模拟通过超声波辅助的提取通过机器学习在Olea europaea的叶子中提取多
Raquel Rodríguez-Fernández1, Ángela Fernández-Gómez1, Juan C Mejuto1
1Universidade de Vigo, Departamento de Química Física, Facultade de Ciencias, 32004 Ourense, Spain.
Foods (Basel, Switzerland)
|December 23, 2023
概括
机器学习模型,特别是人工神经网络 (ANN),准确地预测橄叶提取物的产量和总含量 (TPC). 这些模型为优化超声波辅助提取 (UAE) 过程提供了可靠的工具.
科学领域:
- 农业化学 农业化学
- 生物技术是生物技术.
- 计算化学计算化学
背景情况:
- 橄叶 (Olea europaea) 含有具有显著健康益处的化合物.
- 优化这些化合物的提取过程对于它们的应用至关重要.
- 超声辅助提取 (UAE) 是提取生物活性化合物的常用方法.
研究的目的:
- 开发和评估机器学习模型,用于预测橄叶的提取物产量和总含量 (TPC).
- 确定最有效的机器学习算法来建模超声波辅助提取 (UAE) 过程.
- 用温度,时间和体积作为输入变量来评估不同算法的性能.
主要方法:
- 利用了关于橄叶提取的文献中的实验数据.
- 开发并比较了三个机器学习算法:随机森林 (RF),支持矢量机器 (SVM) 和人工神经网络 (ANN).
- 输入变量包括温度,时间和体积;输出变量是提取产量和TPC.
主要成果:
- 基于ANN的模型ANNZ-L显示出预测提取物产量的最佳性能,根平均平方误差 (RMSE) 为9.44 mg/g DL,平均绝对百分比误差 (MAPE) 在验证中为3.7%.
- 基于ANN的模型ANNR对于预测TPC是最佳的,在验证中达到0.89 mg GAE/g DL的RMSE和2.9%的MAPE.
- 两种ANN模型在测试阶段表现强,MAPE值较低 (分别为4.9%和3.5%).
结论:
- 人工神经网络 (ANN) 模型是预测橄叶的提取产量和总含量 (TPC) 的有效工具.
- 这些模型可以准确地预测不同条件下 (温度,时间,溶剂) 的阿联过程的结果.
- 这些发现支持使用ANN来优化从橄叶中提取有价值的化合物.
