CN113240114B - 一种基于人工神经网络的生物质转化关键变量的筛选方法 - Google Patents
一种基于人工神经网络的生物质转化关键变量的筛选方法 Download PDFInfo
- Publication number
- CN113240114B CN113240114B CN202110635185.3A CN202110635185A CN113240114B CN 113240114 B CN113240114 B CN 113240114B CN 202110635185 A CN202110635185 A CN 202110635185A CN 113240114 B CN113240114 B CN 113240114B
- Authority
- CN
- China
- Prior art keywords
- variables
- biomass
- data
- neural network
- artificial neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/10—Biofuels, e.g. bio-diesel
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明提供了一种基于人工神经网络的生物质转化关键变量的筛选方法。本发明基于大数据分析,通过采用人工神经网络及数据降维的结合对生物质转化工艺过程的关键参数进行识别,建立模型,对工艺过程变量之间的相互关系进行分析,降低了变量的维数,达到最终筛选出关键变量的目的。本发明能够快速准确的得出生物燃料制备过程、基于生物质的平台化合物制备过程的关键变量,为指导生物质转化过程的工业化规模生产提供理论依据。
Description
技术领域
本发明提供一种基于人工神经网络的生物质转化关键变量的筛选方法,属于生物质转化、生物质能源、生物质高值化利用领域。
背景技术
人工神经网络(ANN)是人工智能领域兴起的研究热点。人工神经网络迅速发展,已经获得了巨大进展。在诸多领域如图像识别、人脸识别、生物制药、医学成像、经济学等解决了诸多实际问题,取得良好的效果。从机理上来说,人工神经网络在信息处理方面参考了人脑神经元的网络进行抽象计算处理,其建立某种简单模型,按不同的连接方式组成不同的网络。有时也被直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数。基于人工神经网络的大数据处理是目前研究的热点。
生物质转化过程是将自然界中广泛存在的取之不尽用之不竭的生物质,如木质纤维素类生物质转变成生物燃料或者化工平台化合物。整个生物质转化过程是典型的变量众多的过程;同时,众多变量之间存在了互相作用,从某种意义上来说是变动某一变量会造成“牵一发而动全身”的结果,因此也可以将生物质转化过程看做是一个庞大的系统工程。在这个系统工程中,各变量之间的相互关系制约了最终的生物质转化的效果。因此,找出变量之间的相互关系,同时找到对整个过程影响最大的关键变量对于放大生产是至关重要的。
综上,急需为生物质转化过程建立一种基于大数据处理分析的关键变量的筛选方法,该方法将对后续的工业化生产具有重要的指导意义。
发明内容
针对上述现有技术中存在的问题,本发明提供一种基于人工神经网络的生物质转化关键变量的筛选方法,可对生物质能源生产过程或者基于生物质的平台化合物的制备过程中各变量汇总而成的数据库进行大数据分析。可深入分析变量之间的相互关系,快速准确地实现关键变量的确定。
为实现上述目的,本发明提供如下的技术路线:一种基于人工神经网络的生物质转化关键变量的筛选方法,包括以下步骤:第一,生物质转化工艺过程原始数据库的建立;第二,数据预处理;第三,人工神经网络模型训练;第四,结果分析,确定关键参数。
进一步地,第一步中的生物质转化工艺过程原始数据库的建立是指将转化过程各环节产生的数据进行汇总建立数据库,更进一步地,包括生物质原料的物化数据、成分含量数据、反应试剂物化性质数据、反应条件数据、反应后主副产物物化性质及成分含量等数据。
进一步地,第二步中的数据预处理是对数据进行清洗,得到规范的数据以用于后续的分析。
进一步地,第三步中的基于人工神经网络的大数据处理是将数据降维和人工神经网络结合,建立模型,对模型进行训练和测试,以获得较好的预测精度。
本发明的有益效果如下:
1.本发明为生物质转化过程存在的诸多变量提供了快速准确的筛选关键变量的方法,为后续指导生产提供了理论依据。
2.本发明将生物质转化过程即传统的化工过程和人工智能相结合,建立了人工智能在生物质化工领域的应用。
3.本发明为生物质转化所属的生物质化工领域存在的数据进行大数据处理和分析提供了新的思路。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。下面结合具体的实施例,对本发明做进一步的说明,但本发明并不限于此。
实施例1
以不同的木质纤维素类生物质为原料,以不同的低共熔溶剂作为预处理试剂,通过低共熔溶剂的木质纤维预处理过程,对纤维素半纤维素和木质素三大组分进行分级分离;然后对获得的碳水化合物进行酶水解糖化获得可发酵的还原性单糖;接下来进行发酵处理,发酵产物再经过精馏提纯处理,最终获得高纯度的生物燃料,即生物乙醇
对于以上生物质转化过程,进行基于人工神经网络的关键变量的筛选,包括以下步骤:生物质转化工艺过程原始数据库的建立。包括不同的木质纤维素类生物质的物化性质参数(如硬度、粒径大小、各元素含量、纤维素含量、半纤维素含量、木质素含量、灰分含量、抽提物含量等)、低共熔溶剂物化性质参数(如熔点、沸点、粘度、表面张力、原子总个数、氢键供体性质、氢键受体性质、氢键个数、碳链长度、官能团个数、官能团种类、酸度系数、KT参数、极性数据等)、预处理反应条件参数(反应温度、反应时间、反应压力、固液比等)、预处理效果参数(固体回收率、纤维素回收率、半纤维素回收率、木质素脱除率等)、酶解糖化反应条件(温度、时间、酶的性质、酶的用量、固液比等)、酶解糖化效果(总糖得率、木聚糖得率、葡聚糖得率等)、发酵条件参数、分离提纯条件参数等,建立原始数据库。数据预处理:对第一步中的原始数据库进行数据的预处理,或得数据降噪后的数据库。人工神经网络模型训练,选取其中一部分数据进行训练,选取另外一部分数据进行测试。通过采用聚类分析和神经网络预测方法进行大数据的机器学习。建立聚类分析人工神经网络的分析模型。对已有的70多个变量降为到30个变量,继续进行训练,进行大数据分析。结果分析,确定关键参数。最终获得对低共熔溶剂预处理制备生物乙醇过程影响比较大的关键参数是:低共熔溶剂的酸性参数、极性参数、预处理反应温度、预处理反应时间、酶用量。
