人工神经网络优化油莎豆油亚临界萃取工艺

邓淑君; 郝琴; 万楚筠; 郭婷婷; 魏春磊; 郑明明

doi:10.19802/j.issn.1007-9084.2023031

PDF(5088 KB)

中国油料作物学报 ›› 2024, Vol. 46 ›› Issue (5) : 1178-1186. DOI: 10.19802/j.issn.1007-9084.2023031

检测加工

人工神经网络优化油莎豆油亚临界萃取工艺

作者信息 +

Optimization of subcritical butane extraction for tiger nut oil based on artificial neural network coupled with PSO

Author information +

文章历史 +

摘要

为优化亚临界丁烷萃取脱皮油莎豆油工艺，采用单因素试验确定因素水平，中心复合表面设计（CCF）安排寻优试验，在此基础上分别构建了响应面（RSM）和反向传播人工神经网络（BP-ANN）模型，运用粒子群算法（PSO）对BP-ANN模型进行优化，并对RSM和PSO-BP-ANN模型的寻优结果进行了比较。结果表明，RSM模型优化的萃取条件为：料液比（脱皮油莎豆∶丁烷）1∶10.36 g/mL、萃取时间45 min、萃取温度30℃、坯料厚度0.5 mm；PSO-BP-ANN模型优化的萃取条件为：料液比1∶10.67 g/mL、萃取时间40.10 min、萃取温度34℃、轧坯厚度0.5 mm。在最佳条件下，RSM模型预测提取率为91.63%，验证值为94.27%，相对误差2.56%；PSO-BP-ANN模型预测值为95.58%，验证值为95.14%，相对误差0.46%。采用人工神经网络耦合粒子群算法（PSO-BP-ANN）优化油莎豆油亚临界萃取工艺，具有提取率高、相对误差小等优势。本研究可为亚临界萃取技术在油莎豆油高效制取中应用提供参考。

Abstract

In order to optimize the subcritical butane extraction process for dehulled tiger nut oil, single factor experiment was taken to determine the levels of the factor, central composite face-centered design (CCF) was used to optimize the subcritical extraction conditions, based on which response surface methodology (RSM) and back propagation artificial neural network (BP-ANN) models were constructed, respectively. The BP-ANN was optimized by particle swarm optimization (PSO), and the optimization results of the RSM model and PSO-BP-ANN model were compared. The optimal extraction conditions optimized by RSM and PSO-BP-ANN models were as follows: solid-liquid ratio (dehulled tiger nut: butane) was 1:10.36 g/mL, incubation time for 45 min, extraction temperature was 30℃, the rolling thickness was 0.5 mm; the solid-liquid ratio was 1:10.67 g/mL, the extraction time was 40.10 min, the extraction temperature was 34℃, and the thickness of the rolled billet was 0.5 mm. Under the optimal conditions, the predicted extraction rate of the RSM model was 91.63%, the experimental result was 94.27%, and the relative error was 2.56%. The prediction value of the PSO-BP-ANN model was 95.58%, the validation value was 95.14%, and the relative error was 0.46%. The artificial neural network coupled particle swam optimization (PSO-BP-ANN) was used to optimize the subcritical extraction process of tiger nut oil, which had advantages of high extraction rate and small error. This study can provide a reference for the application of subcritical extraction technology in the efficient production of tiger nut oil.

导出引用

邓淑君 , 郝琴 , 万楚筠 , 郭婷婷 , 魏春磊 , 郑明明. 人工神经网络优化油莎豆油亚临界萃取工艺[J]. 中国油料作物学报, 2024, 46(5): 1178-1186 https://doi.org/10.19802/j.issn.1007-9084.2023031

Shu-jun DENG , Qin HAO , Chu-yun WAN , Ting-ting GUO , Chun-lei WEI , Ming-ming ZHENG. Optimization of subcritical butane extraction for tiger nut oil based on artificial neural network coupled with PSO[J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2024, 46(5): 1178-1186 https://doi.org/10.19802/j.issn.1007-9084.2023031

中图分类号： TS224.4

油莎豆又名虎坚果（Cyperus esculentus L.），其地上的茎叶可作为青贮饲料；地下的块茎可食用且含油量可达30%以上^[1-3]，也富含淀粉、可溶性糖、维生素E等营养成分^[4]，是一种集粮、油、牧、饲、糖、药源物质、生物质能为一体的新兴经济作物^[2]。油莎豆根系发达，易管易种，不争良田，其干豆（块茎）产量可达9000 kg/hm²，产油量1800 kg/hm²以上，其油中油酸含量最高，亚油酸其次，脂肪酸组成与橄榄油极为相似^[5]，作为潜在的可部分替代进口大豆的油料资源引起了学者的广泛关注。深入研究与发展油莎豆种植与油脂高效提取技术成为应对国家食用油供给瓶颈和抢占未来市场的重要手段^[6]。

