人工智能模型产量效率优化、预测和生产从柑橘类水果外果皮精油萃取过程的可伸缩性

1介绍

互联的精油市场是一个成熟的行业与其他行业,如加工食品、香水的香味,和战略部门(孔雀王朝et al ., 2021;Sharmeen今天et al ., 2021;Israfi et al ., 2022;西班牙纳瓦拉et al ., 2015;拉博拉et al ., 2020)。世界市场尚未大规模崩溃的恢复商业COVID-19大流行期间,仍然显示出减速的迹象,与橙生产下降的主要生产商全球(巴西、佛罗里达和西班牙)(美国农业部,2022年)。因此,柑橘类精油的价格已经达到前所未有的高水平(Technavio 2022),这对新人生产者进入市场的吸引力至少满足当地的需求。拉斯维加斯市的氟化钠在厄瓜多尔的玻利瓦尔柑橘类水果生产,是一个有吸引力的中心与雄心勃勃的扩张的迹象。厄瓜多尔国家统计机构和统计(西班牙de Estadistica y Censos-INEC)和厄瓜多尔部长办公室农业和畜牧业(Ministerio de水资源y Ganaderia-MAG)估计橙生产110.472吨上升在即将到来的年。在一个地方(在其他省份在厄瓜多尔),柑橘类水果从拉斯维加斯氟化钠吸引高需求和消费,保证的一个巨大来源柑橘浪费,最终可能在二级产品生产。

精油的有机化合物,提供特征气味柑橘类水果,橘子皮的主要组成部分。柑橘类精油的主要成分是柠檬烯;其经验公式(C₁₀H₁₆)是一种单萜,展览两个D -和L-limonene光学异构体和外消旋的组合称为二戊烯(Gonzalez-Mas et al ., 2019)。柠檬烯存在于超过49挥发性有机化合物分为萜类化合物酯(90%),与浓度根据水果品种:佛手柑30% -40%,40% -75%,柠檬,甜橙(68% - -98%Moufida Marzouk, 2003)。大部分的化学和物理萃取过程依赖于精油分子波动(巴尔博亚劳拉,2011的质量和数量),尽管果皮精油的提取效率水平可以影响独立的提取方法(加西亚,2014)。微波hydrodiffusion脱颖而出,因为它是无溶剂、高效提取时间短(法典et al ., 2016;拉博拉et al ., 2020)。然而,对于任何提取方法,一个高度精确的预测模型能够确定提取效率的优化和设计是非常重要的可伸缩的各级提取途径,例如在实验室或工业。

广泛的一组变量及其非线性和复杂的相互关系使预测精油的提取率具有挑战性的任务。缺乏普遍性的数学模型也有助于这个困难,与模型提取technique-dependent (贝赫那et al ., 2000;Sovova 2005;Lainez-Ceron et al ., 2022;El Ouaddari et al ., 2022)。蒸汽蒸馏的预测模型甚至可以成为过时的精油的变异源(Gawde et al ., 2014)。明确质量标准的不足一个数学工具,预测了研究人员使用多项式,指数和对数拟合与预测工具来帮助至少数据点的位置(本地空间)(Zlatev Shivacheva, 2018;Fakayode Abobi, 2018)。这些基本的局部空间拟合预测能力的类型是以牺牲局部域,推断,预测功能要求,使提取过程的可伸缩性。

人工智能是一种数值方法,识别内部数据中的模式识别和分类数据转换成更大的集合。人工智能算法可以处理非线性和复杂性的数据结构和预测输出数值过程(Meuwly 2021)。鉴于化学过程变量的复杂性质,人工智能预测模型是制定一个合适的工具。蒸汽蒸馏提取模型与人工神经网络算法取得了引人注目的石油产量预测的精确性从土壤中提取(Daryasafar et al ., 2014)。优化操作条件可以探讨在能源密集型蒸馏过程通过基于机器学习预测模型得出结论与建议最佳蒸汽流量,减少能源消耗和最大化生产产量(公园et al ., 2022)。我们专注于开发一种人工智能模型工具对蒸汽蒸馏率的预测从橙皮中提取精油。

