通过Box Behnken设计和人工神经网络方法对棉籽生物柴油的制备过程进行优化与特性分析

《Materials Today Sustainability》:Process Optimization and Characterization of Cottonseed Biodiesel using Box Behnken Design and Artificial Neural Network Approaches

【字体: 大 中 小 】 时间:2026年05月10日 来源:Materials Today Sustainability 7.9

编辑推荐:

  约翰内斯·凯法莱·曼格沙拉|拉梅什·巴布·纳拉莫图|文卡塔·拉马亚·安查|内加萨·特斯法耶·特费拉 埃塞俄比亚阿达马亚达马科学和技术大学机械工程系 **摘要** 由于对可持续能源需求的增长以及化石柴油的环境限制,生物柴油的生产需要有效的和具有预测能力的优化策略。本研

  约翰内斯·凯法莱·曼格沙拉|拉梅什·巴布·纳拉莫图|文卡塔·拉马亚·安查|内加萨·特斯法耶·特费拉
埃塞俄比亚阿达马亚达马科学和技术大学机械工程系

**摘要**
由于对可持续能源需求的增长以及化石柴油的环境限制,生物柴油的生产需要有效的和具有预测能力的优化策略。本研究旨在利用Box Behnken Design(BBD)和人工神经网络(ANN)方法来优化棉籽原料的生物柴油产量。BBD的统计可解释性与ANN的非线性预测能力相结合,提高了优化的可靠性和预测的准确性。系统地研究了甲醇与油的比例(3:1-9:1)、KOH催化剂浓度(1-2 wt.%)以及反应时间(60-80分钟)对生物柴油产量的影响。BBD用于设计实验矩阵并评估参数之间的相互作用,而具有3-10-1结构的ANN用于预测生物柴油产量并评估模型精度。在甲醇与油的比例为6:1、KOH浓度为1 wt.%、反应时间为60分钟的条件下达到了最高的棉籽油甲酯产量。实验得到的生物柴油产量为95.5%,BBD为96.71%,ANN为95.48%,从而验证了所提出的双重优化方法的有效性和可靠性。气相色谱-质谱(GC-MS)分析确认亚油酸甲酯是主要酯类(占44.06%),且生产的生物柴油符合ASTM D651和EN 14214燃料标准。模型的P值为0.00,调整后的R2分别为98.6%和98.7%。ANN通过更高的决定系数(R2 = 99.3)、更低的均方误差(MSE = 72)和均方根误差(RMSE = 26.8)优于BBD(R2 = 98.6,MSE = 81,RMSE = 28.5)。研究结果表明,BBD-ANN组合框架是一种稳健且可行的生物柴油过程优化工具,可提高效率、减少处理时间,并具有显著的环境可持续性燃料生产潜力。

**缩写、首字母缩略词和术语**
AASTU:亚的斯亚贝巴科学技术大学
CaO:氧化钙
ANOVA:方差分析
H2SO4:硫酸
ASTM:美国材料与试验协会
KOH:氢氧化钾
ASTU:阿达马亚达马科学和技术大学
MgO:氧化镁
ANN:人工神经网络
NaOH:氢氧化钠
BBD:Box Behnken设计
CCD:中心复合设计
RMSE:均方根误差
CSME:棉籽油甲酯
SEP:预测标准误差
EPSE:埃塞俄比亚石油供应企业
MSE:均方误差
FAME:脂肪酸甲酯
AAD:绝对平均偏差
FFA:游离脂肪酸
MUFAM:单不饱和脂肪酸
GC-MS:气相色谱-质谱

