BP神经网络方法预测聚乙二醇的羧基化率

2009年37卷第2期广州化工BP神经网络方法预测聚乙二醇的羧基化率傅应强,姚岚2,孟祥松1(1安徽工程科技学院生物化学工程系,安徽芜湖241000;2芜湖卷烟厂,安徽芜湖241000)摘要:以聚乙二醇和高锰酸钾作为原料用反应前后溶液电导率的变化值来表征研究聚乙二醇的羧基化率,电导率的变化值越大说明聚乙二醇的羧基化率越高。并对反应所需的反应条件(如pH值温度和配比等)作了简单的探讨。研究这些反应条件的改变对聚乙二醇的羧基化率的影响。并以 matlab语言编写BP神经网络,通过实验数据对网络进行训练然后以训练好的网络对聚乙二醇的羧基化率进行预测结果表明,我们所建立的两层BP神经网络对不同反应条件下聚乙二醇羧基化率的仿真结果和实验数据吻合程度最低的都达到了9%,最高的能达到99.9%左右。说明BP神经网络应用于化学反应过程的预测是切实可行的。关键词:人工神经网络;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高分子反应由于其复杂性各反应条件和产物性能之间络是生理学上的真实人脑神经网络的结构和功能以及若干的规律很难总结它们之间存在着非常复杂的、非线性的因基本特征的某种理论抽象简化和模拟而构成的一种信息系果关系。如果能采用人T智能方法对该关系进行模拟,将有统。从系统观点看,人工神经网络是由大量非线性神经元作助于从已有的实验数据中总结出一定的规律,在此基础上对为处理单元通过极其丰富和完善的连接而构成的大规模分反应条件进行优化并用来指导实验从而通过尽可能少的布式并行处理系统。人工神经网络独特的结构和处理信息的实验获得我们所期望得到的产物。方法使它在许多实际应用中取得了显著的成效解决了不少人工神经网络(ANN. ArtificialNeuralNetwork,有时也简称传统计算方法难以解决的问题。神经网络作为人工智能的一为NN是近年来发展最快的一种人工智能方法,它能模仿人种计算工具在某些应用领域具有明显的优点已展示出广泛脑进行信息处理具有自学习自组织、自适应能力及很强的的应用前景。人工神经网络作为一种智能方法90年代初有容错性分布存储与并行处理信息的功能及高度非线性表达论文评“巴几扫的阶段叫但近几年其在能力可以有效的对模型不确定的数据进行大规模的非线性化学中国煤化工有的化学数据处理自适应处理,自动调节不同类型的非线性响应。人工神经网及相CNMHG经网络应用于化学幸基金项目:安徽省高等学校优秀青年人才基金项目资助(2009RZ95)。作者简介:博应强(1980-),男,硕士,讲师。广州化工2009年37卷第2期始于90年代初目前已发展到一定水平。目前神经网络在在化学方面的应用主要包括:非线性校准、无损分析定量结构/活性相关η、化学信号处理、化学反应模拟門、故障诊画u断、预测优化叫等方面现主要是利用BP神经网络来研究预测不同的条件下聚图1具有两层结构的BP神经网络结构图乙二醇的羧基化率,首先通过实验即在碱性条件下用高锰酸钾将聚乙二醇羧基化,利用反应前后溶液的电导率变化值其中第一层采用 tansig函数作为传递函数,神经元的个来表征羧基化的程度电导率的变化值越大聚乙二醇的羧基数为个第二层传递函数为线性函数 purlin函数神经化程度就越高。然后改变反应条件,得到不同条件下反应前元个数为1。网络训练函数采用LM优化算法(tanm)。其后电导率的变化值,建立数据库,用于已编写的神经网络中中传递函数以及神经元的个数的选择主要考虑兼顾了较小加以训练最终用已训练好的神经网络来实现预測聚乙二醇的训练误差和较高的运行效率。神经网络模型建好之后采用的羧基化率实验数据对网络进行训练,并将训练好的网络输出和实验的1实验部分电导率差值做了对比,以检验网络的仿真预测性能。11主要仪器和试剂电导率仪H-6多头磁力加热搅拌器、聚乙二醇1000高2结果与讨论锰酸钾、氡氧化钠。21电导率与时间的关系12实验方法电导率与时间的变化关系如图2所示,由图可知,此反在碱性条件下,利用高锰酸钾的氧化性氧化聚乙二醇,应是电导率减小的过程溶液的电导率随反应时间的增大而使聚乙二醇中的羟基氧化成羧基,即羧基化。反应方程式如降低,最终趋于一直线。此时说明反应已达到平衡。反应达到下平衡所耗时间为3h。