響應(yīng)面法和人工神經(jīng)網(wǎng)絡(luò)對亞臨界CO2 萃取紅花籽油的建模與優(yōu)化

劉國祎，郭建章,*，陳 星，王威強(qiáng)

（1.青島科技大學(xué)機(jī)電工程學(xué)院，山東青島 266061；2.山東大學(xué)機(jī)械工程學(xué)院，山東濟(jì)南 250061）

紅花籽油是一種健康優(yōu)質(zhì)的功能性植物油，對人體具有良好的保健作用。紅花籽油含有大量的亞油酸，其占比大約為73%～85%，營養(yǎng)價值極高，亞油酸能夠有效溶解膽固醇，因此具有軟化血管、調(diào)節(jié)血脂的作用，所以紅花籽油還被應(yīng)用于治療心血管疾病的藥物制備中[1-2]。紅花籽油含有豐富的VE、黃酮等多種天然活性物質(zhì)，在清除人體自由基、人體細(xì)胞分裂等方面發(fā)揮重要作用，其中黃酮還有預(yù)防腫瘤的功效[3-6]。

目前，紅花籽油的提取方法多為壓榨法[7]、水酶法[8-9]、有機(jī)溶劑萃取法[10-11]、超臨界CO2萃取法[12-14]、亞臨界流體萃取法[15-17]等，且具有各自的缺點。壓榨法雖然工藝結(jié)構(gòu)簡單，但出油率不高，且擠壓產(chǎn)生的高溫易使油脂品質(zhì)降低；水酶法提取過程中易形成乳化液，分離困難，導(dǎo)致蛋白資源浪費(fèi)且萃取率不高；有機(jī)溶劑萃取法和亞臨界流體萃取法使用的萃取介質(zhì)均為有機(jī)溶劑，萃取分離過程中可能產(chǎn)生溶劑殘留；超臨界CO2萃取法通常在高壓條件下進(jìn)行萃取，對設(shè)備要求較高，運(yùn)行能耗大，難以實現(xiàn)大規(guī)模工業(yè)化生產(chǎn)。

本文使用的亞臨界CO2萃取等壓分離技術(shù)，利用萃取物在亞臨界CO2與超臨界CO2中的溶解度不同，實現(xiàn)萃取物與萃取溶劑的分離，其工作壓力相較于超臨界CO2萃取法更低，在萃取分離過程中壓力不發(fā)生變化，能夠減少反復(fù)升降壓帶來的能量損失[18]，設(shè)計成本和運(yùn)行成本較低。而且CO2是一種無毒、不易燃、無腐蝕性的溶劑，能較好地保存萃取物的有效成分，萃取溫度在30 ℃左右[19-21]，保證紅花籽油的化學(xué)成分不被破壞。

響應(yīng)面法（response surface methodology，RSM）以及人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）等多種方法可用于萃取過程建模，并能夠有效優(yōu)化萃取過程參數(shù)，最大限度地從植物材料中回收植物化學(xué)物質(zhì)[22-23]。BP（back propagation）神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的模型之一，是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，使網(wǎng)絡(luò)的實際輸出值和期望輸出值的均方誤差最小[24]。遺傳算法（Genetic Algorithm，GA）是一種以達(dá)爾文的遺傳進(jìn)化理論為基礎(chǔ)，通過選擇、突變、交叉等遺傳操作來尋優(yōu)的算法[25]。人工神經(jīng)網(wǎng)絡(luò)和遺傳算法耦合（ANN-GA）優(yōu)化種子油萃取條件的研究越來越受到廣大學(xué)者的關(guān)注，但是在國內(nèi)，比較RSM 和ANN-GA 兩種優(yōu)化方法的研究較少。

本文旨在尋找有效建模方法以預(yù)測亞臨界CO2萃取紅花籽油的萃取率，推動紅花籽油萃取分離技術(shù)的創(chuàng)新發(fā)展。以萃取率為評價指標(biāo)，萃取壓力、分離溫度、萃取時間為影響因素，使用RSM 和ANN兩種方法對亞臨界CO2萃取過程建模，采用RSM和ANN-GA 優(yōu)化亞臨界CO2萃取工藝參數(shù)，并對兩種優(yōu)化方法進(jìn)行比較，為后續(xù)大規(guī)模工業(yè)化生產(chǎn)奠定基礎(chǔ)。