使用最先进的人工智能算法,本工作介绍technique-independent预测神经网络模型从橙皮中提取精油。我们提出一个多层感知器(MLP)人工神经网络(ANN)与监督学习。模型拓扑架构达到最好的预测通过内部节点调整模型的结构,测试集的统计误差描述符进行了优化。安向MLP处理输入(橙皮质量)和输出(精油质量)数据从蒸汽蒸馏实验。蒸汽蒸馏是最常见的精油萃取技术在实验室级别(法et al ., 2006)和工作时油分子扩散的原理与水分子的蒸汽状态(钱德勒,2002年)。均方误差(MSE)和确定系数(R²)是选择的错误描述符来指导网络优化,在其他地方使用(公园et al ., 2022)。一个和9个神经元隐层,使用Levenberg-Marquardt反向传播,和神经权重调整算法优化MSE和R²的石油提取模型。该模型方法铺平了道路规划和设计采油过程比在实验室在更大的尺度上。

2方法

2.1样本集合

当地农民从厄瓜多尔玻利瓦尔省Las氟化钠,Guaranda西北88公里的城市,提供了素类l .原料皮材料。这个原料皮废料生产过程在当地柑橘农场。生产过程中使用的橘子在拉斯维加斯当地农场氟化钠有°白利糖度和酸度指数7。“°白利”是衡量水溶解糖的物质。1°白利传统上被定义为1 g的蔗糖100克的水。“酸性”被定义为可滴定酸度,措施的总酸浓度食品(也称为总酸度)。读者可以参考Jayasena和卡梅隆(2008为进一步阅读)。°白利糖度和酸度是一个分类的步骤之前由当地农民使用食品加工的橘子。

在我们仔细运送原料到城市瓜亚基尔,目测选皮材料的表面的提取实验。我们使用冷水和一张纸软组织的污渍洗掉奇怪的橘子皮。洗皮块经历了一个精简版过程获得小定期约1.5×1.1厘米²促进精油提取。

2.2蒸汽蒸馏

蒸汽蒸馏设备包括三个主要部分:Clevenger-type装置,一个热源,玻璃螺旋冷凝器。玻璃塔由两院组成:一个包含1250 L的蒸馏水和众议院随后包含皮块的上院。室底部作为蒸汽源下的热量。我们使用五装载质量点(样品重量)的橙皮200,300,350,400,500 g。五个蒸汽蒸馏实验重复每个质点是人工智能的统计基准的方法。这项工作执行总共25蒸馏过程。

在每一个水蒸气蒸馏实验,来自加热的1250 L蒸馏水在下议院120°C。蒸汽进入参议院,分离块的精油,考虑到所需的化合物的分子波动。我们后来让它使用玻璃螺旋压缩冷凝器在21°C水和精油分子的混合物。30分钟的时间推移蒸馏证明最优,基于以前的hydro-distillation研究(Golmohammadi et al ., 2018),保证足够的材料第一次浓缩后下降。Clevenger-type装置分离产生的解决方案与提取的精油在顶部冷凝后的明显两相液体油的相对密度较低。

2.3橙皮表征

我们跟着930.15方法所描述的Asociacion de Quimicos Analiticos Oficiales (AQAO 2019湿度测量。基本测量原理检测体重的下降是由于蒸发当暴露样本70°C恒定加热后固定的时间。我们使用加热时间间隔2 h的固定70°C和洗皮片的质量测量之前和之后的过程。过程的总固体后的质量值参数(采用AOAC公认的手动N°925, 10日,1997年),和质量差异对初始质量是湿度测量。

电位测量pH值被用来探测的酸度皮样品(pH)。其实除了780瑞士万通酸度计的使用。通过比较已知与未知电压电压根据规范N 981.12°e, G,采用AOAC公认的,1997年,pH值计算示例。

分光光度法(法玛西亚模型Ultrospec 3000)测量了还原糖的成分橙皮与UBA-laboratories合作(非洲联合银行实验室,2022)。可以找到的基本原则Haldar et al . (2017)。

