[論文レビュー] A review of neural network algorithms and their applications in supercritical extraction

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

Analytical Chemistry and Chromatography参考文献 11被引用数 4

ひとこと要約

この論文は、超臨界抽出プロセスの最適化のためのニューラルネットワークアルゴリズムをレビューし、複雑で多次元のシステムをモデル化し、最適な条件を予測する能力を示している。バックプロパゲーションとフィードフォワードネットワークを活用することで、研究はニューラルネットワークが天然物質分離におけるプロセス効率と収率を効果的に向上させることを示している。

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.

研究の動機と目的

• ニューラルネットワークアルゴリズムの超臨界抽出への統合によるプロセス最適化の向上を検討すること。
• 超臨界抽出プロセスにおける多パラメータ制御の主な課題を特定すること。
• さまざまな条件下での実験的結果の予測において、ニューラルネットワークの有効性を評価すること。
• AIを用いた化学分離技術分野における産業的イノベーションのための参考資料を提供すること。
• 超臨界流体抽出システムにおけるニューラルネットワーク応用分野の最近の研究進展を要約すること。

提案手法

• 実験的超臨界抽出データのトレーニングにフィードフォワードニューラルネットワークとバックプロパゲーションを活用すること。
• プロセス変数と抽出収率との間の非線形関係をモデル化するために、マルチレイヤーパーセプトロン（MLP）アーキテクチャを適用すること。
• 入力パラメータ（例：圧力、温度、流量）から出力応答（例：収率、純度）へのマッピングを実現するため、教師あり学習手法を採用すること。
• 歴史的実験データを活用して、最適な作動条件の予測と最適化のためのモデルをトレーニングすること。
• 予測誤差を最小化し、モデル収束を向上させるために、誤差のバックプロパゲーションを実装すること。
• リアルタイム最適化と意思決定支援のため、プロセス制御システムにニューラルネットワークモデルを統合すること。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてニューラルネットワークを効果的に応用し、多次元の超臨界抽出プロセスをモデル化・最適化できるか？
• RQ2 多様な運用条件下での抽出収率を推定する際、ニューラルネットワークの予測精度はどの程度か？
• RQ3 従来の手法と比較して、ニューラルネットワークは最適プロセスパラメータの特定をどの程度向上させるか？
• RQ4 超臨界抽出の非線形ダイナミクスを処理するにあたり、異なるニューラルネットワークアーキテクチャはそれぞれどのように性能を発揮するか？
• RQ5 化学分離技術分野におけるニューラルネットワーク統合の成功を左右する主な要因は何か？

主な発見

• ニューラルネットワークは、超臨界抽出におけるプロセスパラメータと抽出結果との間の複雑な非線形関係を効果的にモデル化した。
• バックプロパゲーションでトレーニングされたフィードフォワードネットワークの使用により、さまざまな条件下での抽出収率を正確に予測できるようになった。
• シミュレーションによる最適条件の予測により、ニューラルネットワークモデルは膨大な実験的試行の必要性を顕著に削減した。
• 超臨界抽出プロセスへのニューラルネットワークモデルの統合により、プロセス制御と効率が向上した。
• 本研究は、高効率分離プロセスにおける多パラメータ最適化に、ニューラルネットワークが有効なツールであることを確認した。
• 本レビューは、ニューラルネットワークが天然物質精製および産業的化学プロセス分野におけるイノベーションを加速する可能性を浮き彫りにした。