亚临界流体萃取作为一种新兴的绿色提取技术，其萃取环境封闭、条件温和，萃取毛油卫生安全、质量可靠、营养成分齐全，近年来在油脂加工等领域应用广泛^[7~10]。目前，关于油莎豆油亚临界萃取工艺研究的公开报道较少，关注点主要在工艺参数优化和萃取效率提高上，所采用的优化手段也仅是正交、响应面（response surface methodology, RSM）等常规方案。正交试验虽然简单易用，但是得到的优选值仅是试验所用的水平组合，最终难以优化到具体的点或区域；而响应面法对因素水平的要求较高，试验点的选择直接影响到响应面模型优化的结果，且该方法主要拟合多元二次的非线性模型，在拟合其他模型时存在局限^[11]。人工神经网络（artificial neural network, ANN）由于在解决多因素，非线性复杂问题上具有较大优势，尤其具备以任意精度反映映射过程的特点，备受瞩目，目前已广泛应用于工艺优化、光学、医学等多个领域^[12-15]。反向传播人工神经网络（back propagation-artificial neural network, BP-ANN）作为最普遍的神经网络训练算法，该算法简单易用，但存在局部优化特性以及依赖权值和偏置初始化选择的问题，将使训练后神经网络的输出结果不具一致性和不可预测性，从而导致模型的可靠性降低^[16]。针对此项缺陷，许多学者^[17,18]引入粒子群算法（particle swarm optimization, PSO），通过其全局迭代寻优能力优化BP-ANN的初始权值和偏置，从而提高模型准确性，降低错误率。张浩科^[14]等为提高广藿香挥发油提取率，构建的PSO-BP-ANN模型得到的优化结果均高于正交试验法，且提取成本大幅度降低，节约了资源。Gu^[17]等将PSO-BP- ANN模型应用于研磨过程中SiCp/AI复合材料的能耗预测，结果表明PSO-BP-ANN模型具有精度高和准确度好等优势。

综合国内外文献，目前关于人工神经网络耦合粒子群算法优化亚临界丁烷萃取工艺的研究还未见报道。因此，本研究以脱皮油莎豆为试验原料，以油莎豆油提取率作为评价指标，分别采用RSM和BP-ANN耦合PSO对亚临界丁烷萃取工艺进行优化，对两种模型的最终寻优结果进行评价，并获得最佳工艺参数，以期为亚临界萃取技术在油莎豆油高效制取中应用提供数据参考。

1 材料与方法

1.1 试验材料与设备

油莎豆油脂质量分数为23.65%（干基），含水率为7.39%，产自内蒙古；石油醚（30℃~60℃）购自国药集团化学试剂有限公司。

DHG-9070A型电热恒温鼓风干燥箱（上海索普仪器有限公司）；YCFZD-2A型冷风干燥一体机（杭州欧易电器有限公司）；6FT-B7型新型豆类整粒脱皮机（菏泽工科机械制造有限公司）；CBE-5L型亚临界丁烷萃取装置（河南省亚临界生物技术有限公司）；FKM-200型电动压面机（浙江俊媳妇厨具有限公司）。

图1 油莎豆（A：油莎豆净豆，B：脱皮油莎豆，C：油莎豆坯片（厚度0.5 mm）

Fig. 1 Tiger nut (A: clean tiger nut, B: peeled tiger nut, C: thin slices of tiger nut (thickness 0.5 mm)

Full size|PPT slide

1.2 试验方法

1.2.1 原料预处理

油莎豆经高压水枪清洗、冷风干燥（30℃，8 h）去除表面水分，再利用整豆脱皮机进行脱皮；脱皮油莎豆用压面机进行轧坯处理，调节辊间距得到不同厚度的油莎豆坯片，用游标卡尺测定坯片厚度（绝对误差不超过±0.1 mm）后，分装于自封袋中，4℃冷藏备用。

1.2.2 亚临界丁烷萃取脱皮油莎豆油^[19]

用孔隙大小为200目的萃取袋装取一定量脱皮油莎豆坯片，置于萃取罐中，装盖密封后，利用真空泵将萃取罐、分离罐和计量罐的压力降至0.01 MPa；待萃取罐中温度达到设定值时，按照预先确定的料液比计量加入丁烷，静态萃取一段时间后，打开萃取与分离罐间连通管阀门，开启压缩机进行脱溶，直至三罐的压力都降至0.01 MPa；破真空后，收集分离罐中的油和收集萃取罐中豆粕，称量并记录油和粕质量。

提取 率 % = \frac{m_{1} \times w_{1} - m_{2} \times w_{2}}{m_{1} \times w_{1}}

。式中，m₁为原料重（g），w₁为原料含油量（%），m₂为萃取后粕重（g），w₂为粕残油含量（%）。

1.2.3 含油量测定

原料的含油量及粕的残油含量测定按照GB/T 14488.1。

1.2.4 单因素试验设计

分别考察料液比（1∶4、 1∶6、1∶8、1∶10、1∶12）、萃取时间（10 min、15 min、25 min、35 min、45 min）、萃取温度（20℃、30℃、40℃、50℃、60℃）和轧坯厚度（0.5 mm、1 mm、2 mm、 3 mm、4 mm）主要影响亚临界萃取油莎豆油提取率的四个因素。

