一种氯丁橡胶材料的使用寿命研究

对一种CRH3型动车组用氯丁橡胶材料进行湿热、紫外线光照加速老化试验,研究氯丁橡胶拉伸强度变化趋势以及推到相应的阿累尼乌斯方程。并且以拉伸强度下降30%为临界值对氯丁橡胶进行寿命预测,并分析湿度和紫外线光照对材料使用寿命的影响。     

BP神经网络在协定法麦汁理化指标预测中的应用

建立了协定法麦汁浊度、糖化力、黏度以及浸出率的BP神经网络预测模型,希望通过此模型能够预测在不同设定工艺变量条件下协定麦汁的主要理化指标.选取8组数据进行BP神经网络的训练仿真,并用2组未参加训练的数据进行验证.在均方差为0.001的条件下,网络于242次训练后收敛,模型训练的最大相对误差为2.58%,预测值的最大相对误差为10.08%,表明该模型具有良好的预测和仿真能力.     

亚麻纤维品质与成纱质量的人工神经网络分析方法

运用人工神经网络的典型模型——“反向传播”模型,建立了由亚麻纤维的品质预报其成纱质量的连接机制模型。最大拟合相对误差不超过3.2%,最大预测相对误差不超过0.23%。实验结果表明,该方法性能良好,在各类纺织品质量分析预测方面有广阔的应用前景。     

桑枝多糖黏度特性的研究

采用布氏黏度计对桑枝多糖的黏度进行测定,分别考察温度、剪切速率以及pH值对桑枝多糖黏度的影响,结果表明：桑枝多糖溶液为假塑性流体,随着温度的升高其黏度逐渐降低且两者的关系符合阿累尼乌斯模型,温度和浓度对其黏度的综合影响可用数学模型η=-5.924 5exp 2.48/RT-0.123 8C＋3.421×10-4C2）进行预测,适用范围温度20~80℃,浓度1%~8%;剪切速率对其黏度的影响可用幂律模型η=Mγn进行拟合,黏度随剪切速率的增加而降低,酸和碱均使桑枝多糖溶液黏度下降,中性条件下黏度值最高,说明桑枝多糖是中性多糖.     

基于主成分分析、遗传算法和神经网络对啤酒感官评价预测的研究

使用主成分分析、遗传算法和神经网络建立啤酒感官评价模型并预测.该模型先将啤酒中23个理化及风味指标进行主成分分析,再将主成分得分作为输入数据,感官评价得分作为输出数据,使用BP神经网络建立预测模型,并采用遗传算法优化神经网络的权值.用此模型对50种啤酒的感官得分进行预测,预测最大相对误差为16.08%.经过对感官评价的分析,最大相对误差小于20%认为可信.结果表明,该方法能有效地预测啤酒感官评价.     

饲料药物添加剂泰乐菌素溶液密度和黏度的测定与关联

在283.15~323.15K温度范围内,采用比重瓶和毛细管黏度计对泰乐菌素在丙酮等6种溶液中的密度及黏度进行测定,并采用VTF热力学方程对溶液体系的密度、黏度随温度和浓度的关系进行关联,确定了关联参数,并利用拟合结果对实验结果进行计算,密度和黏度的总平均相对误差和总标准偏差分别为0.064 5%、1.623 2%和1.856 4×10-3 g/cm3、2.188 9×10-2 mPa·s。     

湿法玉米淀粉加工浸泡参数模型的建立

研究了实验室湿法提取玉米淀粉的方法.应用二次回归正交试验进行试验设计,建立了玉米浸泡时间、浸泡温度、二氧化硫浓度与淀粉得率的数学模型.并通过MATLAB最优化方法确定出最优组合为：浸泡温度51.2℃、二氧化硫浓度0.176%、浸泡时间52.6h.模型预测的淀粉得率与试验实测的最大相对误差为2.4%.     

基于MIV-BP神经网络的成品烟丝质量预测模型构建

目的：构建卷烟制丝过程成品烟丝质量模拟预测模型。方法：使用平均影响值法（the Mean Impact Value, MIV）对制丝加工过程工艺参数进行筛选,然后通过反向传播（Back-Propagation,BP）神经系统构建起制丝关键工艺参数和成品烟丝质量的模拟模型。结果：通过模拟数据与实测数据比较,填充值的模拟预测平均相对误差为3.16%;整丝率的模拟预测平均相对误差为0.67%;碎丝率的模拟预测平均相对误差为5.33%。结论：该模型预测值与实测值之间相对误差较小,精确性高,该模型适用于卷烟制丝生产过程工艺参数仿真优化。     

近红外光谱法快速测定米糠油中谷维素的含量北大核心CSCD

为了简便、快速、准确地测定米糠油中的谷维素含量,以LS/T 6121.2—2017的高效液相色谱法为测定米糠油中谷维素含量的参比方法,采用近红外光谱分析技术结合偏最小二乘法建立了米糠油中谷维素含量的定量分析模型。结果表明:所建定量分析模型的决定系数为99.81%,预测标准差为0.02849%,交叉验证标准差为0.03113%;利用99个验证集样品对定量分析模型进行外部独立验证,预测决定系数为99.81%,预测标准差为0.03090%,用该定量分析模型检测样品绝对误差在-0.081%~0.057%之间,相对误差在-11.86%~9.84%之间。所建立的定量分析模型预测效果较好,准确度较高,可用于米糠油中谷维素含量的测定。     

