一种基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法
文献发布时间:2024-04-18 19:58:30
技术领域
本发明涉及一种烟梗蒸汽爆破后化学成分的预测方法,尤其涉及基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法,属于烟草加工领域。
背景技术
烟梗是烟叶中的重要组成部分,大约占烟叶质量的20%-30%,但是由于烟梗主要成分是一些细胞壁物质以及淀粉、蛋白质等大分子物质,而其总糖、总氮、烟碱和焦油量较低,使香烟品质降低,致使烟梗在卷烟中的利用受到了很大的限制。为了能够降解烟梗细胞壁组分,需要对烟梗进行有效的预处理。
烟梗预处理的方法主要有物理法、化学法和生物法等方法。其中,物理法主要是机械粉碎,减小生物质原料的粒度。化学法包括酸/碱预处理、臭氧预处理、有机溶剂预处理和离子溶剂预处理。物理-化学法包括蒸汽爆破、微波膨胀、SO
以物理、化学和生物方法对烟梗进行预处理的过程中,预处理的结果受烟梗样品含水率、处理参数设置的影响较大。因此,当原料变化时,需要重复进行大量试验摸索最佳的预处理工艺,增加生产成本,降低生产效率。
为此提出本发明。
发明内容
本发明的目的是提供一种基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法,该方法通过模型计算,能够快速得出所需要的最佳预处理工艺参数,提高生产效率,节约生产成本。
为了达到上述目的,本发明的技术方案如下:
一种基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法,包括如下步骤:
(1)测量烟梗的含水率;
(2)对烟梗进行蒸汽爆破处理,记录爆破压强和维压时间;
(3)将烟梗的含水率、爆破压强和维压时间输入到训练好的的BP神经网络模型中;
(4)训练好的的BP神经网络模型即可输出烟梗蒸汽爆破化学成分的含量。
优选地,烟梗蒸汽爆破化学成分包括总植物碱、总氮、氯、蛋白质、总糖、纤维素和果胶。
优选地,训练好的的BP神经网络模型的训练步骤如下:
S1:对烟梗进行不同含水率预处理;
S2:将不同含水率的烟梗进行蒸汽爆破处理;
S3:对蒸汽爆破后的烟梗进行化学成分分析;
S4:建立蒸汽爆破参数和蒸汽爆破后烟梗中化学成分的BP神经网络模型;
S5:通过相关实验对模型进行相关修正和改进。
优选地,步骤S4中所述BP神经网络模型层数为三层及以上,隐层数为一层及以上;隐层节点数不少于十个;输入层包括含水率、蒸汽爆破压强、维压时间;输出层包括蒸汽爆破后烟梗中化学成分的含量,烟梗蒸汽爆破化学成分包括总植物碱、总氮、氯、蛋白质、总糖、纤维素和果胶。
优选地,步骤S1中对烟梗进行不同含水率预处理,含水率范围为2%、5%、10%;预处理方法为蒸煮、浸泡、烘干或恒温恒湿箱处理。
优选地,步骤S2中将不同含水率的烟梗进行蒸汽爆破处理的条件为:爆破压强分别为0.2MPa、0.5MPa、0.8MPa、和1.1MPa,维压时间分别为3min、5min或7min。
优选地,步骤S3化学成分分析的方法包括:傅里叶变换红外光谱分析、X射线荧光光谱分析、气相色谱质谱联用仪、液相色谱质谱联用仪、或核磁共振波谱法。
优选地,步骤S5中对模型进行相关修正和改进的要求为:模型训练结果误差值小于10%,R
本发明的有益效果是:
1、本发明将烟梗原材料进行预处理使烟梗具有不同的含水率,综合考虑含水率、压强和维压时间三个因素进行蒸汽爆破。由于考虑了烟梗的含水率,所得试验结果更加可靠。
2、本发明使用多组数据对BP神经网络模型进行训练,所得训练好的BP神经网络模型具有较好的预测结果。
3、本发明的预测方法可以指导生产中进行参数调整,可以节约时间、降低生产试验成本。
附图说明
图1为本发明的基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法步骤示意图。
