بررسی آزمایشگاهی، مدل سازی و بهینه سازی استخراج فوق بحرانی گلیسیریزیک اسید از ریشه ی گیاه شیرین بیان

استخراج با سیال دی‏اکسید‏کربن فوق بحرانی اصلاح شده بر مبنای طراحی آزمایشات آماری به روش طراحی رویه پاسخ با استفاده از نرم افزار minitab 17 انجام شد. پنج متغیر موثر بر این فرایند دما (?c65-45)، فشار (mpa 34-10)، شدت جریان سیال دی اکسید کربن فوق بحرانی ( ml/min2-8/0)، زمان استخراج دینامیک (120-40 دقیقه) و غلظت متانول در کمک حلال دوتایی آب-متانول (0-100%) می باشند که طراحی آزمایش ها بر اساس آن ها انجام گرفته است. آنالیز رویه ی پاسخ نشان داد که داده های آزمایشگاهی به خوبی به وسیله ی یک مدل چند جمله ای مرتبه دوم برازش می شوند. علاوه بر این مشخص شد که ترم های خطی فشار و زمان از اهمیت بسیار بالایی در پاسخ مدل (درصد بازیابی) برخوردار هستند در حالی که دبی دی اکسید کربن و غلظت متانول در کمک حلال دوتایی اهمیت نسبتاً بالایی دارند. ترم های مربع تمام متغیر ها به جز دبی جریان دی اکسید کربن نیز از اهمیت بسیار بالایی در پاسخ مدل برخوردار هستند. تمام ترم های متقابل بین متغیر ها نیز در مدل پیشنهادی بر اساس متغیرهای کدگذاری شده اهمیتی ندارند. ضریب تشخیص (r2) در مدل برابر با 05/98 درصد و ضریب تشخیص اصلاح شدهr^2 (adj) برابر 51/94 درصد می باشد و مقادیر بهینه ی استخراج در محدوده ی آزمایش با این روش، دمای 68 درجه سانتی گراد، فشارmpa 6/29، نرخ جریان 2 میلی لیتر بر دقیقه، زمان دینامیک 108 دقیقه و غلظت متانول در کمک حلال دو تایی آب- متانول، 46% حجمی با میزان بازیابی 544/0 بدست آمد. همچنین در این تحقیق مدل سازی ریاضی فرآیند برای استخراج گلیسیریزیک اسید از ریشه ی شیرین بیان با استفاده از کمک حلال آب نیز انجام گرفت. پارامترهای مدل شامل ضریب نفوذ موثر، ضریب انتقال جرم فیلمی، ضریب پراکندگی محوری و ضریب توزیع می باشند. سه پارامتر اول از طریق روابط تجربی محاسبه گردید و ضریب توزیع نیز با محاسبه حلالیت با به کار بردن روش الگوریتم ژنتیک برای تعیین مقادیر بهینه ی ضریب توزیع در هر یک از شرایط عملیاتی و استفاده از روش طراحی رویه ی پاسخ به دست آمد و در مدل ریاضی جایگذاری گردید. نتایج نشان داد که مدل ریاضی به خوبی قادر به پیشگویی داده های آزمایشگاهی است و خطای مطلق متوسط حدود 6% بدست آمد که نشان از محدوده خطای کم آن می باشد. در ادامه پارامترهای عملیاتی برای رسیدن به استخراج بیشتر به کمک الگوریتم ژنتیک بهینه شدند که مقادیر بهینه پارامترهای عملیاتی برای دستیابی به بیشترین میزان بازیابی 338/0، فشار 19/27 مگاپاسکال، دمای 68 درجه سانتیگراد، دبی 96/1 میلی‏لیتر بر دقیقه و زمان دینامیک 199 دقیقه بدست آمد. در انتها نیز فرایند به کمک شبکه ی عصبی mlp مدل سازی شد. شبکه های عصبی با 3 تا 8 نورون در لایه مخفی به همراه الگوریتم های مختلف آموزش شبکه به منظور تعیین بهترین شبکه ی عصبی آزمایش شدند و نهایتاً تعداد بهینه نورون ها 6 نورون در لایه ی مخفی و الگوریتم یک مرحله ای متقاطع پس انتشار (oss) برای آموزش شبکه بهترین عملکرد را دارا بود و نتایج نشان داد که شبکه به خوبی آموزش داده شده و تطابق مناسبی بین میزان بازیابی بدست آمده از شبکه آموزش داده شده و مقادیر بدست آمده از آزمایشات وجود دارد.