1.2.5 寻优试验设计

在单因素实验基础上，考虑到简化试验的同时，提高模型预测精度^[20]，采用中心复合表面设计（central composite face-centered design，CCF）方法，以料液比A、萃取时间B、萃取温度C、轧坯厚度D为自变量，油莎豆油提取率为响应值，设计四因素三水平的寻优试验。CCF设计试验因素与水平见表1。

表1 CCF因素与水平

Table 1 CCF factors and levels

编码 Code	因子 Factor	水平 Level
编码 Code	因子 Factor	-1	0	1
A	料液比 Solid-liquid ratio /（g/mL）	1∶8	1∶10	1∶12
B	萃取时间 Extraction time/min	25	35	45
C	萃取温度 Extraction temperature/℃	30	40	50
D	轧坯厚度 Thickness of rolled billet/mm	0.5	1	1.5

1.2.6 BP-ANN的建立

以上述4个因素作为输入神经节点，油莎豆油提取率作为输出神经节点，隐藏节点设置为10，采用MATLAB 2018a软件建立具有输入层、隐藏层、输出层各一层的三层BP-ANN结构，如图2所示。

图2 BP-ANN具体模型结构

Fig. 2 BP-ANN specific model structure

Full size|PPT slide

将单因素试验以及CCF试验中的数据作为构建BP-ANN的样本数据。参考国内外文献，训练数据一般在2/3到4/5之间，训练精度过大和过小均会降低网络模型的预测精度。因此，随机选取整体样本中的70%作为训练样本，15%作为测试样本以及15%作为验证集样本。设定BP-ANN训练次数1000次，训练目标1×10^-6，学习参数0.1。

为提高模型精确度，本试验以迭代前后BP-ANN预测值与真实值的差值的范数作为PSO的适应度函数。当范数最小时或者迭代次数达到设定值，返回全局粒子最优位置，即输入层到隐藏层以及隐藏层到输出层的权值和偏置，并将该权值和偏置赋给BP-ANN，完成PSO优化BP-ANN。具体优化步骤见下：

（1）参数设定：设定粒子群规模50，最大迭代次数200，个体学习因子c₁ 为1.5，群体学习因子c₂ 为1.5。惯性因子根据最大迭代次数和当前迭代次数动态变化。

（2）初始化每个粒子的初始位置和速度。

（3）根据适应度函数不断更新个体粒子和全局粒子的位置和速度，通过粒子之间适应值的比对，得到个体最优解（Pbest），并将Pbest赋给全局最优解（Gbest）。粒子所在的位置对应着BP-ANN待优化的权值和偏置。

（4）在每次迭代过程中，每个粒子通过公式（1）和（2）更新位置和速度^[21]。待适应度值达到预期值或者迭代次数达到最大次数，运算停止。

v_{i d}^{k + 1} = ω v_{i d}^{k} + c_{1} \times r a n d_{1}^{k} \times (P b e s t_{i d}^{k} - x_{i d}^{k}) + c_{2} \times r a n d_{2}^{k} \times (G b e s t_{d}^{k} - x_{i d}^{k})

（1）

x_{i d}^{k + 1} = x_{i d}^{k} + v_{i d}^{k + 1}

（2）

式中：ω是惯性因子，是控制速度的权重，在迭代过程中惯性因子的大小动态变化有利于平衡全局搜索和局部搜索的速度；

v_{i d}^{k + 1}

是粒子i在第k+1次迭代中第d维的速度；

v_{i d}^{k}

是粒子i在第k次迭代中第d维的当前位置；i=1, 2, ..., N是种群大小；c ₁和c ₂：是学习因子；

r a n d_{1}^{k}

和

r a n d_{2}^{k}

是介于[0,1]之间的随机数。

P b e s t_{i d}^{k}

是粒子i在第d维的个体极值点的位置；

G b e s t_{d}^{k}

是整个种群在第d维的全局极值点的位置。

设定学习因子c ₁、c ₂为1.5，粒子群规模500，最大迭代次数200，粒子飞行最大速度为1.5，设定的飞行边界在试验因素的水平范围内。

1.3 数据处理

使用Excel 2016对试验数据进行整理和分析，用Prism 9和Matlab 2018a绘制图形，采用Minitab 19软件设计CCF试验方案并构建RSM模型。采用Matlab 2018a建立BP-ANN模型和PSO优化操作。

