2009年37卷第2期廣州化工BP神經網絡方法預測聚乙二醇的羧基化率傅應強,姚嵐2,孟祥松1(1安徽工程科技學院生物化學工程系,安徽蕪湖241000;2蕪湖卷煙廠,安徽蕪湖241000)摘要:以聚乙二醇和高錳酸鉀作為原料用反應前后溶液電導率的變化值來表征研究聚乙二醇的羧基化率,電導率的變化值越大說明聚乙二醇的羧基化率越高。并對反應所需的反應條件(如pH值溫度和配比等)作了簡單的探討。研究這些反應條件的改變對聚乙二醇的羧基化率的影響。并以 matlab語言編寫B(tài)P神經網絡,通過實驗數據對網絡進行訓練然后以訓練好的網絡對聚乙二醇的羧基化率進行預測結果表明,我們所建立的兩層BP神經網絡對不同反應條件下聚乙二醇羧基化率的仿真結果和實驗數據吻合程度最低的都達到了9%,最高的能達到99.9%左右。說明BP神經網絡應用于化學反應過程的預測是切實可行的。關鍵詞:人工神經網絡;聚乙二醇;羧基化Prediction of the Efficiency of Carboxylation Polyethylene Glycol Using BPNeural NetworkFU Ying-qiang, YAO Lan, MENG Xiang-song(1Department of Biochemical Engineering, Anhui University of Technology and Science, Anhui Wuhu 2410002 Wuhu Cigerate Company, Anhui Wuhu 241000, China)Abstract: Polyethylene glycol and potassium permanganate were used as reagents. Changes in conductanceof the solution could be used to characterize and study the carboxylation of polyethylene glycol, when theconductance changed a lot. It indicated that the carboxylation degree of polyethylene glycol was higher. We alsodiscussed the influence of experimental parameters such as pH value, temperature, ratio of reagents, andAnd BP neural network developed and written by matlab languages, and then trained the network according tothe data obtained, then the carboxylation degree of the reaction by using the well trained network was predictedAll the results indicated that the developed neural network proved to be successful because the result obtained bythis method was in good accordance with the experimental data, the accordance degree reach 93 %-99 %.It'sasible that BP neural network could be used to predict the process of chemical reactionKey words: neural networks; polyethylene glycol; carboxylation高分子反應由于其復雜性各反應條件和產物性能之間絡是生理學上的真實人腦神經網絡的結構和功能以及若干的規(guī)律很難總結它們之間存在著非常復雜的、非線性的因基本特征的某種理論抽象簡化和模擬而構成的一種信息系果關系。如果能采用人T智能方法對該關系進行模擬,將有統(tǒng)。從系統(tǒng)觀點看,人工神經網絡是由大量非線性神經元作助于從已有的實驗數據中總結出一定的規(guī)律,在此基礎上對為處理單元通過極其豐富和完善的連接而構成的大規(guī)模分反應條件進行優(yōu)化并用來指導實驗從而通過盡可能少的布式并行處理系統(tǒng)。人工神經網絡獨特的結構和處理信息的實驗獲得我們所期望得到的產物。方法使它在許多實際應用中取得了顯著的成效解決了不少人工神經網絡(ANN. ArtificialNeuralNetwork,有時也簡稱傳統(tǒng)計算方法難以解決的問題。神經網絡作為人工智能的一為NN是近年來發(fā)展最快的一種人工智能方法,它能模仿人種計算工具在某些應用領域具有明顯的優(yōu)點已展示出廣泛腦進行信息處理具有自學習自組織、自適應能力及很強的的應用前景。人工神經網絡作為一種智能方法90年代初有容錯性分布存儲與并行處理信息的功能及高度非線性表達論文評“巴幾掃的階段叫但近幾年其在能力可以有效的對模型不確定的數據進行大規(guī)模的非線性化學中國煤化工有的化學數據處理自適應處理,自動調節(jié)不同類型的非線性響應。人工神經網及相CNMHG經網絡應用于化學幸基金項目:安徽省高等學校優(yōu)秀青年人才基金項目資助(2009RZ95)。