基于机器学习的电化学阻抗谱(EIS)评估技术及其在甘氨酸结晶过程监控中的应用研究

《Industrial & Engineering Chemistry Research》:A Machine Learning Approach to Evaluate Impedance Spectra for Glycine Crystallization Monitoring

【字体: 大 中 小 】 时间:2026年04月15日 来源:Industrial & Engineering Chemistry Research 3.9

编辑推荐:

  为提升工业结晶过程控制精度,解决因杂质或添加剂(如盐或酸)存在导致传统单一传感器难以同时监测溶解目标物、结晶固体及添加剂浓度的问题,研究人员开展了一项基于电化学阻抗谱(EIS)与人工神经网络(ANN)的软传感器研究。该研究以甘氨酸-水-NaCl为模型系统,证明该单一探头方法在评估结晶悬浮液组成方面具有可行性,为结晶过程监控提供了有前景的新工具。

  
在众多工业过程中,结晶是关键的产品分离与纯化步骤。结晶得到的晶体,其纯度、粒径分布、团聚程度和形貌等性质,会深刻影响后续的过滤、干燥等操作。因此,结晶过程的首要目标,是获得符合工艺和质量要求的、具有明确特性的产品。然而,现实往往比理想骨感。结晶过程本身涉及成核、生长、二次成核、破碎和团聚等多种现象的复杂相互作用,这些机制的非线性关联使得预测和控制产品性质成为一项重大挑战。当使用天然或生物基原料进行结晶时,情况会变得更加棘手。这些原料流中常含有浓度可能波动的杂质。大量研究表明,即使微量的离子杂质也可能改变饱和浓度、生长速率或晶体形貌,是批次间差异的主要来源之一。
为了应对这些挑战,保持稳定的产品质量,人们采用了生长速率控制、过饱和度控制、直接成核控制、模型预测控制等先进策略。然而,无论是描述结晶动力学还是实施过程控制,其效能都极大地依赖于对三种关键浓度的实时掌握:溶解的目标化合物浓度(它直接决定过饱和度、初级成核和生长)、结晶固体含量(关系到二次成核、团聚、破碎和生长导致的质量消耗)以及杂质浓度(影响溶解度和生长动力学)。遗憾的是,在许多工业结晶器中,例如蒸发结晶、固体分布空间不均匀或母液成分未知/可变的系统中,通常无法通过单个传感器结合初始条件和质量衡算来监测这些量。因此,对溶解目标物、结晶固体和杂质的直接测量变得必要。
虽然存在各种分析技术可用于测量这些量,如在线拉曼/红外光谱、聚焦光束反射测量、颗粒视觉与测量或基于浊度的直接成核控制、电导率测量或离子选择性电极等,但这些技术往往存在成本高、占用空间大等局限性。更重要的是,由于需要不同的仪器,不同探头的位置很难重合,难以在存在空间不均匀性的系统中整合异质数据。因此,业界迫切需要一种能够同时测定所有三种相关浓度的单一传感器。这种传感器将减少反应器及其端口所需的空间,降低投资和维护成本,并确保所有测量都来自同一个采样点,无需协调来自空间分离探头的数-据,从而在存在混合限制或浓度梯度时提高鲁棒性。
电化学阻抗谱为实现这种多功能测量方法提供了一条有希望的途径。在EIS中,在位于样品中的两个电极之间施加正弦电激励,并在很宽的频率范围内测量由此产生的与频率相关的阻抗。尽管EIS在生物技术中广泛用于悬浮液表征,但其在结晶中的应用却很少见。本研究展示了一种用于模型系统甘氨酸-水-NaCl结晶的EIS传感器。选择该系统是因为盐浓度会影响晶体形貌,为通过调节盐含量来控制晶体形状提供了潜力。
与之前对蔗糖结晶的研究相比,EIS谱的评估更具挑战性。甘氨酸对粘度和电导率的影响小于蔗糖,加上有时显著更高的盐含量,将电阻-电容系统的截止频率推至我们频率测量范围的上限甚至更高。此外,测量设备和布线也对谱图有显著影响。因此,本研究没有像早期研究那样尝试用等效电路来描述谱图,而是在首次可行性研究中,探讨了是否有可能基于EIS谱的纯数据分析来构建用于表征结晶悬浮液的软传感器。温度和离散化的EIS谱作为前馈神经网络的输入,悬浮液性质则作为输出。跨越相关温度和组成范围的结晶实验提供了训练数据。研究人员相信,使用人工神经网络的方法将产生稳健且灵敏的预测。