2 结果与分析

2.1 单因素试验确定因素水平

当轧坯厚度为1.0 mm、萃取温度为40℃、萃取35 min时，料液比对亚临界丁烷萃取油莎豆油提取率的影响见图3A。提高溶剂占比有利于提高油脂萃取率，当料液比由1∶4到1∶8（g/mL m/V），提取率明显增加，在1∶10时达到最大，为90.25%，进一步增加正丁烷量时，由于两界面内混合油的浓度差减小，传质动力降低，提取率的升幅不再显著。因此，确定后续寻优试验设计料液比水平范围为1∶8到1∶12。亚临界萃取时间对油脂提取率的影响如图3B所示。从图3B中可以看出，当轧坯厚度为1.0 mm、萃取温度为40℃、料液比为1∶10时，适当延长萃取时间能显著提高油莎豆亚临界萃取的油脂提取率。当萃取时间为35 min时，油脂提取率达到最大，再延长萃取时间，此时两界面内的溶液浓度已达到平衡，提取率增加不明显。因此，确定后续寻优试验设计的萃取时间水平范围为25~45 min。图3C显示了萃取温度变化对油脂提取率的影响。萃取体系温度对油脂的提取有一定的积极意义，适宜的温度增加了分子的无序热运动，同时正丁烷和油脂的粘度降低，降低了传质阻力，提高了油脂萃取速率。然而，温度的升高会影响正丁烷的密度^[22]，溶剂密度的减小也降低了油脂在溶剂的溶解度。当萃取时间为35 min、料液比1∶10、轧坯厚度为1.0 mm时，提高萃取温度，油莎豆油提取率呈现先升高再降低趋势，在40℃时提取率最大。因此，确定后续寻优试验设计萃取温度水平范围为30℃~50℃。为了使油莎豆与正丁烷接触的表面系数最大化，对油莎豆进行轧坯处理，尽量提高提取率。从图3D可知，轧坯油莎豆越薄，油相向外迁移的路径就越短，油脂提取率就越高；当轧坯厚度从2 mm到1 mm时，亚临界萃取油莎豆油提取率从77.64%增加到90.25%。出于机械设备限制和能耗、经济性的考虑，轧坯厚度不能无限接近于零。因此，确定后续试验设计轧坯厚度的水平范围为0.5~1.5 mm。

图3 四种因素对亚临界提取率的影响

Fig. 3 Effect of four factors on subcritical extraction rate

Full size|PPT slide

2.2 响应面试验分析

试验结果及方差分析分别见表2和表3。由表3可知，模型项P<0.01表明该模型极其显著；回归方程的决定系数（R²）为0.9227，表明响应值的变化有92.27%来自所选变量。同时，模型的失拟项P>0.05，说明所得方程与实际拟合中非正常误差所占比例较小。因此，该模型较为可靠。经方差分析，4个因素对亚临界萃取油莎豆油提取率的影响显著且排序为：轧坯厚度（D）>料液比（A）>萃取时间（B）>萃取温度（C），其中A与C和B与D对提取率有显著的交互影响。

表2 CCF试验结果

Table 2 CCF arrangement and results

试验号 Test number	A	B	C	D	提取率 Extraction rate/%
1	8	25	30	0.5	88.99
2	12	25	30	0.5	91.76
3	8	45	30	0.5	89.19
4	12	45	30	0.5	91.21
5	8	25	50	0.5	86.18
6	12	25	50	0.5	89.98
7	8	45	50	0.5	87.55
8	12	45	50	0.5	89.18
9	8	25	30	1.5	82.79
10	12	25	30	1.5	81.36
11	8	45	30	1.5	84.09
12	12	45	30	1.5	85.99
13	8	25	50	1.5	78.15
14	12	25	50	1.5	83.76
15	8	45	50	1.5	81.60
16	12	45	50	1.5	87.56
17	10	35	40	1	87.80
18	10	35	40	1	88.82
19	10	35	40	1	86.50
20	10	35	40	1	87.84
21	8	35	40	1	85.76
22	12	35	40	1	87.46
23	10	25	40	1	85.78
24	10	45	40	1	89.14
25	10	35	30	1	89.22
26	10	35	50	1	86.96
27	10	35	40	0.5	89.56
28	10	35	40	1.5	84.31
29	10	35	40	1	87.70
30	10	35	40	1	90.54

	注：A：料液比，B：萃取时间，C：萃取温度，D：压坯厚度
	Note: A: solid-liquid ratio, B: extraction time, C: extraction temperature, D: rolling thickness

