[论文解读] 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 4

一句话总结

本文综述了神经网络算法在优化超临界萃取过程中的应用，展示了其对复杂多变量系统进行建模并预测最佳条件的能力。通过利用反向传播和前馈网络，研究证明神经网络能有效提升天然产物分离过程的效率和收率。

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.

研究动机与目标

• 探讨神经网络算法在超临界萃取中集成应用以实现过程优化的提升。
• 识别超临界萃取过程中多参数控制的关键挑战。
• 评估神经网络在不同条件下预测实验结果的有效性。
• 为利用人工智能推动化学分离技术工业创新提供参考。
• 总结近期神经网络在超临界流体萃取系统中应用的研究进展。

提出的方法

• 利用带有反向传播的前馈神经网络对实验超临界萃取数据进行训练。
• 应用多层感知机（MLP）架构来模拟过程变量与萃取收率之间的非线性关系。
• 采用监督学习技术，将输入参数（如压力、温度、流速）映射到输出响应（如收率、纯度）。
• 使用历史实验数据训练模型，以预测和优化最佳操作条件。
• 实施误差反向传播以最小化预测误差并提高模型收敛性。
• 将神经网络模型集成到过程控制系统中，实现实时优化和决策支持。

实验结果

研究问题

• RQ1 如何有效应用神经网络来建模和优化多变量超临界萃取过程？
• RQ2 神经网络在不同操作条件下估算萃取收率的预测精度如何？
• RQ3 与传统方法相比，神经网络在识别最佳工艺参数方面能提升多少？
• RQ4 不同神经网络架构在处理超临界萃取非线性动力学方面的表现如何？
• RQ5 影响神经网络在化学分离技术中成功集成的关键因素有哪些？

主要发现

• 神经网络成功建模了超临界萃取中过程参数与萃取结果之间的复杂非线性关系。
• 采用反向传播训练的前馈网络能够准确预测不同条件下的萃取收率。
• 神经网络模型显著减少了对大量实验试错的需求，通过计算机模拟预测最佳条件。
• 将神经网络集成到超临界萃取过程中可提升过程控制与效率。
• 本研究证实，神经网络是高效分离过程中多参数优化的有力工具。
• 综述强调了神经网络在加速天然产物纯化及工业化学加工创新方面的潜力。