以上所述仅为本发明的较佳实施举例,并不用于限制本发明,凡在本发明精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
最后应该说明的是,以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。上述虽然对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (1)
1.一种基于人工神经网络的生物质转化关键变量的筛选方法,其特征在于:
深入分析变量之间的相互关系,快速准确地实现关键变量的确定;包括以下步骤:第一,生物质转化工艺过程原始数据库的建立;第二,数据预处理;第三,人工神经网络模型训练;第四,结果分析,确定关键变量;
所述的生物质转化包括生物质燃料制备过程和生物质的平台化合物的制备过程;生物质指的是木质纤维素类生物质;筛选方法是人工神经网络和数据降维的方法;关键变量是指生物质转化工艺过程中的反应条件变量及反应试剂的物化性质关键变量;采用PCA-PLS主成分分析-偏最小二乘法进行数据处理;
以不同的木质纤维素类生物质为原料,以不同的低共熔溶剂作为预处理试剂,通过低共熔溶剂的木质纤维预处理过程,对纤维素半纤维素和木质素三大组分进行分级分离;然后对获得的碳水化合物进行酶水解糖化获得可发酵的还原性单糖;接下来进行发酵处理,发酵产物再经过精馏提纯处理,最终获得高纯度的生物燃料,即生物乙醇;对于以上生物质转化过程,进行基于人工神经网络的关键变量的筛选,包括以下步骤:生物质转化工艺过程原始数据库的建立;包括不同的木质纤维素类生物质的物化性质变量:硬度、粒径大小、各元素含量、纤维素含量、半纤维素含量、木质素含量、灰分含量、抽提物含量;低共熔溶剂物化性质变量:熔点、沸点、粘度、表面张力、原子总个数、氢键供体性质、氢键受体性质、氢键个数、碳链长度、官能团个数、官能团种类、酸度系数、KT变量、极性数据;预处理反应条件变量:反应温度、反应时间、反应压力、固液比;预处理效果变量:固体回收率、纤维素回收率、半纤维素回收率、木质素脱除率;酶解糖化反应条件:温度、时间、酶的性质、酶的用量、固液比;酶解糖化效果:总糖得率、木聚糖得率、葡聚糖得率;发酵条件变量;分离提纯条件变量,建立原始数据库;数据预处理:对第一步中的原始数据库进行数据的预处理,获得数据降噪后的数据库;人工神经网络模型训练,选取其中一部分数据进行训练,选取另外一部分数据进行测试;通过采用聚类分析和神经网络预测方法进行大数据的机器学习;建立聚类分析人工神经网络的分析模型;变量降维后继续进行训练,进行大数据分析;结果分析,确定关键变量;最终获得对低共熔溶剂预处理制备生物乙醇过程影响比较大的关键变量是:低共熔溶剂的酸性变量、极性变量、预处理反应温度、预处理反应时间、酶用量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635185.3A CN113240114B (zh) | 2021-06-09 | 2021-06-09 | 一种基于人工神经网络的生物质转化关键变量的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635185.3A CN113240114B (zh) | 2021-06-09 | 2021-06-09 | 一种基于人工神经网络的生物质转化关键变量的筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240114A CN113240114A (zh) | 2021-08-10 |
CN113240114B true CN113240114B (zh) | 2023-04-18 |
Family
ID=77137327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635185.3A Active CN113240114B (zh) | 2021-06-09 | 2021-06-09 | 一种基于人工神经网络的生物质转化关键变量的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240114B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116230104B (zh) * | 2023-05-09 | 2023-08-22 | 青岛科技大学 | 基于分子动力学和多变量分析的低共熔溶剂筛选方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071412A (zh) * | 2006-05-10 | 2007-11-14 | 何千军 | 一种基于自定义模型的神经网络分析系统及方法 |
CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630376B (zh) * | 2009-08-12 | 2012-06-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
-
2021
- 2021-06-09 CN CN202110635185.3A patent/CN113240114B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101071412A (zh) * | 2006-05-10 | 2007-11-14 | 何千军 | 一种基于自定义模型的神经网络分析系统及方法 |
CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113240114A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruiz et al. | Hydrothermal processing in biorefineries | |