表3 回归模型的方差分析

Table 3 ANOVA of the regression model

来源 Source	自由度 df	Adj SS	Adj MS	F值 F value	P值 P value
模型 Model	15	272.711	18.181	11.13	0
A	1	33.392	33.392	20.45	0**
B	1	17.032	17.032	10.43	0.006**
C	1	8.326	8.326	5.1	0.04**
D	1	171.183	171.183	104.84	0**
A²	1	8.732	8.732	5.35	0.036**
B²	1	0.129	0.129	0.08	0.783
C²	1	0.238	0.238	0.15	0.708
D²	1	0.336	0.336	0.21	0.657
AB	1	0.037	0.037	0.02	0.883
AC	1	8.623	8.623	5.28	0.037**
AD	1	0.208	0.208	0.13	0.726
BC	1	0.314	0.314	0.19	0.668
BD	1	10.454	10.454	6.4	0.024**
CD	1	1.634	1.634	1	0.334
误差 Error	14	22.86	1.633
失拟 Lack of fit	10	15.778	1.578	0.89	0.601
纯误差 Pure error	4	7.081	1.77
合计 Total	29	295.57

	注：**表示对结果有显著影响
	Note: **indicates a significant effect on the results

通过Minitab 19对CCF试验结果多元回归拟合，获得提取率对自变量的多元二次回归方程为：

提取率%=73.2+8.29A-0.302B-0.793C-12.61D-0.464A2+0.00226B2+0.00306C2-1.45D2+0.0024A×B+0.0367A×C+0.114A×D+0.00140B×C+0.1617B×D+0.0639C×D

对回归方程求一价偏导数，当响应值最大时得到亚临界丁烷萃取油莎豆油最佳条件：料液比10.36 g/mL，萃取时间45 min，萃取温度30℃，轧坯厚度0.5 mm，提取率预测值为91.86%。

2.3 PSO优化BP-ANN效果分析

PSO是基于群体智能进化的计算方法，由Kennedy和Eberhart博士于1995年提出^[23]。在PSO中，优化问题被看作是在空中觅食的鸟群，那么‘食’就是优化问题的最优解，在空中飞行的每一只觅食的‘鸟’就是PSO算法中在解空间中进行搜索的一个‘粒子’。粒子在搜索空间中以一定的速度飞行，这个速度根据它自身的飞行经验和群体的飞行经验来动态调整。所有的粒子都由一个被优化的函数决定其适应值，适应值则决定粒子的位置。在每一次更新迭代过程中，每一个粒子通过改变自身的飞行速度和位置不断向最优解的位置靠近，直至达到最大迭代次数或找到目标值。

由图4可知，经过19次循环训练后，PSO优化BP人工神经网络的验证集均方误差达到了0.37×10^-2。训练拟合得到的模型的相关系数R为0.9674（图5），反映了输入层与输出层具有较好相关性。由图6可知，PSO对BP-ANN的优化显著降低了模型预测与真实值之间的绝对误差，提高了模型准确性。表明PSO-BP-ANN预测能力强，能够较好地映射试验参数与亚临界萃取脱皮油莎豆油的提取率之间的关系。

图4 PSO优化BP神经网络模型均方误差效果图

Fig. 4 Mean square error effect graph of BP neural network model optimized by PSO

Full size|PPT slide

图5 PSO优化BP-ANN模拟仿真效果

Fig. 5 Simulation effect of BP neural network model optimized by PSO

Full size|PPT slide

图6 PSO优化BP-ANN前后模型预测值与真实值的绝对误差

Fig. 6 Absolute error between predicted and true values of the model before and after PSO optimized BP-ANN

Full size|PPT slide

PSO-BP-ANN和BP-ANN寻优的结果分别为：料液比1:10.67 g/mL（m/V）、萃取时间为40.10 min、萃取温度为33.57℃、轧坯厚度为0.5 mm，预测提取率95.58%；料液比1:12 g/mL、萃取时间为45 min、萃取温度为31.21℃、轧坯厚度为0.5 mm，预测提取率为92.18%。

2.4 验证试验

对RSM、BP-ANN和PSO-BP-ANN优化提取工艺进行验证试验，设置三次重复。按实际情况对PSO-BP-ANN和BP-ANN优化条件稍做调整，修改及试验结果见表4。在最优条件下，PSO-BP-ANN、RSM和BP-ANN的验证结果分别为（95.14±0.71）%（预测值95.58%）、（94.52±0.83）%（预测值91.86%）和（93.18±0.53）%（预测值92.19%）；相对误差分别为0.46%、2.56%和1.06%。此外，以单因素试验和响应面试验条件数据作为输入值，对比了PSO-BP-ANN和RSM的预测精度，由图7知，PSO-BP-ANN模型预测值与真实值之间的相对误差仅在0～0.04%之间，而RSM模型最大相对误差超过了0.12%。结果显示，RSM和PSO-BP-ANN虽在经济和资源消耗上差异不显著，但PSO-BP-ANN优化的提取率高，提取率预测值与实际值的相对误差小，说明PSO-BP-ANN模型更为准确，可信度更高，更适用于解决工业优化问题。

表4 响应面、PSO-BP-ANN和BP-ANN优化亚临界丁烷萃取脱皮油莎豆油工艺验证试验结果（n=3）

Table 4 Validation test results of RSM, PSO-BP-ANN and BP-ANN optimized subcritical butane extraction of dehulled tiger nut oil process (n=3)