2.4计算方法

一个多层感知器(MLP)神经网络算法是人工智能模型的选择对我们的实验由于其兼容性与我们的数据结构。延时是一个监督学习算法和可存取的Matlab实现。传统模式的架构由无数隐藏层之间的输入和输出层,与一些编码每层神经元。我们固定的隐藏层数与乙状结肠激活功能层之间。单隐层的架构的优化过程由不同的神经元数量的内部优化的一组错误描述符:MSE(最小化)R²(最大化)(公园et al ., 2022)

分别。在给定的质量负载水平,n是质量负载数据点的数量, ${米}_{我}^{\mathrm{经验值}}$ 观察到的屈服值,米^pred神经元网络预测质量负载点的值,和 ${\overline{米}}^{\mathrm{经验值}}$ 是质量加载组的意思。我们的模型使用反向传播加强学习过程的模型,我们使用Levenberg-Marquardt重神经元互联算法(Levenberg 1944;马夸特测定法,1963)。

所需的模型训练和测试数据集。延时算法流程质量负载值作为输入和精油萃取率值作为输出。20萃取实验(5每200、300、400、500克质量负载点),数据从70%(质量负载和萃取率)(14)由训练数据集的实验。剩下的30%(从其他六个实验)与神经网络测试集。我们也使用数据从测试集来计算MSE和R²描述符在每个迭代的架构重组。350 g组(数据从五个实验是350克的质量负载)基准测试模型的预测能力和它与传统线性相比,对数,多项式拟合曲线。

2.5主成分分析

说我们有一个数据矩阵Xn×p维度,列数据感兴趣的特性,和行数为每个特性的测量。主成分分析的重点是确定数量减少的功能封装的大部分信息(方差)的数据集,我们实现这个feature-dimensional-reducing属性通过计算方程

在哪里米是减少组件代表最原始信息的V方差矩阵的归一化特征向量矩阵吗σ, $\sigma ={\stackrel{̂}{X}}^T\stackrel{̂}{X}$ 和T意味着真正的矩阵转置操作。

矩阵 $\stackrel{̂}{X}$ 减去后得到的平均价值功能,其相应的特征列。

对于我们的数据集,在矩阵的条目X是提取的精油百分比。矩阵是

列在哪里,从左到右,橙皮质量载荷200克,300克,350克,400克,500克。行是我们执行的五个实验/质量负载。

后减去average-extracted精油对于一个给定的质量负载百分比值对应的列,我们发现σ是

我们引入因子10⁶缓解读者矩阵可视化。的特征值σ是163.681,13.934,3.569,0.012,0与各自的特征向量。

• $\left(0.8237,-0.695018,38.801,0.3574,1\right)$

• $\left(-2.6767,3.46971,0.15437,-6.63946,1\right)$

• $\left(0.0000611,-0.013081,-0.027326,0.143118,1\right)$

• $\left(5.99646,-11.061,-0.27701,-8.0537,1\right)$

• $\left(50.9817,30.863,-0.515781,-4.28649,1\right)$

我们选择V是一个列向量的归一化特征向量特征值163.681,这是第一个主成分。

与V矩阵,定义X^TV测量的数量减少到一个代表最数据,这样我们就能获得一个可靠的表示数据结构的质量负载的函数。我们将减少测量称为第一个组件测量。

3结果与讨论

均匀样本质量保证信心增强的统计数据,从而提高了模型的预测精度。我们实现了一个质量控制计划,第二节中描述的皮清洗步骤后,常规的皮块,在5%置信区间相对于标准表1被选为提取实验。高湿度是可取的,甚至分子混合物(水+柠檬烯橙皮油分子)将在沸点低于单独的液体沸腾而蒸汽流过样品蒸汽蒸馏实验。

图1和表2总结实验结果在200克,300克,350克,400克,500克质量负载水平的定期清洗块橘子皮提取后治疗。产量数据与文献报道类似蒸汽蒸馏的精油c . sinensis皮(布兰科Tirado et al ., 1995;德·莫拉埃斯Pultrini et al ., 2006)。