1 材料及方法

1.1 材料與設(shè)備

帶殼紅花籽 產(chǎn)自新疆；二氧化碳 純度約99%，青島潤通達(dá)氣體有限公司。

I-2000 數(shù)字電子秤 深圳市帝衡電子有限公司；MM-DC21 食品加工器 長虹美菱股份有限公司；多態(tài)CO2連續(xù)等變壓萃取分離設(shè)備，為王威強(qiáng)教授團(tuán)隊創(chuàng)新設(shè)計[18]，具有超臨界CO2萃取降壓分離、亞臨界CO2萃取等壓超臨界態(tài)分離、亞臨界CO2萃取降壓分離三種工作模式，實驗裝置簡圖如圖1 所示。

圖1 多態(tài)CO2 連續(xù)等變壓萃取分離設(shè)備簡圖Fig.1 Diagram of equipment for continuous constant pressure extraction and separation of polymorphic CO2

1.2 實驗方法

1.2.1 多態(tài)CO2連續(xù)等變壓萃取分離設(shè)備原理 本次實驗采用亞臨界CO2萃取等壓超臨界態(tài)分離的工藝，通過加壓泵對整個系統(tǒng)增壓至實驗壓力，并通過循環(huán)泵保證整個萃取分離過程系統(tǒng)壓力穩(wěn)定；通過恒溫器及恒溫水浴設(shè)備，使萃取釜溫度穩(wěn)定在30±1 ℃范圍內(nèi)，分離釜依靠電加熱裝置使分離溫度恒定，通過溫度變化實現(xiàn)等壓條件下亞臨界CO2到超臨界CO2的轉(zhuǎn)換，由于相同壓力下紅花籽油在超臨界CO2中的溶解度較小，從而實現(xiàn)亞臨界CO2萃取等壓超臨界態(tài)分離。

1.2.2 紅花籽油制備流程 將帶殼紅花籽粉碎成紅花籽粉，過16 目篩網(wǎng)，分別稱量300 g 紅花籽粉裝入兩個萃取釜中，通過排空閥將萃取釜內(nèi)空氣排出，開啟循環(huán)泵、加壓泵，待加壓到指定壓力后關(guān)閉加壓泵，利用循環(huán)泵帶動亞臨界CO2循環(huán)萃取，并通過恒溫器穩(wěn)定萃取溫度30 ℃，待溫度與壓力均達(dá)到實驗標(biāo)準(zhǔn)，開始計時。萃取完成后，通過分離釜下端卸油閥收集紅花籽油。

1.2.3 單因素實驗 在萃取壓力20 MPa、分離溫度60 ℃、萃取時間120 min 的基礎(chǔ)上進(jìn)行單因素實驗，分別考察萃取壓力（14、17、20、23、26 MPa）、分離溫度（50、55、60、65、70 ℃）萃取時間（60、90、120、150、180 min）對紅花籽油萃取率的影響。

1.2.4 響應(yīng)面試驗設(shè)計 在單因素實驗的基礎(chǔ)上，選用萃取壓力（A）、分離溫度（B）、萃取時間（C）為響應(yīng)變量，萃取率為響應(yīng)值，采用Box-Behnken Design 設(shè)計三因素三水平試驗，實驗因素與水平編碼表如表1 所示。

表1 響應(yīng)面試驗因素水平Table 1 Factor levels of response surface experimental

1.2.5 萃取率計算

式中：Y 為紅花籽油萃取率，%；m0為萃取前紅花籽物料重量，g；m1為萃取后紅花籽物料重量，g。

1.2.6 統(tǒng)計分析

1.2.6.1 響應(yīng)面法分析 應(yīng)用Design export 8.0.6 對Box-Behnken Design 結(jié)果進(jìn)行響應(yīng)面分析，得到多元二次方程模型。對該模型進(jìn)行分析，確定各參數(shù)及各參數(shù)之間交互作用對萃取率的影響，得到理論的最優(yōu)萃取條件及最大萃取率。

1.2.6.2 人工神經(jīng)網(wǎng)絡(luò)分析 BP 神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播法訓(xùn)練的多層前反饋神經(jīng)網(wǎng)絡(luò)，通過逆向傳播不斷調(diào)整BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值，最終使BP 神經(jīng)網(wǎng)絡(luò)的均方誤差（mean square error，MSE）最小[26]。在響應(yīng)面試驗的基礎(chǔ)上，通過Matlab R2018b 軟件建立BP 神經(jīng)網(wǎng)絡(luò)模型，并通過遺傳算法求解尋優(yōu)。

1.2.7 模型驗證及比較 分別對RSM 和ANN-GA得到的最佳萃取率條件進(jìn)行驗證，從而判斷模型得出的理論結(jié)果與實際結(jié)果是否一致，并計算相對誤差。通過計算決定系數(shù)（R2）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、均方根誤差（RMSE），對RSM 和ANN 建立的模型的性能進(jìn)行統(tǒng)計比較。用于評價模型的統(tǒng)計學(xué)指標(biāo)如下：