因素 Factor	RSM	PSO-BP-ANN	BP-ANN
料液比 Ratio of solvent to material/（g/mL）	1∶10.36	1∶10.67	1∶12
萃取时间 Extraction time/min	45	40.10	45
萃取温度 Extraction temperature/℃	30	34	31
轧坯厚度 Thickness of rolled billet/mm	0.5	0.5	0.5
提取效率 Extraction rate/%	94.52±0.83	95.14±0.71	93.18±0.53
模型预测值 Model predicted value/%	91.86	95.58	92.19

图7 PSO-BP-ANN和RSM的预测值与真实值的相对误差

Fig. 7 Relative error of predicted and true values of PSO-BP-ANN and RSM

Full size|PPT slide

3 讨论与结论

目前，亚临界正丁烷萃取装置主要运用固-液萃取原理，其中对油脂传质过程影响较大的几个因素——萃取温度、萃取时间、萃取压力、溶剂比、油料的外部结构以及油料组分。文中仅考虑了萃取温度、萃取时间、料液比以及轧坯厚度四种因素，一是由于亚临界丁烷萃取过程压力与萃取温度呈现正相关，且在实际操作过程中萃取温度更好精准控制，因此选择了只考察萃取温度的影响^[24]。二是对于油莎豆外部结构方面，在粉碎油莎豆还是轧坯油莎豆操作中选择了后者，主要是因为当油料粉碎过细时，溶剂在料层的渗透率会大幅度降低，残油率提高，而且细小的粉末可能会透过萃取袋，增加毛油的含渣量；此外，油莎豆质地坚硬，粉碎过程能耗高，粉料温升大，容易结块，可渗透性降低^[25,26]，造成残油率增加，而油莎豆轧坯操作则无上述问题。

连四超^[27]等以单因素试验和响应面法优化了亚临界萃取油莎豆油工艺，在其最佳工艺条件参数——粉碎粒度0.425 mm，萃取温度45℃，萃取时间50 min，料液比1∶8（g/mL）条件下，残油率为2.91%。本研究利用PSO-BP-ANN模型，以其全局非线性映射能力模拟了亚临界萃取过程中的各个因素与油脂提取率的关系，获得最佳工艺组合，萃取后残油率仅为1.48%，在不额外增加试验的基础上节约了成本和时间。这无疑为亚临界萃取工艺的优化提供了另一有效的途径。马建春^[11]等采用响应面法和BP-ANN进行了优化补阳还五汤工艺条件，结果显示BP-ANN优化的综合评分高，相对误差较小，并表示将人工智能与常规优化工艺方法如RSM、正交试验等联合应用于工业优化是未来研究和发展的方向。Liu等^[28]则在正交试验的基础上应用ANN算法对热水法提取玫瑰果籽多糖进行了预测，结果表示建立的模型精确（R²为0.9991），预测值与试验结果基本一致，并表明ANN模型是有效预测玫瑰果籽多糖提取的定量工具。本研究仅针对亚临界丁烷萃取油莎豆油的提取率进行了优化，油莎豆油中脂质伴随物或者油莎豆粕中某些营养成分同样可作为关键检测指标，后续可以围绕在提高油脂萃取效率同时，增加油或者粕中某一营养成分的溶出率或保留率的多目标优化试验等主题深入研究，从而提高油莎豆资源的高值化加工利用水平。

本试验在单因素试验和RSM试验基础上，采用Matlab对数据进行建模分析，优化了亚临界萃取脱皮油莎豆油工艺，PSO-BP-ANN方法得到的最佳工艺参数为：料液比1:10.67 g/mL、萃取时间40.10 min、萃取温度34℃、轧坯厚度0.5 mm，在此条件下预测油脂提取率为95.58%，残油率为1.48%，与验证试验值95.14%接近。对比研究表明，PSO-BP-ANN模型预测结果和拟合效果优于RSM和BP-ANN，显示出PSO-BP-ANN在优化亚临界萃取油莎豆油工艺具有先进性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	郭婷婷，万楚筠，黄凤洪，等. 油莎豆主要营养成分及生理功能研究进展［J］. 中国油料作物学报， 2021， 43（6）： 1174-1180. DOI： 10.19802/j.issn.1007-9084.2020145 . 本文引用 [1]

2	李志军，王绛，刘和，等. 油莎豆产业发展现状及建议［J］. 现代农业科技， 2022（8）： 225-231. DOI： 10.3969/j.issn.1007-5739.2022.08.072 . 本文引用 [1]

3	Mohdaly A， Awad A M， Mohamed H H， et al. Chemical composition， physicochemical properties and fatty acid profile of Tiger Nut （Cyperus esculentus L） seed oil as affected by different preparation methods［J］. Int Food Res J， 2015， 22（5）： 1931-1938. 本文引用 [1]