**1. 引言**
人口快速增长、现代化和工业扩张增加了全球对能源的需求,这推动了人们对清洁和可持续可再生能源的广泛研究[1][2]。可再生能源资源如动物脂肪、食用油和非食用油以及生物柴油在替代传统燃料的应用和发展中发挥着重要作用[3][4]。生物柴油与柴油发动机兼容、具有环境效益且可再生,使其成为合适的替代品[5]。与柴油相比,生物柴油的氧含量更高,因此运动粘度也更高。生物柴油中的高氧含量改善了燃烧过程,降低了其一氧化碳、碳氢化合物和颗粒物的排放[6][7]。然而,生物柴油也有一些局限性,其物理化学性质(如运动粘度、十六烷值、热值、闪点和浊点)对发动机性能的影响大于传统燃料[8]。发动机性能可通过制动热效率、制动特定油耗、废气温度等参数因素来评估。同时,由于生物柴油的运动粘度较高,在某些操作条件下可能导致喷油器堵塞和积炭[9]。提高纯甲酯的产量是解决这些问题的主要目标,这包括将生物柴油与传统柴油混合,以及添加纳米颗粒以改善燃料雾化、燃烧效率和控制积炭[10]。生物柴油可以从各种类型的油脂中提取,例如植物油、动物油、微生物油、废食用油或藻类油[11]。植物油因其物理化学性质与柴油接近而更受青睐。用于生物柴油生产的油脂来源包括棕榈油、大豆油、蓖麻油、菜籽油、麻疯树油、烟草籽油、米糠油、亚麻籽油和凤仙花油[12][13]。其中,棉籽油因其主要作物棉花在全球范围内大规模种植而受到青睐。棉籽油是继大豆之后第二大植物蛋白来源,在全球油类作物中排名第九[14]。棉籽油在15°C时的密度为917-933 kg/m3,40°C时的粘度为34.79 mm2/s,热值为39.5 MJ/kg,其中含有17-25%的油脂,主要脂肪酸成分包括亚油酸(约55%)、油酸(约19-23%)和棕榈酸(约12-20%)[15]。由于棉花纤维的广泛种植,其种子提取的油脂是一种丰富且经济的原料,不会与粮食作物竞争[16]。甘油三酯(油脂)可以通过使用甲醇、乙醇和催化剂(KOH、NaOH等)的酯交换过程转化为脂肪酸甲酯[17][18][19]。与酸性催化剂相比,碱性催化剂通过完全反应提供更好的转化率[20]。已经使用了多种生产和原料方法(如均相和异相催化剂)来生产生物柴油。在埃塞俄比亚,棉籽油也在大型棉花种植园中进行工业化生产,成为国家生物柴油制造的便捷原料。棉籽油在 Humera、Awash 和 Modgo 等多个地区共和国有丰富的分布[21]。在生产过程中,许多因素会影响生物柴油的产量[22][23]。先前的研究中采用了多种优化方法,如Box Behnken Design(BBD)、人工神经网络(ANN)、中心复合设计(CCD)、自适应神经元-模糊推理系统(ANFIS)和遗传算法(GA)[24][25][26]。利用响应面方法(RSM),使用木瓜籽油实现了80%的生物柴油产量,条件为60°C、1.0 wt%的催化剂和3:1的甲醇与油摩尔比。在30分钟的反应时间内,还研究了NaOH催化剂的影响[27]。使用ANN技术利用Prosopis juliflora种子生产生物柴油,最高产量达到32.5%。通过酸酯化和酯交换法分别使用H2SO4和MgO将酸度降低到1.52 mg KOH/g和0.88 mg KOH/g。在乙醇与油的比例为10:1、5 wt.%的MgO催化剂、80分钟反应时间、45°C反应温度和1000 rpm搅拌速度下,生物柴油的转化效率达到94.83%。结果表明,催化剂浓度和乙醇与油的比例是控制酯交换反应的最关键参数[28]。在三小时内,在8:1的比例和1.5 wt%的浓度下获得了最高产量,实验中使用的生物柴油产量为94.18%,模型的R2为0.9855,具有98.55%的显著性[29]。使用BBD工艺并用乳清洗涤后的奶渣生产生物柴油,KOH催化剂和油与甲醇的比例分别为3:1、7.5:1和12:1,重量百分比为0.6%、1.1%和1.6%。在甲醇与油的摩尔比为7.5:1、KOH催化剂为1.1 wt%的情况下获得了最高产量(92%),最佳体积产量为92%,温度为52.5°C,反应时间为90分钟[30]。RSM和ANN技术用于利用菜籽油生产生物柴油,分别获得了95.33%和95.53%的产量[31]。BBD方法用于将废食用油转化为生物柴油,使用了CuO和αFeO3纳米颗粒作为异相催化剂。研究了温度(50–70°C)和甲醇与油的比例(1-3 wt.% 和 8–14 mol/mol%)的变化。在60°C的温度、甲醇与油的比例为11 mol/mol、反应时间为三小时以及催化剂浓度为2 wt.%的情况下,获得了最高的生物柴油产量(94.27%)。

**本研究的新颖性和研究空白**
以往关于生物柴油生产的的研究主要集中在单一混合比例或传统的参数分析上,对涉及多个操作变量的系统优化关注不足。过长的反应时间可能会增加能源消耗,并由于副反应和平衡限制导致甲酯转化不完全[33]。此外,现有研究通常单独使用BBD或ANN,这凸显了在这些技术用于优化生物柴油过程的协同作用和相对效果方面存在显著的知识缺口。本研究致力于建立一个更高效、精确和可靠的优化框架,以减少反应时间和催化剂使用量,同时提高生物柴油产量。现有文献中尚未充分探讨在缩短反应时间和中等催化剂浓度条件下,BBD和ANN联合优化和预测棉籽油生物柴油产量的方法。本研究的新颖性在于其双重方法论框架,有效结合了BBD的统计优势与ANN的强健非线性预测能力。这种综合方法不仅确定了最佳操作条件,还便于直接比较两种方法的预测性能和误差指标,从而增强了优化结果的信心。因此,本研究的主要目标是通过系统评估反应时间、催化剂浓度和甲醇与油摩尔比的影响,利用BBD和ANN提高棉籽油的生物柴油产量。此外,该研究还旨在评估这些技术在均匀实验条件下的预测准确性和可靠性。除了方法论意义外,这项研究还促进了埃塞俄比亚丰富棉籽油资源的大规模生物柴油生产。研究结果表明,在甲醇与油的摩尔比为6:1时,生物柴油产量分别为95.5%、96.71%和95.48%,从而验证了所提出的双重优化方法的有效性和可靠性。

**2. 材料与方法**
2.1. 材料与甲酯生产
本研究中使用的棉籽油产自埃塞俄比亚的阿达马。所有化学品均为分析级。在生产过程中,使用了纯度为85%的氢氧化钾(KOH)、99.5%的甲醇(NaOH)、99.99%的乙醇(NaOH)、99.99%的氯仿(CHLOROFORM)、98.04%的酚酞、盐酸和可溶性淀粉。在埃塞俄比亚阿达马亚达马科学和技术大学化学系的化学实验室中,采用传统的碱催化酯交换工艺将棉籽油转化为生物柴油。选择这种方法是基于原料中的游离脂肪酸(FFA)含量,这是确定适当转酯化路径的一个关键因素。先前的研究表明,FFA含量低于1%的油脂适合直接使用碱催化剂进行转酯化。在本研究中,发现棉籽油的FFA含量低于1%,因此不需要任何预处理。在每次试验中,都会精确测量一定量的棉籽油,并将其预热至55°C。通过将规定量的KOH溶解在甲醇中来单独制备甲醇氧钾(KOH methoxide)。然后将该甲醇氧钾溶液加入预热的油中,并将反应混合物保持在55°C的恒定温度下,该温度低于甲醇的沸点64.7°C。反应过程中持续搅拌,以确保存在充分混合。按照实验设计,在不同的催化剂浓度、甲醇与油的摩尔比以及反应时间下进行转酯化。反应完成后,将混合物转移到分液漏斗中,静置24小时,以便生物柴油(上层)和甘油(下层)分离,如图1所示。下载:下载高分辨率图片(253KB)下载:下载全尺寸图片图1. 合成的棉籽生物柴油分离后,废弃了粗甘油相,并用温蒸馏水彻底清洗生物柴油层,以去除任何残留的催化剂、甲醇和污染物。清洗后,将生物柴油加热至130°C持续一小时,以消除最后的水分和挥发性物质。图2和图3分别展示了从棉籽油生产生物柴油的过程。最终,使用公式(1)确定了生物柴油的产量。公式(1)下载:下载高分辨率图片(2MB)下载:下载全尺寸图片图2. 生物柴油的生产下载:下载高分辨率图片(543KB)下载:下载全尺寸图片图3. 生物柴油过程的示意图2.2. 生物柴油的特性分析根据欧洲和ASTM标准的规定,对生产的生物柴油进行了分析。通过实验方法评估了诸如运动粘度、密度、酸值、闪点、浊点和水分含量等基本物理化学性质。利用气相色谱-质谱(GC-MS)技术检测了棉籽油生物柴油中脂肪酸甲酯(FAMEs)的组成和相对含量。GC-MS生成的色谱图中,每个独特的峰代表生物柴油样本中的特定FAME成分。通过将其保留时间与分析过程中收集的相关质谱数据匹配来确定特定FAME的身份。2.3. 响应面方法建模统计分析和实验设计采用了BBD设计方法。生物柴油的产量受到催化剂浓度(X1)、甲醇-油比例(X2)和反应时间(X3)的影响。基于先前的研究结果[34]、[35]、[36],为统计分析确定了选定的参数范围及其编码水平。这些变量的具体水平及其编码水平总结在表1中。根据BBD设计进行了15次实验。应用二级多项式方程来建模独立变量之间的关系。[2]其中,Y是输出响应,α和β是常数线性回归系数和二次回归系数,x1、x2和x3表示编码的独立变量,k是实验次数。表1. 使用BBD设计的独立因素及其水平因素符号水平KOH催化剂(wt.%)x111.52甲醇与油的比例(mol/mol)x2369反应时间(min)x36070802.4. 用于建模的人工神经网络框架在机器学习系统中,ANN在预测和判断时能够揭示数据之间的复杂关系方面表现出色。知识被编码在连接ANN神经元的突触权重中[38]。催化剂浓度、反应时间和甲醇/油摩尔比是独立输入变量,它们与15个样本分开处理。研究使用了TRAINLM训练函数、LEARNGDM自适应学习函数和MSE作为性能函数,考虑了早期研究中使用前馈反向传播网络的结果。ANN模型使用Leven-berg-Marquardt算法进行训练,具有三个输入层、十个隐藏层和一个输出层。使用MATLAB软件R2020a版本构建了ANN模型[39]。用于预测生物柴油产量的ANN模型结构如图4所示。为了评估每个模型的性能,将实验获得的生物柴油产量与ANN和BBD模型预测的产量进行了比较。上述统计误差函数使得模型预测值与实验数据之间的比较变得容易。评估标准由特定方程定义,提供了ANN和BBD模型准确性和预测能力的可计算度量。[2a][3][4][5][6]其中,y实验值和y_pred分别是实验值和预测值,x?是实验值的平均值,n是实验次数。下载:下载高分辨率图片(120KB)下载:下载全尺寸图片图4. 用于预测生物柴油生产的ANN结构3. 结果与讨论实际生产出了棉籽甲酯,并提供了其物理化学特性、气相色谱分析和生产过程。基于确定的特性,使用BBD和ANN方法检验并验证了生物柴油的产量。研究了甲醇/油摩尔比为3:1、6:1、9:1,催化剂浓度为1%、1.5%和2wt%,以及反应时间为60分钟、70分钟和80分钟时生物柴油的最大产量(见表3)。进一步使用ANN方法分析了棉籽甲酯的产量,并将结果与BBD的结果进行了比较。提供了P值、BBD和ANN的回归线、对照图和表面图,以及实验输出与BBD和ANN的比较,以确定获得的最大产量。表3. CSME生物柴油中的甲酯类型及其重量百分比序号化合物名称化学式名称重量百分比1甲基己内酯C13H26O2C12:00.62甲基胆酸盐C28H48O2C28:00.733甲基肉豆蔻酸酯C23H46O2C23:06.834甲基棕榈酸酯C15H30O2C14:01.75甲基棕榈酸酯C17H34O2C16:026.596甲基亚油酸酯C19H34O2C18:244.067甲基二十二碳烯酸酯C20H36O2C20:29.678甲基二羟基硬脂酸酯C21H38O4C21:41.939甲基二十四碳烯酸酯C26H52O2C26:07.143.1. 棉籽甲酯的物理化学特性根据ASTM和EN标准评估了CSOME的物理化学特性,结果与常规柴油燃料一起在表2中呈现。生物柴油的运动粘度在40°C时为4.72 mm2/s,符合ASTM D6751的范围(1.9–6.0 mm2/s)和EN 14214规范(3.5–5.0 mm2/s)。生产的生物柴油在20°C时的密度为882.5 kg/m3,满足EN 14214的要求(860–900 kg/m3),高于石油柴油的密度。生物柴油略高的密度归因于FAME中含有的氧化化合物,这些化合物可能提高燃油喷射系统的润滑性。生物柴油的酸值量化为0.09 mg KOH/g,远低于ASTM D6751和EN 14214标准规定的最大允许限值0.5 mg KOH/g。这一较低的酸值反映了有效的转酯化过程以及FFA的微量存在,从而减少了发动机部件腐蚀和沉积物积累的可能性。表2. 与传统柴油燃料相比的生物柴油物理化学特性属性生物柴油柴油现有文献范围ASTM D 6751EN 1421420°C时的密度(kg/m3)882.5830-860[34] 860至900-860-90040°C时的粘度(mm2/s)4.723.15[34,40] 2.5至51.9-63.5-5酸值(mgKOH/g)0.09-[41] 0.1至0.50.5最大0.5最大闪点(°C)18369[42]150至190130分钟>101水分含量(%)0.15-[43] 0.1至0.50.05最大-浊点(°C)+3最大 +5[44]-3至+12-3至+12-3.2. 气相色谱-质谱分析使用GC-MS确定了从棉籽油提取的生物柴油的分子结构和FAME组成。GC-MS分析有助于识别生物柴油中存在的饱和和不饱和甲酯,这些对燃料特性如十六烷值、冷流行为、氧化稳定性和燃烧性能至关重要[45]。FAME的碳链长度和饱和度显著影响这些性能指标。合成生物柴油的GC-MS色谱图如图5所示,而相关化合物的质谱图分别显示在图6a、图6b、图6c、图6d、图6e、图6f、图6g、图6h、图6i、图6j(a-j)中。色谱图显示了多个具有特定保留时间的明确峰值,表明存在多种FAME成分。每个峰代表一种特定的甲酯,通过将保留时间与其对应的质谱碎片模式匹配来鉴定化合物。下载:下载高分辨率图片(286KB)下载:下载全尺寸图片图5. 不同制备条件下棉籽甲酯的色谱分析图下载:下载高分辨率图片(187KB)下载:下载全尺寸图片图6a. 辛酸甲酯的光谱分布下载:下载高分辨率图片(180KB)下载:下载全尺寸图片图6b. 油酸甲酯的光谱分布下载:下载高分辨率图片(200KB)下载:下载全尺寸图片图6c. 棕榈酸甲酯的光谱分布下载:下载高分辨率图片(190KB)下载:下载全尺寸图片图6d. 棕榈酸甲酯的光谱分布下载:下载高分辨率图片(207KB)下载:下载全尺寸图片图6e. 甲基二十八碳二烯酸甲酯的光谱分布下载:下载高分辨率图片(215KB)下载:下载全尺寸图片图6f. 乙基二十八碳二烯酸甲酯的光谱分布下载:下载高分辨率图片(199KB)下载:下载全尺寸图片图6g. 甲基20-甲基-二十二碳烯酸甲酯的光谱分布下载:下载高分辨率图片(188KB)下载:下载全尺寸图片图6h. 二十二碳二烯酸2-羟基甲酯的光谱分布下载:下载高分辨率图片(177KB)下载:下载全尺寸图片图6i. 戊酸甲酯的光谱分布下载:下载高分辨率图片(185KB)下载:下载全尺寸图片图6j. β-生育酚的光谱分布从GC-MS分析获得的FAME定量组成见表3。生物柴油的主要成分包括棕榈酸甲酯,其峰值浓度达到26.6%;甲基9-顺,11-反-二十二碳二烯酸甲酯占44.05%;二十五碳酸甲酯占7.144%;甲基20-甲基-二十二碳烯酸甲酯占6.833%;肉豆蔻酸甲酯占1.701%;以及其他八种次要甲酯。饱和脂肪酸甲酯(SAFAs)和单不饱和脂肪酸甲酯(MUFAs)的共存是有益的,因为这种混合物提高了能量含量并改善了氧化稳定性[46]。总体而言,GC-MS的结果表明,生产的生物柴油主要由饱和脂肪酸甲酯组成,占总FAME含量的95%以上。高水平的饱和度与更好的氧化稳定性和更强的抗过氧化能力相关,这对延长储存期限和保证发动机性能至关重要。虽然高度不饱和的FAMEs对氧化稳定性有不利影响,可能会限制生物柴油的可用性,但在这项研究中它们相对较少,从而缓解了这些问题。总之,GC–MS分析证实,本研究中生产的棉籽油甲酯具有符合国际生物柴油质量标准的良好FAME组成。稳定的FAME物种占主导地位,以及可接受的物理化学特性,突显了生物柴油作为压缩点火发动机可再生替代燃料的可行性。3.3. 使用BBD设计优化生物柴油BBD建立了转酯化过程中工艺参数之间的相互作用,因为生物柴油的生产主要依赖于这些参数。在理想操作条件下获得了最大的生物柴油产量,如方程7所示。所有15次实验都是使用BBD方法开发的。研究了催化剂浓度(X1)、甲醇与油的比例(X2)和反应时间(X3)这三个变量。为了考察这些参数如何影响甲酯产量,应用了BBD。实验结果和输入因素见表4。表4. 生物柴油产量的实验矩阵标准顺序实验顺序KOH-催化剂浓度(wt%)甲醇与油的比例(mol/mol)反应时间实验产量BBDANN911.53608382.5483.1332197094.8993.994.8553166095.596.7195.4844297089.7890.5389.7285268087.9286.7186.791461.567092929277168093.7594.2893.8418137087.3386.5887.3829237072.6773.6673.7313101.567092929210111.596093.5693.3494.7511121.538079.1779.3978.53613266088.587.9788.1512141.596092.3392.7992.5315151.5670929292生物柴油产量的拮抗和协同效应分别用负号和正号表示。Adj R2、R2、F值和P值记录在分析中,以显示模型质量的意义。F值和P值用于解释生物柴油生产响应的二次模型的回归系数和显著性。ANOVA结果如表5所示。当F值高且P值低(P值<0.05)时,ANOVA结果被认为是显著的[33],[47]。模型的显著性通过ANOVA的P值0.00得到证实。Adj R2和R2分别为98.6%和98.7%(见图7)。统计分析再次证明该模型具有极强的显著性(P值=0),能够解释大部分响应变异。甲醇与油的比例(X2)对结果的影响最大(F=207.15,P=0),其次是催化剂浓度(X1)(F=94.02,P=0)。X2的二次效应也显著(F=68.44,P=0),表明存在非线性关联。催化剂浓度与甲醇与油的比例(X1*X2)之间的交互效应也很显著(F=16.14,P=0.01),表明这些参数之间存在协同效应。较低的误差方差和没有纯误差表明模型拟合良好,具有较高的预测能力。

表5. ANOVA结果模型分析

| 因素 | DF | Adj-SS | Adj-MS | F值 | P值 |
|--------------|------|-------|-------|------|
| 基本模型 | 9 | 5.416 | 1243.6 | 0.00 |
| X1 - KOH - 催化剂浓度 | 1 | 32.845 | 132.845 | 0.940 |
| X2 - 甲醇与油的比例 | 2 | 92.699 | 292.699 | 0.207 |
| X3 - 反应时间 | 1 | 16.827 | 6.827 | 0.079 |
| X12 | 1 | 11.881 | 1.34 | 0.300 |
| X22 | 1 | 196.694 | 96.694 | 0.643 |
| X32 | 1 | 10.065 | 0.065 | 0.839 |
| X1*X2 | 1 | 122.801 | 116.14 | 0.010 |
| X1*X3 | 1 | 10.342 | 0.240 | 0.643 |
| 错误 | 5 | 7.065 | 1.413 |
| 不适合模型 | 3 | 37.065 | 2.355 |
| 纯误差情况 | 2 | 0 | 0 |

表5. ANOVA结果模型分析(续)

3.4. 输入因素对产量的影响
在生物柴油分析过程中收集的棉籽甲酯产量受到多种因素的影响。甲醇与油的摩尔比例和反应时间都会影响CSME的产量。在催化剂浓度为1重量百分比、甲醇与油的摩尔比例为6:1以及反应时间为60分钟的情况下,本研究获得了最高的生物柴油产量(96.708%)。较长的反应时间和较高的甲醇与油的比例会降低甲酯的产量[48]。虽然延长的反应时间可能促进可逆反应或副反应,但甲醇不足可能导致部分酯交换反应。图7a和b中的等高线图和表面图显示了影响CSOME产量的因素随反应时间的变化情况。结果表明,在催化剂浓度和甲醇与油的比例达到理想值之前,更多的原油被转化为生物柴油产品。图7中的3D表面图(a)和(c)总体上显示,随着甲醇/油比例的增加,产量也随之增加,6-7是最佳比例。超过这个范围后,产量的增长会趋于平稳,因此过量的甲醇不会进一步提高转化率。催化剂浓度是图7(a)中的另一个关键因素。在1.5-2.0重量百分比的浓度下达到最大产量(96-97%),这表明需要适量的催化剂加载以确保最大生物柴油产量。图7(b)和(d)中的等高线图更好地展示了产量优化的区域。再次强调了选择合适催化剂剂量的重要性,图7(b)表明,在反应时间恒定为70分钟的情况下,当催化剂浓度在1.5%到2.0%之间时,产量超过90%。同样,图7(d)表明,如果催化剂浓度保持为1.5%且反应时间超过70分钟,则产量也会超过90%,最佳结果出现在大约75-80分钟时。这些结果表明,适当优化甲醇与油的比例、催化剂浓度和反应时间对于在不消耗过多试剂的情况下获得最大生物柴油产量是必要的,因为过量的试剂可能会增加生产成本并影响工艺性能[49]。最佳条件是甲醇/油的摩尔比例为6:1,催化剂浓度为1重量百分比,反应时间为60分钟。通过将其与ANN技术进行比较来验证这些结果。

3.5. 人工神经网络在统计分析中的应用
在选择适当的网络规模、隐藏层结构和神经元数量对于ANN建模中的实验数据预测至关重要[50],[51]。在本研究中,ANN与基于BBD模型的二阶多项式回归模型相结合。输入层有3个神经元,隐藏层有10个神经元,输出层有1个神经元,构成了所测试的3-10-1 ANN模型。输出神经元决定了生物柴油的产量,而输入神经元则考虑了催化剂浓度、甲醇/油的摩尔比例和反应时间[52],[53]。进行了一系列训练测试以优化权重以获得最佳性能。网络训练、验证和测试阶段的回归系数分别为0.995、1和1(见图8)。此外,根据验证结果建立了线性回归方程Y=1^T+0.091,用于预测ANN模型的输出(见图9)。

图8. ANN模型回归分析
图9. ANN模型性能
在此背景下,Y表示ANN模型的标准值,T表示用于推导相应ANN输出的实验数据,表示模型在建模响应方面的最高准确度。平均平方误差(MSE)的最小值为1.5842 × 10^-11,出现在第6个时代。这显示了ANN方法开发的令人印象深刻的预测模型,其R2值为0.9952。此外,训练集、验证集和测试集上的MSE值都很低,表明模型既没有欠拟合也没有过拟合。