随着质量负载的增加,提取的精油质量应该线性增强在蒸馏过程中所描绘的一样图1。然而,提取率尺度的质量负载速度超过线性趋势,呈现积极的超采状况。这个分析是进一步支持组件开发的2.5节,主要分析与数据增加非线性对质量加载。这种行为使得非线性数值数据结构的理想过程,如中长期规划的算法。t分布的信心和95%置信区间分析和四自由度进一步支持over-linear萃取率的增加。t分布估计(列4表2)表明一个更高效的提取样品重量。

太阳et al . (2017)也公布over-linear提取率和样品重量之间的依赖关系。尽管这种依赖性背后的原因是超出我们目前的范围,我们推测,大样本权重呈现一个增强的分子扩散在橙色peel-water接口。装载质量更大质量负载腔占据更大的空间,减少混合物的沸点(水蒸气+精油分子),促进更多的物质提取。我们将在后续进行更深入的研究。

向MLP神经网络显示了有希望的结果图2,预测开采石油产量的函数的神经元数量350 - g样本集。图2一个显示错误的进化描述符(MSE和R²),而提高网络的隐层神经元的数量。R²稳定六神经元后,到达高原之后,MSE反弹时神经元数量增加。图2 b描述了预测值的进化从网络密度隐层。

我们观察的预测在向MLP之间存在明确的相关性图2 b和MSE 2 a。数值分析表明MSE的相关性与模型预测源于MSE的灵敏度值飙升的网络模型。我们定义一个值飙升米^pred落入的范围超过3σ的错误 ${\overline{米}}^{\mathrm{经验值}}$ 。相反,尽管R²展览一些飙升的行为在低神经元数字(图2一个),这个错误描述符稳定随着神经元的数目的增加,鉴于方程考虑分母2。而神经元数量的增加,R²化合物的影响预测和平均值的样本权重集,冲淡任何强化行为的预测算法。不同的敏感性水平的统计数据R²和MSE显示使用一个以上的错误描述符的重要性在网络优化结果。优化过程表明,最优使用在隐藏层神经元数量是9日,基于两个发现:一个稳定R²和MSE和预测值平均产量350 g组的置信区间 $\left(0.110,0.122\right)$ 。

网络的预测能力优于其他更常见的数学模型广泛用于文学(Zlatev Shivacheva, 2018;Fakayode Abobi, 2018),如观察到表3最高的,R²的MLP神经网络。我们的模型显示明显的优势超过其他模型准确预测的萃取率350 - g质量负载设置位于附近的样品重量范围(从200年到500年g)。更大的训练集,延时应该准确地预测提取值的训练样本的体重范围。这个特性是相关的规划和设计可伸缩的工业提取过程,是一种有价值的方法对初始的飞跃从实验室到工业扩大。

4结论

我们开发了一个创新的和替代方法的油萃取率预测使用最先进的人工智能算法。我们使用steam-distilled精油提取数据从橙皮训练多层感知器(MLP)神经网络监督学习方法来实现一个精度超出了标准的预测模型在文献中。通过同时优化两个拟合参数(R²和MSE),我们证明向MLP神经网络实现了最优结构与一个隐藏层神经元和9,获得精度和预测能力R²EMC % = = 0.9929和0.0040验证样本集。该模型开发的这项工作有可能解开预测能力与可伸缩的设计将实验室生产原型的工业水平,因此作为一个临时解决方案的可行路径的柑橘石油市场。

数据可用性声明

最初的贡献提出了研究中都包含在这篇文章/补充材料;进一步询问可以针对相应的作者。

作者的贡献

科幻:监督writing-review和编辑,项目管理,和概念化。房颤:原创作品草稿,调查,和正式的分析。MM:方法。防毒气的:写作。GPG:验证、监督和writing-review和编辑。

确认

我们承认大学化学系在单位的支持让我们的瓜亚基尔市发布这项工作。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或那些出版商编辑和评论员。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用