마나 향상시키는가?
• RQ4 다양한 신경망 아키텍처는 초임계 추출의 비선형 역학을 다루는 데 어떻게 성능을 발휘하는가?
• RQ5 화학분리 기술 분야에서 신경망 통합의 성공에 영향을 미치는 핵심 요소는 무엇인가?

주요 결과

• 신경망은 초임계 추출에서 공정 매개변수와 추출 결과 사이의 복잡한 비선형 관계를 성공적으로 모델링한다.
• 역전파로 학습된 전방향 신경망의 사용은 다양한 조건에서의 추출 수율을 정확하게 예측할 수 있게 한다.
• 신경망 모델은 시뮬레이션을 통해 최적 조건을 사전에 추론함으로써 광범위한 실험적 시험의 필요성을 크게 줄인다.
• 초임계 추출 공정에 신경망 모델을 통합함으로써 공정 제어 및 효율성이 향상된다.
• 이 연구는 다매개변수 최적화를 위한 고효율 분리 공정에서 신경망이 효과적인 도구임을 확인한다.
• 이 리뷰는 신경망이 천연물질 정제 및 산업 화학 공정 분야의 혁신을 가속화할 잠재력을 지녔음을 강조한다.