基于深度神经网络与Box-Behnken响应面法的灵芝总三萜提取工艺优化

摘要

本文研究超声辅助提取灵芝总三萜工艺的优化方法。在单因素实验确定实验参数的大致范围和中心点的基础上,通过筛选实验设计Plackett-Burman(PB)发现对得率影响显著的3个因素(提取时间、超声功率、提取温度),并使用Box-Behnken响应面法进行工艺优化。结合所有实验数据使用基于Pytorch框架的Python学习程序建立深度神经网络(DNN),运用蒙特卡洛算法进行预测和寻优,同时还比较响应面法和深度神经网络两种建模方法。结果表明:通过深度神经网络可得到灵芝总三萜提取的最佳工艺条件(超声功率360 W、提取时间12 min、提取温度58℃、液固比17 mL/g、乙醇体积分数88%),此时预测的灵芝总三萜得率为1.878%,实际测得灵芝总三萜得率为1.805%。深度神经网络在不增加实验量的情况下对已有数据进行学习,可以预测得到更优的工艺条件,并且深度神经网络的非线性拟合能力相比于响应面法的多项式拟合有更强的数据处理能力,预测结果更准确。