电导率之所以减小是因为反应消耗了KMnO 4→PEG0OH高锰酸根离子,使溶液中离子浓度降低。1.3神经网络的构建原理由反应方程式可知聚乙二醇的羧基化率和反应前后的电导率改变值是成正比的,因此我们可以通过测量反应前后溶液中电导率的变化值,来表征其羧基化的程度,即羧基化率,反应前后溶液电导率的变化值越大其羧基化的程度就越高。这样的话我们就可以间接的通过测量电导率变化值(△G)来表征聚乙二醇羧基化的程度,我们研究不同反应条件下体系的电导率变化值,得到一系列条件下的电导率差200250值那么电导率差值和反应条件的关系可以用下面的函数来表示:△G=反应时间温度,pH配比,…),很显然这种函数是非常复杂的,而且一般都不能用一个准确的表达式来表图2电导率与时间的关系图达而BP神经网络在隐层神经元足够的条件下,可以以任意精度通近任意一个具有有限个间断点的函数,因此我们可以22反应前后电导率差值与温度的关系利用实验测的的数据对建立好的网络进行训练,使得训练好反应前后电导率差值与温度的关系如图3所示,由图可的网络能够实现聚乙二醇的羧基化率的预测知,反应前后溶液的电导率变化值开始随温度的升高而增14反应条件大随后到达一最大值后,当再升高温度时,电导率变化值就文章主要考虑了反应时间、反应温度反应体系的pH、会随着温度的升高而降低。此电导率变化的最大值所对应的反应物配比等几个反应条件对聚乙二醇羧基化的影响,其中温度大约在40℃附近。所以由此可得出此反应的最住温度反应时间的变化范围为10-220min;反应温度变化范围为为40℃。3070℃;pH变化范围为7-l1;配比变化范围为05-30。依次改变上述几种反应条件我们测得了30组不同条件下应前后反应体系的电导率变化值8b415BP神经网络模型的建立文章以上述不同反应条件下的30组数据为训练样本,其中各不同反应条件为输入,电导率差值为输出。数据格式存储为矩阵形式。采用mlab语言编写具有两层结构的BP中国煤化工神经网络,其结构如图1所示CNMHG图3反应前后电导率差值与温度的关系图2009年37卷第2期广州化工表1神经网络仿真输出值和实验实测值及相对误差网络仿真值l2028043960.78880.9402实验实测值1.210.44相对误差%0.5950009090.151900213网络仿真值1.17811.24261.31921.398414002实验实测值1.33相对误差%0.16100.20970.81201.33331.3944网络仿真值141081.18121.297113264实验实测值1,42相对误差%-1.8310064793.6140-13359网络仿真值1.22531.21021.17981.67621.9503实验实测值相对误差隔%0.01650016902262网络仿真值14504028291.0814实验实测值0.28相对误差%002760.1685-1.0357-5.33334.9903网络仿真值12971097451.2630.7032实验实测值相对误差隔%098475.37860.23810096500274通过实验数据对建立好的网络进行训练,设定目标误差的pH值约为85由此说明了当溶液的pH值为85时,聚乙小于0001,以L~M优化算法对网络进行训练,训练的误差变二醇的羧基化率最高。化曲线如图6所示。由图6可知当训练步数为126步时网24反应前后电导率差值与反应物配比的关系络性能达标,当前误差为00008525。训练好的网络根据网反应前后电导率差值与聚乙二醇量的关系如图5所示络参数权重自动生成仿真输出。网络训练输出和实验数据值由图可知,当保持高锰酸钾的量及其他条件不变时,反应前分别如表1所示。