注：n 為實驗組數(shù)；ye,i為實驗值；yp,i為預(yù)測值；ye,ave為實驗平均值。

1.3 數(shù)據(jù)處理

采用Design export 8.0.6 軟件分別進(jìn)行響應(yīng)面試驗設(shè)計、結(jié)果以及顯著性分析；Origin 2017 軟件用于作圖；Matlab R2018b 軟件用于人工神經(jīng)網(wǎng)絡(luò)構(gòu)建和分析，以及結(jié)合遺傳算法的工藝優(yōu)化。為保證試驗的準(zhǔn)確性，每個試驗進(jìn)行三次平行試驗并用其平均值進(jìn)行分析運(yùn)算。

2 結(jié)果與分析

2.1 單因素實驗

2.1.1 萃取壓力對紅花籽油萃取率的影響 如圖2所示，隨著萃取壓力的升高，亞臨界CO2的密度也會隨之增加，使紅花籽油在CO2內(nèi)的溶解度增加，紅花籽油萃取率呈上升趨勢，在萃取壓力達(dá)到17 MPa時，紅花籽油萃取率達(dá)到頂峰，為23.15%。隨著萃取壓力的不斷增加，分離釜內(nèi)超臨界CO2的溶解度增加速率大于亞臨界CO2的溶解度增加速率，使紅花籽油在亞臨界CO2與超臨界CO2之中的溶解度之差減小，分離效果變差，導(dǎo)致紅花籽油萃取率不斷降低。而且，萃取壓力的不斷增加，也伴隨著運(yùn)行成本和設(shè)備損耗的增加。因此，最佳萃取壓力選用17 MPa。

圖2 各因素對紅花籽油萃取率的影響Fig.2 Effects of various factors on the extraction rate of safflower seed oil

2.1.2 分離溫度對紅花籽油萃取率的影響 如圖2所示，隨著分離溫度的不斷升高，紅花籽油的萃取率也不斷升高，在分離溫度達(dá)到60 ℃時，紅花籽油的萃取率達(dá)到最大值23.1%，之后隨著分離溫度的繼續(xù)升高，紅花籽油的萃取率呈下降趨勢。而且，過高的分離溫度會使紅花籽油的品質(zhì)下降。因此，最佳分離溫度應(yīng)為60 ℃。

2.1.3 萃取時間對紅花籽油萃取率的影響 如圖2所示，隨著萃取時間的延長，紅花籽油萃取率不斷升高。這是由于傳質(zhì)程度隨著萃取時間增長而且增加，由于短時間萃取的傳質(zhì)程度較低，紅花籽油萃取率偏低。在達(dá)到最大傳質(zhì)程度之后，由于有效成分的溶出不斷減少，其傳質(zhì)動力隨之降低，導(dǎo)致紅花籽油萃取率的增長趨勢降低[19]。因此，考慮設(shè)備運(yùn)行的經(jīng)濟(jì)性，最佳萃取時間為120 min。

2.2 響應(yīng)面優(yōu)化分析

2.2.1 響應(yīng)面模型建立及顯著性分析 響應(yīng)面試驗設(shè)計與結(jié)果如表2 所示。

表2 響應(yīng)面試驗設(shè)計與結(jié)果Table 2 Design and results of response surface experimental

對實驗結(jié)果進(jìn)行回歸分析，將萃取壓力（A）、分離溫度（B）、萃取時間（C）三個因素回歸擬合，得到紅花籽油萃取率（Y）的回歸方程：

由表3 可知，模型F=154.94，P＜0.0001，說明模型驗證結(jié)果極顯著；失擬項P=0.2113＞0.05，說明失擬項不顯著，表明數(shù)學(xué)模型與實際實驗差異較小，數(shù)學(xué)模型的擬合程度較高；模型決定系數(shù)R2=0.9950，說明模型可以解釋響應(yīng)面中99.50%的變異；模型的修正決定系數(shù)R2Adj=0.9886，說明模型的可行性較高。

表3 方差分析Table 3 Analysis of variance

由于因素C 的P＜0.0001，因素C 對帶殼紅花籽油萃取率影響極顯著；因素A 的P＜0.01，因素A 對紅花籽油萃取率影響非常顯著；且A、B、C 三因素的F值大小為C＞A＞B，所以各因素對紅花籽油萃取率影響程度大小順序為萃取時間＞萃取壓力＞分離溫度。二次項AB、A2、B2、C2的P＜0.0001，表明萃取壓力和分離溫度間的交互作用對紅花籽油萃取率影響極顯著，二次項AC 的P＜0.05，表明萃取壓力和萃取時間的交互作用對紅花籽油萃取率影響顯著。

