利用人工神经网络（ANN）和统计技术对发酵姜黄废弃物精油中的姜黄酮浓度进行建模与优化

《Industrial Crops and Products》：Modeling and optimization of turmerone concentrations from fermented turmeric waste essential oil via ANN and statistical techniques

姜黄废料通过固体发酵结合响应面法与人工神经网络模型优化提取工艺，发现ANN模型预测精度更高（R2=0.9952），最佳条件为10天发酵与2小时蒸馏，姜黄酮浓度达16 mM，证实蒸馏时间影响最显著。

　　### 人工神经网络与响应面法在姜黄废料中提取姜黄酮浓度预测与优化中的应用

姜黄（*Curcuma longa* L.）是一种具有广泛应用的植物材料，其根茎在传统医学、食品加工、化妆品和制药领域均扮演着重要角色。然而，在姜黄加工过程中产生的废料，尤其是富含挥发性成分的姜黄浆，往往未被充分利用。这类废料中含有的姜黄酮（Curcumin）及其衍生物，如α-姜黄酮、β-姜黄酮和ar-姜黄酮，具有显著的生物活性，包括抗炎、抗氧化、抗真菌、抗抑郁和神经保护特性。因此，从姜黄废料中高效提取这些成分，特别是姜黄酮，不仅有助于提高其经济价值，还符合可持续发展的目标。

在实际提取过程中，传统方法如水蒸气蒸馏、超临界流体萃取和微波辅助蒸馏虽然广泛应用，但存在诸多局限性。这些方法通常需要较长的处理时间、较高的能耗，以及可能导致热敏性化合物降解的高温条件。此外，由于姜黄废料中复杂的植物细胞结构，如高度交联的淀粉、纤维素、半纤维素、木质素和果胶网络，使得溶剂和化合物的渗透变得困难，从而影响了提取效率和产物质量。因此，寻找一种更高效、更环保的预处理方法，对于提高姜黄废料中姜黄酮的提取效率至关重要。

在此背景下，固态发酵（SSF）作为一种生物友好且环保的预处理方法，被广泛应用于植物材料的提取。SSF可以模拟自然微生物环境，促进有益微生物的生长和产生水解酶（如纤维素酶、半纤维素酶和果胶酶），从而分解植物多聚物并破坏细胞结构，释放出被包裹在细胞内的挥发性成分。相比传统的热处理、机械处理或化学处理，SSF能够在温和的条件下进行，避免使用有机溶剂，同时保留姜黄酮的稳定性，并且能够与传统的蒸馏设备无缝整合。此外，微生物的代谢活动还能提升生物活性，将前体化合物转化为更具药理活性的衍生物，从而进一步增强提取产物的利用价值。

为了提高姜黄废料中姜黄酮的提取效率，本研究采用两种建模方法：人工神经网络（ANN）和响应面法（RSM）。RSM是一种基于多项式回归分析的统计方法，能够通过少量实验来描述参数之间的相互作用。相比之下，ANN是一种数据驱动的系统，能够捕捉复杂的非线性关系，而无需预设功能形式，因此在预测复杂生物过程方面通常表现出更高的准确性。在本研究中，采用中心复合旋转设计（CCRD）来评估两个关键变量——发酵时间和水蒸气蒸馏时间——对姜黄酮浓度的影响，并通过R2、MSE、RMSE、MAE、MAPE和Pearson的χ2等指标对模型进行评估。结果显示，ANN在预测精度和估计可靠性方面优于RSM模型，其中ANN的R2为0.9952，MSE为0.14，RMSE为0.40，MPE为0.20，χ2为0.02，而RSM的R2为0.9894，MSE为0.19，RMSE为0.44，MPE为?0.09，χ2为0.12。尽管RSM在MAE和MAPE方面表现稍好，但这些优势不足以抵消ANN的整体优越性。

ANN模型的构建基于实验数据，通过将数据分为训练集（70%）、验证集（15%）和测试集（15%）来评估其泛化能力。模型采用两层前馈神经网络结构，输入层包含两个神经元，分别对应发酵时间和蒸馏时间，输出层则预测姜黄酮浓度。隐藏层包含五个神经元，通过调整网络结构，最终确定了最佳的模型拓扑。输入层采用Sigmoid转移函数，隐藏层采用双曲正切转移函数，输出层采用线性转移函数，以更好地处理输入和输出之间的非线性关系。训练过程中采用了Levenberg-Marquardt（LM）反向传播算法，以最小化预测误差。同时，通过多目标优化策略，结合MSE、MAPE和χ2等指标，进一步提升了模型的预测能力。