利用近红外光谱进行婴幼儿乳粉中营养物质含量的快速检测

婴幼儿乳粉的质量和安全日益受到人们的关注,研究了利用近红外漫反射光谱进行乳粉中各类营养物质含量的快速无损检测的适应性。以156个乳粉样本作为样本集,分别采用偏最小二乘回归(PLSR)和KNN保形映射(KNN-KSR)算法建立含量范围分别为14.5%~23.1%(蛋白质、脂肪)、(5.6~9.2)mg/g(钙)、(1.29~10.2)mg/100 g(锌、V_(B2))、(0.34~1.47)mg/g(Vc)的营养物质近红外定量分析模型。PLSR与KNN-KSR预测各类营养物质含量的平均相对误差分别小于5%与3%,2种方法对Vc的预测误差最大。不同光谱预处理方法所得结果显示一阶导预处理结果更为理想,可使每种营养物质的预测平均相对误差降低0.1%以上。将样品按照Vc浓度的量级划分为2个区间分别建立模型,平均相对误差较整个浓度区间建模结果减小1%以上。利用PLSR与KNN-KSR方法基于近红外光谱信息可快速预测乳粉中不同浓度量级的营养成分,KNN-KSR的预测效果更佳。为获得准确的预测结果,建议采用同量级浓度样品建立乳粉营养成分的近红外定量模型并分浓度区间进行应用。     

预缩机挤压区域橡胶毯径向长度模型

橡毯机械预缩过程中,相互作用的两圆柱辊的特殊结构,使得挤压区域橡胶毯在挤压时的径向长度难以确定,从而给预缩率的在线估计造成了一定困难。为解决这一问题,通过分析橡胶毯受挤压的变形过程,在对该过程作出一定简化的基础上,根据赫兹接触理论,建立了挤压区域橡胶毯在受挤压时的径向长度的数学模型。实例结果表明,根据模型计算出的变形时径向长度与实际值相对误差均在4%以内,平均绝对百分比误差为2%左右,模型是有效的,为实际生产中实现预缩率的在线估计提供了理论参考。     

四元接枝氯丁胶粘剂的合成及应用

采用接枝共聚的方法，制备出对极性鞋材具有较高粘接强度的四元接枝氯丁胶粘剂。讨论了提高胶粘剂固化速度的方法。     

基于遗传神经网络的郫县豆瓣有机酸提取工艺研究

针对郫县豆瓣有机酸最佳提取工艺问题,提出了一种高精度遗传神经网络优化方法,解决回归分析方法拟合度精度和准确性不高的现象。以郫县豆瓣有机酸提取量为性能指标,用中心组合试验数据训练遗传神经网络,当神经网络训练误差达到1.1862×10^-11时,神经网络算法输出数据与试验数据几乎完全拟合,平均相对误差为0%,而回归模型为0.822%,对比分析得出遗传神经网络算法的拟合精度和拟合优度均高于回归模型。用训练好的遗传神经网络算法对郫县豆瓣有机酸提取工艺条件进行优化,得到最佳提取工艺条件为:乙醇体积分数68.50%,料液比1∶20.44(g/mL),超声时间35.28min。此时有机酸提取量达到最大值15.19mg/g。该方法可为郫县豆瓣有机酸提取工艺提供试验参考,为制定更加完善的产品质量标准提供了数据支撑。     

电子鼻融合BP神经网络预测玉米赤霉烯酮和黄曲霉毒素B1含量模型研究

为探究玉米赤霉烯酮和黄曲霉毒素B_1的无损快速定量测定方法,用电子鼻对7级不同霉变程度玉米样品进行检测,并用理化分析方法分别测定霉变玉米中的玉米赤霉烯酮与黄曲霉毒素B_1含量;在提取电子鼻响应信号的积分值作为特征参量的前提下,采用BP神经网络建立不同霉变程度下玉米样品中的玉米赤霉烯酮与黄曲霉毒素B_1含量的预测模型。同时,为了获得较为可靠的BP神经网络预测模型,在神经网络结构不变的条件下,对比分析了不同训练集、测试集构建的预测模型。结果发现在各预测模型的70组测试样本中,相对误差控制在5%以内的样本数量都在60个以上,最大相对误差控制在15%以内,从而证明了BP神经网络预测模型的有效性、可靠性。该研究为实施玉米霉变毒素的快速无损检测提供了一种途径。     

