مدل سازی بازده استخراج آنتول رازیانه در ستون RSDC با روش RSM و ANN

در این پژوهش، داده های آزمایشگاهی به دست آمده از بازده عملیات استخراج جامد-مایع به دو روش سطح پاسخ و شبکه عصبی مصنوعی مدل سازی و شبیه سازی شد. در این عملیات، آنتول به عنوان اصلی­ترین ماده موثره دارویی موجود در اسانس دانه های گیاه رازیانه در تماس با حلال اتانول ۷۰%  استخراج شد و بازده عملیات به عنوان تابع هدف قرار داده شد. این عملیات با تغییر در طراحی ستون استخراج مایع-مایع RDC و به کارگیری سینی های سوراخ دار و طراحی قیف در خروجی برج برای خارج ­شدن جامد صورت گرفت. به کمک ستون طراحی شده، اثر سه متغیر اندازه ذره های رازیانه، سرعت روتور و نسبت حلال به جامد بر بازده استخراج آنتول مورد بررسی قرار گرفت. آزمایش ها با ذره های ریز شده رازیانه در اندازه های ۷/۱، ۱ و ۳/۰ میلی متر، سرعت روتور ۹۰، ۱۳۵ و ۱۸۰ دور در دقیقه و نسبت حلال به جامد ۱۰، ۱۵ و ۲۰ برابر انجام شد و چگونگی تغییر پارامترها در آزمایش­ ها با استفاده از نرم افزار Design Expert، به روش سطح پاسخ و نیز با نرم افزار MATLAB  به روش شبکه عصبی مصنوعی مدل سازی و بهینه سازی شد. نتیجه های به دست آمده از آنالیزهای GC-MS و GC به عنوان اطلاعات بازده استخراج و مقایسه با نتیجه های شبیه سازی نرم افزاری نشان می دهد که با ریزتر شدن اندازه دانه های جامد رازیانه، افزایش نسبت حلال به جامد و نیز افزایش سرعت روتور، بازده استخراج آنتول افزایش می یابد. همچنین داده­ های طراحی آزمایش توسط شبکه عصبی مصنوعی مدل سازی شد که ضریب همبستگی برای روش RSM و شبکه عصبی به ترتیب ۹۶۰۴/۰ و ۹۹۵۵/۰ به دست آمد. نتیجه ها نشان دهنده دقت بالای مدل سازی شبکه عصبی مصنوعی نسبت به داده های واقعی در قیاس با روش سطح پاسخ می­ باشد.

کلیدواژه ها:

آنتول ، ستون RDC ، استخراج ، مدل سازی ، RSM ، شبکه عصبی مصنوعی