作者簡介:博應強(1980-),男,碩士,講師。廣州化工2009年37卷第2期始于90年代初目前已發(fā)展到一定水平。目前神經網絡在在化學方面的應用主要包括:非線性校準、無損分析定量結構/活性相關η、化學信號處理、化學反應模擬門、故障診畫u斷、預測優(yōu)化叫等方面現(xiàn)主要是利用BP神經網絡來研究預測不同的條件下聚圖1具有兩層結構的BP神經網絡結構圖乙二醇的羧基化率,首先通過實驗即在堿性條件下用高錳酸鉀將聚乙二醇羧基化,利用反應前后溶液的電導率變化值其中第一層采用 tansig函數作為傳遞函數,神經元的個來表征羧基化的程度電導率的變化值越大聚乙二醇的羧基數為個第二層傳遞函數為線性函數 purlin函數神經化程度就越高。然后改變反應條件,得到不同條件下反應前元個數為1。網絡訓練函數采用LM優(yōu)化算法(tanm)。其后電導率的變化值,建立數據庫,用于已編寫的神經網絡中中傳遞函數以及神經元的個數的選擇主要考慮兼顧了較小加以訓練最終用已訓練好的神經網絡來實現(xiàn)預測聚乙二醇的訓練誤差和較高的運行效率。神經網絡模型建好之后采用的羧基化率實驗數據對網絡進行訓練,并將訓練好的網絡輸出和實驗的1實驗部分電導率差值做了對比,以檢驗網絡的仿真預測性能。11主要儀器和試劑電導率儀H-6多頭磁力加熱攪拌器、聚乙二醇1000高2結果與討論錳酸鉀、氡氧化鈉。21電導率與時間的關系12實驗方法電導率與時間的變化關系如圖2所示,由圖可知,此反在堿性條件下,利用高錳酸鉀的氧化性氧化聚乙二醇,應是電導率減小的過程溶液的電導率隨反應時間的增大而使聚乙二醇中的羥基氧化成羧基,即羧基化。反應方程式如降低,最終趨于一直線。此時說明反應已達到平衡。反應達到下平衡所耗時間為3h。電導率之所以減小是因為反應消耗了KMnO 4→PEG0OH高錳酸根離子,使溶液中離子濃度降低。1.3神經網絡的構建原理由反應方程式可知聚乙二醇的羧基化率和反應前后的電導率改變值是成正比的,因此我們可以通過測量反應前后溶液中電導率的變化值,來表征其羧基化的程度,即羧基化率,反應前后溶液電導率的變化值越大其羧基化的程度就越高。這樣的話我們就可以間接的通過測量電導率變化值(△G)來表征聚乙二醇羧基化的程度,我們研究不同反應條件下體系的電導率變化值,得到一系列條件下的電導率差200250值那么電導率差值和反應條件的關系可以用下面的函數來表示:△G=反應時間溫度,pH配比,…),很顯然這種函數是非常復雜的,而且一般都不能用一個準確的表達式來表圖2電導率與時間的關系圖達而BP神經網絡在隱層神經元足夠的條件下,可以以任意精度通近任意一個具有有限個間斷點的函數,因此我們可以22反應前后電導率差值與溫度的關系利用實驗測的的數據對建立好的網絡進行訓練,使得訓練好反應前后電導率差值與溫度的關系如圖3所示,由圖可的網絡能夠實現(xiàn)聚乙二醇的羧基化率的預測知,反應前后溶液的電導率變化值開始隨溫度的升高而增14反應條件大隨后到達一最大值后,當再升高溫度時,電導率變化值就文章主要考慮了反應時間、反應溫度反應體系的pH、會隨著溫度的升高而降低。此電導率變化的最大值所對應的反應物配比等幾個反應條件對聚乙二醇羧基化的影響,其中溫度大約在40℃附近。所以由此可得出此反應的最住溫度反應時間的變化范圍為10-220min;反應溫度變化范圍為為40℃。3070℃;pH變化范圍為7-l1;配比變化范圍為05-30。依次改變上述幾種反應條件我們測得了30組不同條件下應前后反應體系的電導率變化值8b415BP神經網絡模型的建立文章以上述不同反應條件下的30組數據為訓練樣本,其中各不同反應條件為輸入,電導率差值為輸出。數據格式存儲為矩陣形式。采用mlab語言編寫具有兩層結構的BP中國煤化工神經網絡,其結構如圖1所示CNMHG圖3反應前后電導率差值與溫度的關系圖2009年37卷第2期廣州化工表1神經網絡仿真輸出值和實驗實測值及相對誤差網絡仿真值l2028043960.78880.9402實驗實測值1.210.44相對誤差%0.5950009090.151900213網絡仿真值1.17811.24261.31921.398414002實驗實測值1.33相對誤差%0.16100.20970.81201.33331.3944網絡仿真值141081.18121.297113264實驗實測值1,42相對誤差%-1.8310064793.6140-13359網絡仿真值1.22531.21021.17981.67621.9503實驗實測值相對誤差隔%0.01650016902262網絡仿真值14504028291.0814實驗實測值0.28相對誤差%002760.1685-1.0357-5.33334.9903網絡仿真值12971097451.2630.7032實驗實測值相對誤差隔%098475.37860.23810096500274通過實驗數據對建立好的網絡進行訓練,設定目標誤差的pH值約為85由此說明了當溶液的pH值為85時,聚乙小于0001,以L~M優(yōu)化算法對網絡進行訓練,訓練的誤差變二醇的羧基化率最高?；€如圖6所示。由圖6可知當訓練步數為126步時網24反應前后電導率差值與反應物配比的關系絡性能達標,當前誤差為00008525。訓練好的網絡根據網反應前后電導率差值與聚乙二醇量的關系如圖5所示絡參數權重自動生成仿真輸出。網絡訓練輸出和實驗數據值由圖可知,當保持高錳酸鉀的量及其他條件不變時,反應前分別如表1所示。