基于ANN模型的预测结果，确定了最佳的工艺条件为10天的发酵时间和2小时的蒸馏时间，此时预测的姜黄酮浓度达到16毫摩尔（mM）。此外，统计分析表明，蒸馏时间是影响姜黄酮浓度的最主要因素。这一发现为姜黄废料的高附加值利用提供了重要的指导意义。通过优化发酵和蒸馏时间，可以显著提高姜黄酮的提取效率，同时减少热敏性成分的损失，从而提升整体的提取质量。

响应面法（RSM）模型的建立同样采用CCRD设计，通过分析方差（ANOVA）和回归分析来评估模型的显著性。RSM模型的R2值为0.9894，表明其能够解释实验数据中98.94%的变化。模型中的线性项（X?和X?）和交互项（X?×X?）均显示出显著的统计意义，而二次项（X?2和X?2）则对姜黄酮浓度的预测具有重要影响。然而，与ANN模型相比，RSM模型在预测精度和误差控制方面略逊一筹。RSM模型的MAE和MAPE分别为0.24和2.32，而ANN模型的MAE和MAPE分别为0.39和3.07，虽然ANN的误差略高，但其整体表现更优，特别是在R2、MSE和RMSE等指标上。

本研究中，ANN模型的预测结果与实验数据高度一致，其R2值为0.9952，表明模型具有极强的拟合能力。同时，MSE和RMSE的值较低，说明ANN模型能够更准确地反映实验数据的波动。此外，χ2值为0.02，表明ANN模型的预测结果与实验数据之间的偏差极小，进一步验证了其稳健性和精确性。相比之下，RSM模型虽然在某些误差指标上表现稍好，但其整体预测能力不如ANN。因此，ANN模型在姜黄废料中提取姜黄酮的应用中更具优势。

为了进一步验证模型的优化效果，本研究还对RSM和ANN模型进行了比较分析。通过图表和雷达图展示了两种模型在不同指标上的表现差异，表明ANN模型在预测精度和整体性能上优于RSM模型。此外，研究还通过敏感性分析，评估了发酵时间和蒸馏时间对姜黄酮浓度的影响程度。结果显示，蒸馏时间对姜黄酮浓度的影响最为显著，而发酵时间的影响相对较小。这一发现为优化提取工艺提供了重要的理论依据，即在发酵过程中，虽然发酵时间对姜黄酮的积累有一定促进作用，但蒸馏时间的控制对于维持姜黄酮的稳定性至关重要。

在实际应用中，ANN模型不仅能够准确预测姜黄酮的浓度，还能够通过优化算法（如Fmincon）找到最佳的工艺参数组合。Fmincon是一种基于梯度的优化求解器，能够在满足实验约束的前提下，最大化模型的预测输出。本研究中，通过Fmincon优化，确定了最佳的工艺条件为10天的发酵时间和2小时的蒸馏时间，从而实现了姜黄酮浓度的最大化。相比之下，RSM模型在优化过程中更倾向于找到局部最优解，而ANN模型则能够捕捉更复杂的非线性关系，从而找到全局最优解。

本研究的结果表明，ANN模型在姜黄废料中提取姜黄酮的预测和优化方面具有显著优势。它不仅能够提供更高的预测精度，还能够有效控制误差，从而确保提取过程的稳定性和可重复性。此外，ANN模型的结构灵活，能够适应不同实验条件的变化，因此在处理复杂生物系统时更具优势。相比之下，RSM模型虽然能够提供一定的预测能力，但在处理非线性关系和复杂交互效应时存在局限性。

综上所述，本研究通过对比ANN和RSM模型，揭示了两种建模方法在姜黄废料中提取姜黄酮的应用效果。ANN模型在预测精度和误差控制方面表现更优，而RSM模型在某些误差指标上略胜一筹。两种模型的互补性为优化姜黄废料的提取工艺提供了新的思路。未来的研究可以进一步探索如何将这两种方法结合，以提高预测的准确性，同时优化提取过程的效率和经济性。此外，研究还可以拓展至其他姜黄酮衍生物的提取和应用，以及不同类型的植物废料中挥发性成分的提取，以推动农业废弃物的高附加值利用。