后溶液的电导率的变化值随着聚乙二醇量的增加呈现先增23反应前后电导率差值与pH值的关系大后减小,电导率变化的最大值对应的聚乙二醇的量为20g,此时聚乙二醇与高锰酸钾的质量比为2:125BP神经网络训练误差变化和网络预测性能22201161141.1270758085909510010511011.5图4反应前后电导率差值与pH值的关系图中国煤化工30反应前后电导率差值与pH值的关系如图4所示,由图CNMHG可知,反应前后溶液的电导率的变化值随着pH值的增大呈图5反应前后电导率差值与聚乙二醇量的关现出先增大后减小的变化趋势,电导率变化的最大值所对应广州化工09年37卷第2期for the evaluation and analysis of FIA signals []. J. Biotechnology.2】张卓勇刘思东曾宪津人工神经网络方法校正CPAF中重用练误差曲线叠光谱干扰门光谱学与光谱分析1997,17(5)7-813]王勇张卓勇刘思东等分析化学中的非线性校准U分析化学目杯线998.26(9):1146-1155郭晔苟玉慧汤真人工神经网络近红外光谱法用于粉末药品美的康的非破坏定量分析分析化学200129()1215]汤真刘富强苟玉慧等粉末药品安体舒通的无损定量分析人20406080100120工神经网络-近红外光谱法的应用分析测试学报0020362-64图6BP神经网络训练误差变化曲线间]方慧生相秉仁安登魁人工神经网络在蛋白质二级结构预测中的应用门药学进展199620(1)-11由两者的差值可以看出仿真输出和实验数据之间的差孙之蒙德小用人工神经网络方法预测蛋白质超二级结构值最大的也只有00554,相对误差也就只有538%左右,也就是说网络预测值和实验实测值的吻合程度达到了94%以8]蔡文生于芳邵学广等基于小波神经网络的新型算法用于化学信号处理高等学校化学学报200021(6:855-859上。仿真输出和实验数据之间的最小相对误差只有001549张立安杨建丽刘振宇等人工神经网络用于煤直接液化反应%,即吻合程度达到了999846%。而且大多数相对误差都在模拟的研究门计算机与应用化学916:459-4621%以内,说明采用BP神经网络实现反应程度的预测是非常1o聂秀荣陈丙珍李有润人工神经网络用于蒸汽动力系统的故障成功的。诊断门计算机与应用化学1995.12(2)95-98[l]王国庆葛虹许培援等神经网络用于合成条件的预测及优化参考文献计算机与应用化学1997,14(2139-142[l HitzmannB, Ritzka A, ULber Retc Neural network as a modeling tool··o·≈≈·≈··≈··≈··≈···心·······@·,···合·。·(上接第59页)后,用于脱除FSA产品氢气中微量杂质如Us3142547,1964N2Ar等,进一步纯化氢气。纯化后氢气纯度可达999%4汤洪变压吸附装置中均压设计的讨论团化工设计,200,13以上吗,高于电解氢气的纯度,可用于需高纯氢气的特殊场(1)k16-18S]周理,吕昌忠,边守军等非耦联吸附塔新变压吸附工艺的实验研究U2003,545)6396444结语阿6]杨皓,张佳平.变压吸附气体分离方法P中国专利CN25115A.2000随着变压吸附制氢工艺的发展和联合工艺的开发氢气7杨皓.一种增加变压吸附工艺均压次数的方法[中国专利的回收率和氢气纯度都得以提高我们可以更好地发掘和利CN206I6C.2005.用氢气资源。但由于每种工艺都有其自身的特点变压吸附1李洁5000h变压吸附氢提纯装置的设计俱天然气化工工艺流程的选择必须根据实际需要和投资经济性来综合考2000.25(437-39[9] Denis JC, David GD, Les J. Rotary pressure swing adsorptionparatus[P]. US6406523. 2002.参考文献[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席怡宏膜分离-变压吸附联合工艺生产燃料电池氢气俱上and R&D needs[M]. Washington: The National Academy Press. 2005海化工,2006,31(1)26-28.2 Pacalowska E, Whysall ML, Narasimhan MV. Improve hydrogen2]焦书建采用变压吸附技术回收炼油厂装置尾气中的氢气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,王刚科学利用提纯技术优化氢气资源化工设计通讯206,32{355-58qualization Depressuring in Heatless Adsorption [Pl U.S. Patent,中国煤化工CNMHG