2.2.2 響應(yīng)面交互作用分析 由表3 可知，萃取壓力和分離溫度之間交互作用極顯著，而萃取壓力和萃取時間、分離溫度和萃取時間之間交互作用較弱。圖3 為研究各因素之間交互作用對紅花籽油萃取率影響的三維響應(yīng)面，等高線近似于橢圓形的程度越高，兩因素交互作用越顯著[27]。其中，萃取壓力和分離溫度交互的響應(yīng)曲面等高線圖最接近橢圓形，兩者的交互作用對紅花籽油萃取率影響最大，與上述方差分析結(jié)果一致。

圖3 各因素交互對紅花籽油萃取率影響Fig.3 Effects of interaction of various factors on the extraction rate of safflower seed oil

2.2.3 驗證試驗結(jié)果 通過響應(yīng)面分析，得到最優(yōu)工藝條件為：萃取壓力17.74 MPa，分離溫度59.32 ℃，萃取時間134.03 min，此工藝條件下紅花籽油預(yù)測萃取率為23.34%。根據(jù)實際情況進(jìn)行驗證試驗，3 次試驗紅花籽油萃取率平均值為23.29%±0.17%，與預(yù)測值相近，說明該響應(yīng)面模型較為合理。

2.3 人工神經(jīng)網(wǎng)絡(luò)優(yōu)化分析

2.3.1 BP 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建 利用Matlab R2018b軟件對Box-Behnken 試驗結(jié)果進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)分析，使用17 個數(shù)據(jù)集的輸入、隱藏和輸出對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測試和驗證。其中輸入層包含萃取壓力、分離溫度、萃取時間共3 個輸入神經(jīng)元，而輸出層以萃取率作為輸出神經(jīng)元，隱藏層神經(jīng)元數(shù)選擇8 到12 之間。由于當(dāng)隱藏層神經(jīng)元數(shù)為10 時，相關(guān)系數(shù)R值最大，所以隱藏層神經(jīng)元數(shù)為10。因此所開發(fā)的神經(jīng)網(wǎng)絡(luò)模型分別包含輸入層、隱藏層和輸出層的3 個、10 個和1 個神經(jīng)元（圖4）。

圖4 BP 神經(jīng)網(wǎng)絡(luò)模型總體結(jié)構(gòu)Fig.4 Overall structure of BP neural network model

2.3.2 BP 神經(jīng)網(wǎng)絡(luò)模型 以Box-Behnken 試驗數(shù)據(jù)作為BP 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集，隨機(jī)選取70%的數(shù)據(jù)用于訓(xùn)練，15%用于測試，15%用于驗證。其中，用于驗證相關(guān)系數(shù)R值表示BP 神經(jīng)網(wǎng)絡(luò)模型與輸出結(jié)果的擬合度[28]，并將Box-Behnken 試驗值與模型訓(xùn)練、驗證值進(jìn)行比較。如圖5 所示，在迭代次數(shù)為4 時，BP 神經(jīng)網(wǎng)絡(luò)滿足訓(xùn)練結(jié)束條件，且驗證集的均方誤差為0.013712。BP 神經(jīng)網(wǎng)絡(luò)模型擬合效果以及相關(guān)性系數(shù)R值如圖6 所示，訓(xùn)練、驗證、測試以及整體數(shù)據(jù)的相關(guān)系數(shù)R值分別為0.9999、0.9683、0.99828 和0.99839。上述4 種樣本的R值均接近1，說明構(gòu)建的BP 神經(jīng)網(wǎng)絡(luò)模型具有良好的擬合能力。綜上所述，對于本次的Box-Behnken 實驗結(jié)果，所構(gòu)建的BP 人工神經(jīng)網(wǎng)絡(luò)模型具有良好的預(yù)測性，擬合能力優(yōu)秀，可用于對亞臨界CO2等壓萃取紅花籽油進(jìn)行優(yōu)化。

圖5 人工神經(jīng)網(wǎng)絡(luò)模型均方誤差效果Fig.5 Mean square error effect of artificial neural network model

圖6 人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、驗證、測試和整體數(shù)據(jù)集的擬合效果Fig.6 Training,validation,testing,and overall dataset fitting effect of artificial neural network model