后溶液的電導率的變化值隨著聚乙二醇量的增加呈現(xiàn)先增23反應前后電導率差值與pH值的關系大后減小,電導率變化的最大值對應的聚乙二醇的量為20g,此時聚乙二醇與高錳酸鉀的質量比為2:125BP神經網絡訓練誤差變化和網絡預測性能22201161141.1270758085909510010511011.5圖4反應前后電導率差值與pH值的關系圖中國煤化工30反應前后電導率差值與pH值的關系如圖4所示,由圖CNMHG可知,反應前后溶液的電導率的變化值隨著pH值的增大呈圖5反應前后電導率差值與聚乙二醇量的關現(xiàn)出先增大后減小的變化趨勢,電導率變化的最大值所對應廣州化工09年37卷第2期for the evaluation and analysis of FIA signals []. J. Biotechnology.2】張卓勇劉思東曾憲津人工神經網絡方法校正CPAF中重用練誤差曲線疊光譜干擾門光譜學與光譜分析1997,17(5)7-813]王勇張卓勇劉思東等分析化學中的非線性校準U分析化學目杯線998.26(9):1146-1155郭曄茍玉慧湯真人工神經網絡近紅外光譜法用于粉末藥品美的康的非破壞定量分析分析化學200129()1215]湯真劉富強茍玉慧等粉末藥品安體舒通的無損定量分析人20406080100120工神經網絡-近紅外光譜法的應用分析測試學報0020362-64圖6BP神經網絡訓練誤差變化曲線間]方慧生相秉仁安登魁人工神經網絡在蛋白質二級結構預測中的應用門藥學進展199620(1)-11由兩者的差值可以看出仿真輸出和實驗數據之間的差孫之蒙德小用人工神經網絡方法預測蛋白質超二級結構值最大的也只有00554,相對誤差也就只有538%左右,也就是說網絡預測值和實驗實測值的吻合程度達到了94%以8]蔡文生于芳邵學廣等基于小波神經網絡的新型算法用于化學信號處理高等學?；瘜W學報200021(6:855-859上。仿真輸出和實驗數據之間的最小相對誤差只有001549張立安楊建麗劉振宇等人工神經網絡用于煤直接液化反應%,即吻合程度達到了999846%。而且大多數相對誤差都在模擬的研究門計算機與應用化學916:459-4621%以內,說明采用BP神經網絡實現(xiàn)反應程度的預測是非常1o聶秀榮陳丙珍李有潤人工神經網絡用于蒸汽動力系統(tǒng)的故障成功的。診斷門計算機與應用化學1995.12(2)95-98[l]王國慶葛虹許培援等神經網絡用于合成條件的預測及優(yōu)化參考文獻計算機與應用化學1997,14(2139-142[l HitzmannB, Ritzka A, ULber Retc Neural network as a modeling tool··o·≈≈·≈··≈··≈··≈···心·······@·,···合·。·(上接第59頁)后,用于脫除FSA產品氫氣中微量雜質如Us3142547,1964N2Ar等,進一步純化氫氣。純化后氫氣純度可達999%4湯洪變壓吸附裝置中均壓設計的討論團化工設計,200,13以上嗎,高于電解氫氣的純度,可用于需高純氫氣的特殊場(1)k16-18S]周理,呂昌忠,邊守軍等非耦聯(lián)吸附塔新變壓吸附工藝的實驗研究U2003,545)6396444結語阿6]楊皓,張佳平.變壓吸附氣體分離方法P中國專利CN25115A.2000隨著變壓吸附制氫工藝的發(fā)展和聯(lián)合工藝的開發(fā)氫氣7楊皓.一種增加變壓吸附工藝均壓次數的方法[中國專利的回收率和氫氣純度都得以提高我們可以更好地發(fā)掘和利CN206I6C.2005.用氫氣資源。但由于每種工藝都有其自身的特點變壓吸附1李潔5000h變壓吸附氫提純裝置的設計俱天然氣化工工藝流程的選擇必須根據實際需要和投資經濟性來綜合考2000.25(437-39[9] Denis JC, David GD, Les J. Rotary pressure swing adsorptionparatus[P]. US6406523. 2002.參考文獻[10] Ondrey, Gerald. A fast PSA technology to be trialed at a petroleum[ Ramage MP. The hydrogen economy: opportunities, costs, barriersrefinery!J) Chemical Engineering. 2006. 9(1): 31[l席怡宏膜分離-變壓吸附聯(lián)合工藝生產燃料電池氫氣俱上and R&D needs[M]. Washington: The National Academy Press. 2005?；?2006,31(1)26-28.2 Pacalowska E, Whysall ML, Narasimhan MV. Improve hydrogen2]焦書建采用變壓吸附技術回收煉油廠裝置尾氣中的氫氣recovery from refinery offgases[]. Hydrocarbon Processing. 1996. 75石油化工,200354:350-353.11)55-59] Marsh WD.. Pramuk FS. Hoke RC. Skarstrom CW. Pressure3]李欣,王剛科學利用提純技術優(yōu)化氫氣資源化工設計通訊206,32{355-58qualization Depressuring in Heatless Adsorption [Pl U.S. Patent,中國煤化工CNMHG