为开展此项研究,作者团队主要采用了以下几项关键技术方法:首先,搭建了集成电阻温度检测器、锚式搅拌器、浊度近红外探头和电化学阻抗谱分析仪的结晶实验装置,用于在可控冷却结晶过程中同步收集温度、浊度与全频段阻抗谱数据。其次,设计并使用了特殊几何结构的两电极不锈钢浸入式探头,以防止晶体在死区积聚,确保测量一致性。第三,通过折光指数离线测量结合已知盐度,校准并建立了溶解甘氨酸浓度的计算模型,为神经网络训练提供了目标值基准。第四,对采集的5140个阻抗谱数据进行预处理,包括将阻抗转换为导纳幅值、温度同步提取、数据归一化及插值处理,构建了包含谱图、温度与目标浓度向量的数据集。最后,设计、训练并评估了多种结构的前馈神经网络模型,通过比较不同输入(是否包含总甘氨酸含量、盐度等信息)和输出组合下的预测性能,筛选出最优模型,并利用未参与训练的实验数据验证了其外推能力。
材料与方法
研究使用甘氨酸、氯化钠和去离子水配制所有(含盐)甘氨酸溶液。结晶装置采用0.5 L反应釜,配备温度控制、搅拌、浊度监测和电化学阻抗测量系统。EIS测量使用特定探头,在10 Hz至108Hz频率范围内记录阻抗谱。通过一系列冷却结晶实验收集不同温度和组成下的EIS数据,实验设计覆盖了广泛的甘氨酸和NaCl浓度范围。采集的数据经过预处理(包括转换为导纳幅值、插值计算溶解浓度、归一化等)构建用于神经网络训练的数据集。研究设计并训练了多种前馈神经网络,以EIS谱和温度为输入,预测悬浮液的组成(盐浓度、溶解及固体甘氨酸浓度)。
结果与讨论
影响测量参数对导纳谱的影响
通过对比不同参数(温度、NaCl浓度、溶解甘氨酸浓度、固体含量)变化下的导纳谱,发现每个参数对频谱特定区域有特征性影响。温度升高几乎使所有频率的导纳等比例增加;降低盐浓度主要影响中频段(>10 kHz)的导纳,反映了自由电荷载流子浓度的减少;降低溶解甘氨酸浓度导致高频段(>10 kHz)导纳轻微增加,且在1-10 kHz范围内导纳随频率增加更显著;固体颗粒的存在主要在高频段(>10 kHz)轻微降低导纳,符合Eucken–Maxwell关系。这些特征差异表明,从测量谱中可靠地提取悬浮液组成是可能的,但各参数的影响相对较小,且无法用简单的等效电路模型描述,因此采用基于数据的ANN方法进行评估是合适的。
ANN模型评估:随机选择的测量向量
研究训练了多种ANN结构,并比较了其性能。当仅使用导纳谱和温度作为输入时,预测单个目标的最佳ANN性能如下:预测log10bNaCl的RMSE为0.05(相对误差~10%),预测溶解甘氨酸浓度csolv的RMSE为24.1 g/kg H2O,预测固体甘氨酸浓度ccryst的RMSE为34.3 g/kg H2O。同时预测三个目标时,性能有所下降。与多元线性回归和偏最小二乘回归等更简单的数据驱动模型相比,ANN在预测盐浓度和固体含量方面表现更优。当在输入中加入总甘氨酸含量ctot作为辅助信息时,模型性能显著提升,预测溶解和固体甘氨酸浓度的RMSE均降至约6.5 g/kg H2O,表明质量平衡约束极大地提高了液体和固体甘氨酸的可识别性。
ANN模型评估:时间序列
将选定的ANN模型应用于未参与训练的完整结晶实验时间序列数据,进一步验证其外推能力。对于训练数据范围内但组合新的实验(G6-0.2),仅使用谱和温度的ANN能定性预测浓度轨迹,但噪声较大;而加入总甘氨酸信息(ANN 5)的预测则非常准确且噪声低。对于训练数据中未出现的新甘氨酸浓度实验(G5-0.1),ANN 5同样表现出色。但对于冷却速率不同的实验(G5-0.1a),ANN 5在成核后对溶解甘氨酸略有高估,对固体甘氨酸略有低估,表明训练数据需涵盖预期应用中的所有过程控制策略(如不同冷却速率)。
结论与展望
本研究证明,EIS结合ANN是一种有前景的软传感器方法,仅用单个浸入式探头即可表征高盐度的甘氨酸结晶悬浮液组成。在目前的可行性研究中,对于悬浮液三种组分的独立测定,盐浓度预测相对误差可达10%,溶解和固体甘氨酸浓度的RMSE分别为24 g/kg H2O和34 g/kg H2O。虽然当前精度尚不足以直接用于过程控制,但ANN模型已能正确复现未见过实验的浓度变化轨迹。这表明该方法是可行的,但需进一步改进,特别是在甘氨酸浓度的预测精度上。改进方向包括:收集更多训练数据以构建更大网络、将训练数据范围限制在特定应用的相关参数区间、以及在训练中涵盖所有预期的工艺条件(如温度曲线、加晶种策略)。该方法不限于甘氨酸-水-NaCl体系,原则上可应用于需要同时考虑添加剂或杂质影响的结晶过程监控,是一种有潜力的过程分析技术工具。然而,一旦训练完成,ANN模型不能直接转移到新的或修改后的工艺,任何变更都需要重新获取训练数据并训练新模型。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号