图2为本发明的BP神经网络训练、结果预测、结果验证及最佳结果示意图。
图3为本发明的训练好的BP神经网络模型R
具体实施方式
为了更好地解释本发明,以便于理解本发明方案,下面结合附图1-3,通过具体实施方式对本发明做进一步的详细说明。
本发明的基于BP神经网络的烟梗蒸汽爆破化学成分的预测方法如图1所示。所述BP神经网络模型层数为三层及以上,隐层数为一层及以上;隐层节点数不少于十个;其中输入层包括含水率、蒸汽爆破压强、维压时间;输出层包括蒸汽爆破后烟梗中化学成分的含量,化学成分总植物碱、总氮、氯、蛋白质、总糖、纤维素和果胶。
实施例1:训练BP神经网络。训练一共36个实验条件;其中压强三个4个水平,含水率三个水平,维压时间3个水平,组合后为4*3*3=36个实验组合;,每个条件做三组对照实验;烟梗样品为108个。训练BP神经网络包括如下步骤:
S1:对烟梗进行预处理,使烟梗含水率为2%、5%、10%的三个训练样品;预处理方法为蒸煮、浸泡、烘干或恒温恒湿箱处理;
S2:对108个烟梗样品进行蒸汽爆破,以饱和水蒸气为工作介质,压强分别为0.2MPa、0.5MPa、0.8MPa、和1.1MPa,维压时间分别为3min、5min或7min;
S3:对蒸汽爆破后的烟梗样品通过FT-IR、GC/MS等表征手段对样品中的化学成分等性能进行分析。
S4:建立蒸汽爆破参数和蒸汽爆破后烟梗中化学成分的3层BP神经网络模型,隐层节点数为10。
S5:通过相关实验数据对模型进行相关修正和改进;使得模型训练结果误差值小于10%;得出优化模型。
实施例2:使用训练好的BP神经网络模型对烟梗蒸汽爆破化学成分的预测,步骤如下:
(1)对烟梗在25℃、相对湿度为10%的恒温恒湿箱中进行预处理,直至烟梗质量不变;
(2)将经过恒温恒湿预处理的烟梗样品进行蒸汽爆破,以饱和水蒸气为工作介质,压强为0.2MPa,维压时间为3min;
(3)将烟梗的含水率10%、爆破压强为0.2MPa、维压时间为3min输入到训练好的的BP神经网络模型中;
(4)得到训练好的的BP神经网络模型即可输出烟梗蒸汽爆破化学成分的含量。结果如下表1所示。
为了验证输出烟梗蒸汽爆破化学成分的含量可信度,对蒸汽爆破后的烟梗样品通过FT-IR、GC/MS等表征手段对样品中的化学成分等性能进行分析。结果如下表1所示。
表1烟梗样品中化学成分仪器分析结果和模型预测结果(%)
实施例3:使用训练好的BP神经网络模型对烟梗蒸汽爆破化学成分的预测,步骤如下:
(1)对烟梗在25℃、相对湿度为5%的恒温恒湿箱中进行预处理,直至烟梗质量不变;
(2)将经过恒温恒湿预处理的烟梗样品进行蒸汽爆破,以饱和水蒸气为工作介质,压强为0.4MPa,维压时间为5min;
(3)将烟梗的含水率5%、爆破压强为0.4MPa、维压时间为5min输入到训练好的的BP神经网络模型中;
(4)得到训练好的的BP神经网络模型即可输出烟梗蒸汽爆破化学成分的含量。结果如下表2所示.
为了验证输出烟梗蒸汽爆破化学成分的含量可信度,对蒸汽爆破后的烟梗样品通过FT-IR、GC/MS等表征手段对样品中的化学成分等性能进行分析。结果如下表2所示。
表2烟梗样品中化学成分仪器分析结果和模型预测结果(%)
以上实施例中,通过仪器分析结果和模型预测结果的对比可知,以神经网络模型对蒸汽爆破后烟梗样品中化学成分的预测误差较小,均小于10%;可以很好的对实验结果进行预测,从而实现降低生产成本、提高生产效率的目的。
图2为本发明的BP神经网络训练、结果预测、结果验证及最佳结果示意图。从图2可以看出其值越低越好。从图中可以看出在第1次迭代时,训练值、验证值与测试值最接近一致,这说明在此处模型预测结果误差最小。
图3为本发明的训练好的BP神经网络模型R
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
- 一种基于废弃烟梗的氮掺杂碳点及其合成方法和应用
- 一种蒸汽爆破生产烟梗梗丝的产业化方法
- 一种含烟梗预处理的造纸法再造烟叶成品化学成分预测方法