2.3.3 人工神經(jīng)網(wǎng)絡(luò)耦合遺傳算法尋優(yōu) 雖然ANN 模型能很好地預(yù)測優(yōu)化條件，但這些模型存在著泛化和預(yù)測的局部收斂性問題。因此，通過人工神經(jīng)網(wǎng)絡(luò)耦合遺傳算法尋優(yōu)，經(jīng)過97 次迭代（繁殖）和交叉，產(chǎn)生了最適合的（優(yōu)化）條件。GA 描述了萃取壓力、分離溫度和萃取時間的約束條件，優(yōu)選的工藝參數(shù)下限（萃取壓力14 MPa，分離溫度55 ℃，萃取時間90 min）和上限（萃取壓力20 MPa，分離溫度65 ℃，萃取時間150 min）。如圖7 所示，對97 代進(jìn)行了分析，從而找到最適合的個體，遺傳優(yōu)化的最佳條件為萃取壓力19 MPa，分離溫度55.5 ℃，萃取時間135 min，萃取率為23.53%。

圖7 遺傳算法97 次尋優(yōu)結(jié)果Fig.7 Result of 97 optimization by genetic algorithm

2.4 RSM 與ANN-GA 優(yōu)化模型及優(yōu)化參數(shù)比較

2.4.1 RSM 與ANN-GA 優(yōu)化模型比較 采用決定系數(shù)（R2）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）和均方根誤差（RMSE）值等統(tǒng)計參數(shù)對RSM 和ANN 模型的性能進(jìn)行比較[29]，結(jié)果見表4。

表4 RSM 與ANN 預(yù)測能力比較Table 4 Comparison of RSM and ANN pediction capabilities

由表4 可知，響應(yīng)面法模型的R2、MAE、MAPE、RMSE 值分別為0.9950、0.0718、0.3283、0.0836，人工神經(jīng)網(wǎng)絡(luò)模型的R2、MAE、MAPE、RMSE 值分別為0.9966、0.0388、0.1748、0.0688，說明響應(yīng)面法和人工神經(jīng)網(wǎng)絡(luò)均能較為精確地預(yù)測亞臨界CO2萃取紅花籽油[30]。相對于響應(yīng)面法，人工神經(jīng)網(wǎng)絡(luò)的R2值較高，MAE、MAPE、RMSE 值均低于響應(yīng)面法，人工神經(jīng)網(wǎng)絡(luò)具有較好的擬合能力。從圖8 也可看出，人工神經(jīng)網(wǎng)絡(luò)的擬合能力較為優(yōu)秀。

圖8 RSM、ANN 模型預(yù)測值與實驗值比較Fig.8 Comparison between predicted and experimental values of response surface and artificial neural network models

2.4.2 RSM 與ANN-GA 優(yōu)化參數(shù)比較 由表5 可知，RSM 和ANN-GA 兩種方法最優(yōu)條件的預(yù)測值與真實值均接近，相對誤差較小。雖然人工神經(jīng)網(wǎng)絡(luò)耦合遺傳算法的預(yù)測值與實際值略高于響應(yīng)面法，但是結(jié)果十分相近，這說明兩種方法均可用于亞臨界CO2萃取紅花籽油工藝的優(yōu)化。

表5 RSM 與ANN-GA 最優(yōu)條件預(yù)測值與實驗值比較Table 5 Comparison of the predicted and experimental values for the optimal conditions of RSM and ANN-GA

3 結(jié)論

本研究采用RSM 和ANN 兩種對亞臨界CO2萃取紅花籽油經(jīng)行建模，并采用RSM 和ANN-GA 對萃取條件進(jìn)行優(yōu)化。結(jié)果表明，相對于RSM 模型，ANN 模型具有較好的預(yù)測能力。RSM 預(yù)測的最佳萃取條件為萃取壓力17.73 MPa、分離溫度59.32 ℃、萃取時間134.03 min，預(yù)測萃取率為23.34%；ANNGA 預(yù)測的最佳萃取條件為萃取壓力19.04 MPa、分離溫度55.50 ℃、萃取時間134.98 min，預(yù)測萃取率為23.53%。經(jīng)實驗驗證，兩種方法的預(yù)測值與實驗值基本一致，但ANN-GA 最優(yōu)條件下的預(yù)測值與實驗值的相對誤差較小，且RSM 與ANN 模型的R2、MAE、MAPE、RMSE 值分別為0.9950、0.0718、0.3283、0.0836 和0.9966、0.0388、0.1748、0.0688，說明在擬合能力方面，ANN 模型較為準(zhǔn)確。綜上所述，響應(yīng)面法和人工神經(jīng)網(wǎng)絡(luò)均可用于亞臨界CO2萃取紅花籽油工藝的建模優(yōu)化，但是在本研究中，人工神經(jīng)網(wǎng)絡(luò)更佳。

? The Author(s) 2024.This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by-nc-nd/4.0/).