麻灰纱中色纤维混合模型运用

针对目前大部分色纺企业仍然依靠有经验的配色人员进行人工配色,存在配色效率低、配色精度差等问题,提出运用反向传播（BP）神经网络的方法对色纺纱的黑白纤维混合配色进行预测,并与使用Datacolor MATCH系统模拟染料配色方法和基于颜色混合模型中的Kubelda-Munk双常数理论的配色方法对黑白纤维混合配色的结果进行对比。结果表明：上述3种方法均可对麻灰纱的黑白纤维混合配色进行有效的预测,配方的相对误差基本控制在7.36%之内,且配方样品与标准样品的色差小于1;比较而言,3种黑白纤维混合配色的预测模型中,基于BP神经网络的配色方法适用性及精度最佳,配方的相对误差最高,为3.08%。     

近红外光谱定量技术在方便面油份快速测定中的应用

探讨了用近红外漫反射光谱快速无损检测方便面含油率的数据处理方法，采用浸反射光谱、一阶导数光谱和二阶导数光谱，使用了四元线性向前逐步回归和BP人工神经网络的数学方法，对40个校正样本建立了的线性和非线性两种校正模型，用28个预测样要检验了校正模型的预测精度，其中线性校正模型中，采用二阶导数光谱的预测精度最好，预测平均误差为5．741％，预测误差的标准差为1．842；非线性校正模型中，采用一阶导数光谱，隐层单元数为2时，校正模型的预测精度最好，预测平均相对误差为5．149％，预测误差的标准差为1．675结果表明近红外漫反射光谱分析检测方便面的含油率能满足实际生产的要求。     

MODELING DEAD-END ULTRAFILTRATION OF APPLE JUICE USING ARTIFICIAL NEURAL NETWORK

An artificial neural network (ANN) was developed to model the dead-end ultrafiltration process of apple juice. Molecular weight cutoff, transmembrane pressure, gelatin–bentonite concentration and time were the input variables, while filtrate flux and filtrate volume were the output variables of the ultrafiltration process. According to error results and correlation values for two types of network (one or two hidden layer configurations), configurations with two hidden layers had comparatively better performance. The highest correlation coefficient with the minimum prediction error was calculated for two hidden layers with 6-5 nodes configuration. Trained ANN (4-6-5-2) predicted filtrate flux and filtrate volume with 2.33 and 1.38% mean relative error, respectively. The results suggest that the ANN modeling can be effectively used to optimize filtration process.

PRACTICAL APPLICATION

Membrane separation processes including ultrafiltration have gained importance in the food industry. Today, fruit juices are widely clarified by means of ultrafiltration process instead of tedious and laborious conventional clarification treatments. Membrane fouling which results in flux decline is the main problem associated with the ultrafiltration of fruit juices. In order to perform an efficient ultrafiltration process, optimization is required to obtain maximum filtrate volume per unit time. Artificial neural network (ANN) modeling offers great advantage on improving the performance of ultrafiltration process by accounting the effects of different variables, i.e., feed properties, transmembrane pressure and membrane pore size on filtrate volume as the main output of the filtration process. ANN modeling of ultrafiltration may be an alternative to previously proposed empirical and semiempirical models.     

Improved rearrangement of the integrated Michaelis-Menten equation for calculating in vivo kinetics of transport and metabolism.

A multiple regression form of the integrated Michaelis-Menten equation was developed and evaluated with simulated data having controlled error. Both multiple and traditional linear regression fit errorless data perfectly, but multiple regression is much more stable with regard to accuracy and precision of estimating the Michaelis constant and maximum rate of reaction when data contain error. Bias in determining estimators of kinetic coefficients was -4 and -3% versus -56 and -35% with 10% error in the data. Multiple regression estimates for Michaelis constant and maximum rate of reaction directly as opposed to estimating 1/Km and maximum rate of reaction/Michaelis constant by linear regression. The difference in accuracy in estimating actual Michaelis constant, for example, is 4% versus 227% error with only 10% error in the data Precision of estimation is approximately the same as precision of the data for multiple regression. For the 800 data sets examined, R2 was always greater than .92 for multiple regression, but frequently was not significant for linear regression. The actual initial concentration was provided for linear regression but calculated by multiple regression with accuracy and precision equivalent to estimation of Michaelis constant and maximum rate of reaction. The multiple regression method has statistical power to determine treatment effects on Michaelis constant and maximum rate of reaction with a practical number of animals.     

微波消解-火焰原子吸收光谱法测定食品中痕量镍

建立微波消解-火焰原子吸收光谱法测定食品中痕量镍的新方法。通过微波消解条件优化,确定最佳消解条件为浓硝酸-双氧水(4:1,V/V)为消解液,1.5MPa消解15min。通过实验介质、活化剂、仪器操作条件的考察,确定最佳分析条件。在pH4.7的醋酸-醋酸钠介质中及NP-10活化下,在仪器的最佳操作条件下,镍在3.1×10-6～4.8×10-4g/L范围内,吸光度与镍质量浓度遵循比尔定律。该方法的测定波长为232.6nm,检出限为3.1×10-6g/L。所建方法用于食品中痕量镍的测定,最大相对标准偏差为4.2%,加标回收率为95.1%～106.4%,所建方法与GB/T 5009.138-2003《食品中镍的测定》进行对比,方法相对误差不高于5.8%。