Gonçalves et al. | Bioethanol production by Saccharomyces cerevisiae, Pichia stipitis and Zymomonas mobilis from delignified coconut fibre mature and lignin extraction according to biorefinery concept | |
Goncalves et al. | Bioethanol production from coconuts and cactus pretreated by autohydrolysis | |
Culaba et al. | Smart sustainable biorefineries for lignocellulosic biomass | |
Dussan et al. | Dilute-acid hydrolysis of cellulose to glucose from sugarcane bagasse | |
Romaní et al. | Eucalyptus globulus wood fractionation by autohydrolysis and organosolv delignification | |
Hu et al. | Dilute sulfuric acid hydrolysis of sugar maple wood extract at atmospheric pressure | |
Kuttiraja et al. | Bioethanol production from bamboo (Dendrocalamus sp.) process waste | |
Lara-Serrano et al. | Fractionation of lignocellulosic biomass by selective precipitation from ionic liquid dissolution | |
Yu et al. | Pretreatment of sugarcane bagasse with liquid hot water and aqueous ammonia | |
Antunes et al. | Bioethanol production from sugarcane bagasse by a novel Brazilian pentose fermenting yeast Scheffersomyces shehatae UFMG‐HM 52.2: evaluation of fermentation medium | |
JP5325793B2 (ja) | リグニンを除去するために、アルカリ溶液で固体リグノセルロース材料を処理するステップを含む、固体リグノセルロース材料からのエタノールの発酵生産のための方法 | |
Buratti et al. | Ethanol production from vineyard pruning residues with steam explosion pretreatment | |
Parajó et al. | Production of xylitol from raw wood hydrolysates by Debaryomyces hansenii NRRL Y-7426 | |
Abad et al. | Furfural from wood in catalyzed acetic acid media: A mathematical assessment | |
CN113240114B (zh) | 一种基于人工神经网络的生物质转化关键变量的筛选方法 | |
Noparat et al. | Sulfite pretreatment to overcome recalcitrance of lignocellulose for enzymatic hydrolysis of oil palm trunk | |
Kim et al. | Low acid hydrothermal fractionation of Giant Miscanthus for production of xylose-rich hydrolysate and furfural | |
Ojumu et al. | Production of glucose from lignocellulosic under extremely low acid and high temperature in batch process, auto-hydrolysis approach | |
Xia et al. | Development of optimal steam explosion pretreatment and highly effective cell factory for bioconversion of grain vinegar residue to butanol | |
US20240175060A1 (en) | Processes for co-producing xylitol with ethanol or other fermentation products | |
Ackerson et al. | Two-stage acid hydrolysis of biomass | |
Martín et al. | Evaluation of the effect of the dilute acid hydrolysis on sugars release from olive prunings | |
Amândio et al. | Cellulosic bioethanol from industrial Eucalyptus globulus bark residues using kraft pulping as a pretreatment | |
Chandel et al. | Techno-economic analysis of second-generation ethanol in Brazil: competitive, complementary aspects with first-generation ethanol |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |