استخراج اسانس گیاه گرز با استفاده از سیال فوق بحرانی و پیش گویی بازده اسانس با شبکه عصبی

رسیدن به بیشینه بازده در بهینه ترین شرایط، متخصصان را همواره برای تخمین صحیح بازده در روش های موجود مجاب می سازد. در این تحقیق از مدل شبکه های عصبی مصنوعی (anns)جهت برآورد بازده اسانس گرز به روش سیال فوق بحرانی استفاده شده است. برای این منظور، بهترین ترکیب ورودی مدل دما، فشار، زمان و حجم اصلاحگر انتخاب گردید. شبکه عصبی مصنوعی با قابلیت یادگیری و تخمین، به کمک یک ساختار ریاضی، توانایی نشان دادن فرآیند ها و ترکیبات دلخواه غیر خطی جهت ارتباط بین ورودی ها و خروجی ها هر سیستم را دارا می باشد. این شبکه با داده هایی که در آزمایشگاه ثبت شده طی فرآیند یادگیری، آموزش دیده و جهت پیش بینی داده های مجهول مورد استفاده قرار می گیرد. ارزیابی کارایی ضریب تعیین (r2) و میانگین مربعات خطا (mse) برای ارزیابی کارایی مدل توسعه یافته بکار برده شدند که به صورت 9838/0 r2= و 0088/0mse=، نشان داده می شوند. نتایج حاصله نشان داد که مدل لونبرگ مارکواردت بر حسب معیارهای آماری بهترین کارایی را دارد. مقایسه مقادیر برآورد شده و اندازه گیری شده نشان می دهد که مدل شبکه های عصبی مصنوعی کارایی خوبی در برآورد بازده اسانس گیاه گرز دارد.