4	Ezeh O， Gordon M H， Niranjan K. Tiger nut oil （Cyperus esculentus L.）： a review of its composition and physico-chemical properties［J］. Eur J Lipid Sci Technol， 2014， 116（7）： 783-794. DOI： 10.1002/ejlt.201300446 . 本文引用 [1]

5	Coşkuner Y， Ercan R C， Karababa E， et al. Physical and chemical properties of chufa （Cyperus esculentus L） tubers grown in the Çukurova region of Turkey［J］. J Sci Food Agric， 2002， 82（6）： 625-631. DOI： 10.1002/jsfa.1091 . 本文引用 [1]

6	王志成，李双寿，梁雄，等. 中国油莎豆产业发展现状与前景展望［J］. 科技和产业， 2022， 22（1）： 62-67. DOI： 10.3969/j.issn.1671-1807.2022.01.009 . 本文引用 [1]

7	郭婷婷，万楚筠，黄凤洪，等. 亚临界流体萃取油脂及微量成分研究进展［J］. 中国油料作物学报， 2020， 42（1）： 154-160. DOI： 10.19802/j.issn.1007-9084.2019176 . 本文引用 [1]

8	Zhao Z C， Liu X D， Kang D S， et al. Optimization of the subcritical butane extraction of tung oil and its mechanism analysis［J］. Processes， 2022， 10（6）： 1071. DOI： 10.3390/pr10061071 .

9	Plangklang T， Khuwijitjaru P， Klinchongkon K， et al. Chemical composition and antioxidant activity of oil obtained from coconut meal by subcritical ethanol extraction［J］. J Food Meas Charact， 2021， 15（5）： 4128-4137. DOI： 10.1007/s11694-021-00989-5 .

10	Wang S A， Zhang Z S， Zhang T F， et al. Extraction and characterization of flaxseed oil obtained with subcritical n-butane［J］. J Oleo Sci， 2020， 69（9）： 1011-1020. DOI： 10.5650/jos.ess20051 . 本文引用 [1]

11	马建春，马灶亮，张昊亮，等. 补阳还五汤提取工艺的响应面法和人工神经网络模型优化［J］. 时珍国医国药， 2019， 30（2）： 337-340. 本文引用 [2]

12	邹立飞，郑鹏. 人工神经网络和响应面法优化薏苡仁酒发酵条件［J］. 中国酿造， 2021， 40（1）： 142-147. DOI： 10.11882/j.issn.0254-5071.2021.01.027 . 本文引用 [1]

13	Zhang Y， Fan Z， Jing G H， et al. Optimization of sour water stripping unit using artificial neural network–particle swarm optimization algorithm［J］. Processes， 2022， 10（8）： 1431. DOI： 10.3390/pr10081431 .

14	张浩科，高静，赵智龙，等. 人工神经网络结合粒子群优化算法优化不同产地广藿香挥发油提取工艺［J］. 中国中医药信息杂志， 2021， 28（5）： 83-87. DOI： 10.19879/j.cnki.1005-5304.202007035 . 本文引用 [1]

15	彭文珍. 基于CCOS小磨头抛光石英玻璃表面质量的评价与预测模型研究［D］. 天津：天津大学， 2014. 本文引用 [1]

16	曹曼，刘艳，顾雪平.基于粒子群优化算法的神经网络在暂态稳定评估中的应用［C］// 中国高等学校电力系统及其自动化专业第二十二届学术会论文摘要集. 2006： 2039-2042. 本文引用 [1]

17	Gu P， Zhu C M， Wu Y Y， et al. Energy consumption prediction model of SiCp/Al composite in grinding based on PSO-BP neural network［J］. Solid State Phenom， 2020， 305： 163-168. DOI： 10.4028/www.scientific.net/ssp.305.163 . 本文引用 [2]

18	Oruc R， Baklacioglu T. Propulsive modelling for JT9D-3， JT15D-4C and TF-30 turbofan engines using particle swarm optimization［J］. Aircr Eng Aerosp Technol， 2020， 92（6）： 939-946. 本文引用 [1]

19	Guo T T， Wan C Y， Huang F H. Extraction of rapeseed cake oil using subcritical R134a/butane： process optimization and quality evaluation［J］. Food Sci Nutr， 2019， 7（11）： 3570-3580. DOI： 10.1002/fsn3.1209 . 本文引用 [1]

20	张志红，何桢，郭伟. 在响应曲面方法中三类中心复合设计的比较研究［J］. 沈阳航空工业学院学报， 2007， 24（1）： 87-91. DOI： 10.3969/j.issn.2095-1248.2007.01.026 . 本文引用 [1]

21	Poli R， Kennedy J， Blackwell T. Particle swarm optimization［J］. Swarm Intell， 2007， 1（1）： 33-57. DOI： 10.1007/s11721-007-0002-0 . 本文引用 [1]

22	万楚筠，黄凤洪，张明，等. 亚临界流体萃取胡麻籽低温压榨饼中油脂［J］. 农业工程学报， 2014， 30（21）： 324-331. DOI： 10.3969/j.issn.1002-6819.2014.21.039 . 本文引用 [1]