3.6. BBD与ANN在优化参数预测中的比较
使用包括R2、RMSE、MSE、AAD和SEP值在内的统计指标评估了BBD和ANN模型的预测能力(见表6)。这些参数是通过方程(2-6)确定的。较高的R2值表明实验值和预测值之间的拟合度最佳。在本研究中,BBD模型的R2值为0.987,而ANN模型的R2值提高到了0.9957,显示出ANN模型更好的预测能力。从误差指标获得的结果也强调了模型的性能。ANN模型的RMSE和MSE分别为0.543和0.295,而RSM分别为0.688和0.473,表明ANN模型的预测更准确、更可靠。ANN和RSM模型的AAD和SEP值相对接近(ANN为5.28,RSM为5.34;ANN为1.70,RSM为1.71),表明两种方法保持了相对一致的预测。总体而言,ANN在预测准确性和误差减少方面优于BBD,而BBD在参数分析中仍然具有重要意义。先前的研究强调了BBD在生物柴油生产预测方面的增强预测能力。例如,[31]对来自废弃烹饪油的生物柴油生产进行了BBD和ANN的比较分析,发现ANN通过实现更高的决定系数(R2=0.993)和更低的平均平方误差(MSE=0.072)以及均方根误差(RMSE=0.268)优于BBD(R2=0.986,MSE=0.081,RMSE=0.285)。在另一项研究中[54]集中于优化来自湿微藻的生物柴油合成,发现ANN提供了更精确的预测,表现为更高的R2(0.94)和更低的RMSE(0.38)。此外,[55]进一步证实了这些发现,表明ANN在生物柴油生产预测方面的R2值更高,误差更小。综上所述,这些研究强调了ANN在建模复杂生物柴油生产过程中的可靠性和增强的预测能力[56],[57],[58]。图10展示了两种模型预测产量与实际产量之间的差异,突出了这两种方法的优点和互补性。

表6. RSM和ANN模型的统计比较
| 模型 | R2 | RMSE | MSE | AAD | SEP |
|-------------|-------|-------|------|-------|
| BBD | 0.987 | 0.688 | 0.473 | 5.34 |
| ANN | 0.995 | 0.543 | 0.295 | 5.28 |
| 关键优势 | | | | |

结论
• 总体而言,BBD、ANN和实验技术被用于优化和生产生物柴油。通过比较误差分析,证明了预测准确性的提升超过了标准模型。关于参数相互作用和实验验证,讨论了限制和研究空白。通常,棉籽油是生产符合国际标准的高质量甲酯的理想原料。
• 甲醇与油的摩尔比例为6:1、催化剂浓度为1重量百分比、反应时间为60分钟时,获得了最佳结果。BBD和ANN预测的产量分别为96.71%和95.48%,而实验测量值为95.5%。通过F值207.15和P值0.00,优越的ANOVA分析证明了模型的适用性。
• 模型的比较分析表明,ANN在预测准确性方面优于BBD,这从减少的误差指标(AAD、Sep、MSE、RMSE和标准差)以及最高的R2值(ANN为99.57%,BBD为98.7%)中可以看出。
• 使用先进的GC-MS分析方法确定了棉籽甲酯的分子结构、分子式和酯的类型。生物柴油的理化特性包括40°C时的运动粘度为4.7192 mm^2/s,以及15°C和20°C时的密度分别为0.8858 g/ml和0.8825 g/ml,这些都符合ASTM标准。
• 未来的研究可以关注FTIR分析、CSME稳定性和抗氧化性,以及结合BBD、GA和ANN的异质催化剂的影响。

CRediT作者贡献声明
Yohannes Kefale:撰写 – 审稿与编辑,撰写 – 原稿,可视化,软件,方法论,调查,正式分析,数据管理,概念化。
Ramesh Babu Nallamothu:撰写 – 审稿与编辑,撰写 – 原稿,可视化,监督,软件,方法论,正式分析,概念化。
Venkata Rammayya Ancha:撰写 – 审稿与编辑,撰写 – 原稿,验证,监督,软件。
Negasa Tesfaye Tefera:撰写 – 审稿与编辑,验证,软件,方法论,正式分析。

未引用的参考文献[40],[41],[43],[44]。
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