عنوان پایان‌نامه
شناسائی ومدل سازی فرایند استخراج والرنیک اسید از گیاه والرین
- رشته تحصیلی
- مهندسی شیمی-داروسازی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 906.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 44247
- تاریخ دفاع
- ۰۸ اسفند ۱۳۸۸
- دانشجو
- امیر ربیعی کناری
- استاد راهنما
- شهره فاطمی
- چکیده
- والرین گیاهی با کاربردهای دارویی است که خواص درمانی آن به طور عمده مربوط به والرنیک اسید موجود در عصاره ریشه آن می باشد. یکی از روش هایی موثر برای استخراج اسانس گیاه والرین، استخراج با استفاده از دی اکسید کربن فوق بحرانی می باشد که عوامل موثر بر بازدهی این فرایند فشار، دما، دبی جریان سیال، زمان و اندازه ذرات جامد می باشند. در این پژوهش برای شبیه سازی فرایند استخراج والرنیک اسید از دو مدل مبتنی بر هوش محاسباتی یعنی مدل پرسپترون چند لایه (MLP) و مدل نوروفازی خطی محلی (LLNF)استفاده شده است. با آموزش شبکه پرسپترون چند لایه با الگوریتم لونبرگ- مارکوارت و آموزش مدل نوروفازی خطی محلی با استفاده از الگوریتم LOLIMOT ساختار های بهینه دو مدل مشخص شده است. شبکه پرسپترون چند لایه بهینه دارای پنج نورون در یک لایه پنهان و مدل بهینه نوروفازی خطی محلی نیز دارای شش نورون می باشد. ارزش گذاری مدل ها بر اساس محاسبه خطای نتایج مربوط به هر مدل انجام شد و عملکرد مدل ها در شبیه سازی فرایند از نظر میزان خطا ، نرمال بودن توزیع خطا و زمان اجرای کامپیوتری مقایسه و تحلیل شدند. ضریب تبیین R2 مدل LLNF برابر با 0/99 و متوسط قدر مطلق خطای نسبی (AARE) آن برابر با 6/15 درصد شد. ضریب تبیین مدل MLP نیز برابر با 0/98 و AARE آن برابر با 7/97 شد. با توجه به نتایج بدست آمده از مدل پرسپترون چند لایه می توان گفت که الگوریتم لونبرگ – مارکوارت در آموزش شبکه پرسپترون چند لایه موفق بوده است. همچنین با توجه به ضریب تبیین ، متوسط خطا های نسبی و نمودار های مربوط به توزیع خطا نشان داده شد که این مدل در شبیه سازی فرایند موفق بوده است و می توان از این تکنیک برای شبیه سازی و پیش بینی فرایند های مشابه استفاده نمود. در قسمت دیگر این پژوهش، از مدل نورو فازی خطی - محلی برای شبیه سازی فرایند و از الگوریتم LOLIMOT برای آموزش مدل استفاده شد. با توجه به مقادیر R2، AARE و نمودار های مربوط به توزیع خطا نشان داده شدکه این مدل در شبیه سازی فرایند موفق بوده است و می توان با اطمینان از این مدل نیز برای شبیه سازی و پیش بینی فرایند های مشابه استفاده نمود.
- Abstract
- Valerian has many pharmaceutical applications and most of its medicinal properties are related to valneric acid, available in the extracts of valerian roots. Super critical carbon dioxide extraction is an effective and well-known method to extract valerian essential oil. The efficiency of this technique is influenced by factors such as pressure, temperature, flow, time and the size of the solid particles. In this paper, two computational intelligence-based models, namely the multi-layer perceptron (MLP) and the locally linear neuro-fuzzy networks, have been employed to simulate the extraction process of the valneric acid from valerian roots. Levenberg–Marquardt and locally linear model tree (LOLIMOT) learning algorithms have been used to optimize the MLP and LLNF networks, respectively. The optimized MLP network has 5 neurons in one hidden layer and the LLNF model consists of 6 neurons. Each model was evaluated based on the simulation errors and their performance was assessed and compared in terms of the error values and distribution, and the execution time of simulation. The R2 (coefficient of determination) and AARE (average absolute relative error) values for LLNF model were obtained as 0.99 and 6.15 % , respectively. Based on the results produced by the MLP model, it's concluded that the Levenberg–Marquardt algorithm has successfully trained MLP network. The AARE, R2 and error dispersion demonstrate the ability of the MLP model for simulation of the extraction process. The other section of this research focuses on the application of the LLNF network, trained by the LOLIMOT learning algorithm, for simulation of the extraction process. The calculated relaative error of the model and experiments signify the successful simulation of the process by the LLNF model. In conclusion, the MLP and LLNF models can be effectively used for simulation and prediction of the similar processes.