23	Eberhart R， Kennedy J. A new optimizer using particle swarm theory［C］//MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science.October 4-6， 1995， Nagoya， Japan. IEEE， 2002： 39-43. DOI： 10.1109/MHS.1995.494215 . 本文引用 [1]

24	万楚筠，张明，黄凤洪，等. 响应面优化亚临界萃取低温压榨菜籽饼中油脂的工艺及其品质评价［J］. 中国油料作物学报， 2018， 40（1）： 146-153. DOI： 10.7505/j.issn.1007-9084.2018.01.019 . 本文引用 [1]

25	丁志平，乔延江. 不同粒径黄连粉体的吸湿性实验研究［J］. 中国实验方剂学杂志， 2004， 10（3）： 5-7. DOI： 10.13422/j.cnki.syfjx.2004.03.003 . 本文引用 [1]

26	弓志青，陈相艳，程安玮，等. 喷雾干燥杨梅粉玻璃化转变温度和结块特性研究［J］. 食品科学技术学报， 2013， 31（2）： 43-46， 66. 本文引用 [1]

27	连四超，刘玉兰，陈璐，等. 油莎豆油亚临界丁烷萃取条件优化及产品质量研究［J］. 中国油脂， 2022， 47（4）： 9-14. DOI： 10.19902/j.cnki.zgyz.1003-7969.210700 . 本文引用 [1]

28	Liu F， Liu W H， Tian S G. Artificial neural network optimization of Althaea rosea seeds polysaccharides and its antioxidant activity［J］. Int J Biol Macromol， 2014， 70： 100-107. DOI： 10.1016/j.ijbiomac.2014.06.040 . 本文引用 [1]

基金

中国农业科学院科技创新工程(CAAS-ASTIP-2021-OCRI)

支持企业技术创新发展项目(2021BLB151)

PDF(5088 KB)

431

Accesses

Citation

Detail

段落导航

摘要
Abstract
关键词
Key words
引用本文
1 材料与方法
1.1 试验材料与设备
图1 油莎豆（A：油莎豆净豆，B：脱皮油莎豆，C：油莎豆坯片（厚度0.5 mm）
1.2 试验方法
1.2.1 原料预处理
1.2.2 亚临界丁烷萃取脱皮油莎豆油[19]
1.2.3 含油量测定
1.2.4 单因素试验设计
1.2.5 寻优试验设计
表1 CCF因素与水平
1.2.6 BP-ANN的建立
图2 BP-ANN具体模型结构
1.3 数据处理
2 结果与分析
2.1 单因素试验确定因素水平
图3 四种因素对亚临界提取率的影响
2.2 响应面试验分析
表2 CCF试验结果
表3 回归模型的方差分析
2.3 PSO优化BP-ANN效果分析
图4 PSO优化BP神经网络模型均方误差效果图
图5 PSO优化BP-ANN模拟仿真效果
图6 PSO优化BP-ANN前后模型预测值与真实值的绝对误差
2.4 验证试验
表4 响应面、PSO-BP-ANN和BP-ANN优化亚临界丁烷萃取脱皮油莎豆油工艺验证试验结果（n=3）
图7 PSO-BP-ANN和RSM的预测值与真实值的相对误差
3 讨论与结论
参考文献
基金

收稿日期	出版日期
2023-02-15	2024-10-28
发布日期
2024-10-28

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 材料与方法

1.1 试验材料与设备

图1 油莎豆（A：油莎豆净豆，B：脱皮油莎豆，C：油莎豆坯片（厚度0.5 mm）

1.2 试验方法

1.2.1 原料预处理

1.2.2 亚临界丁烷萃取脱皮油莎豆油[19]

1.2.3 含油量测定

1.2.4 单因素试验设计

1.2.5 寻优试验设计

表1 CCF因素与水平

1.2.6 BP-ANN的建立

图2 BP-ANN具体模型结构

1.3 数据处理

2 结果与分析

2.1 单因素试验确定因素水平

图3 四种因素对亚临界提取率的影响

2.2 响应面试验分析

表2 CCF试验结果

表3 回归模型的方差分析

2.3 PSO优化BP-ANN效果分析

图4 PSO优化BP神经网络模型均方误差效果图

图5 PSO优化BP-ANN模拟仿真效果

图6 PSO优化BP-ANN前后模型预测值与真实值的绝对误差

2.4 验证试验

表4 响应面、PSO-BP-ANN和BP-ANN优化亚临界丁烷萃取脱皮油莎豆油工艺验证试验结果（n=3）

图7 PSO-BP-ANN和RSM的预测值与真实值的相对误差

3 讨论与结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

基金

关于本刊

投稿指南

在线期刊

相关单位

联系我们

1.2.2 亚临界丁烷萃取脱皮油莎豆油^[19]