食品工业科技2021，Vol.42Issue(16) ：213-220.DOI:10.13386/j.issn1002-0306.2020120261

基于遗传算法-神经网络的豆渣酶解工艺优化及其动力学研究

Optimization of Enzymatic Hydrolysis of Soybean Dregs Based on Genetic Algorithm-Neural Network and Its Kinetics

谢春平 赵良忠 李明 周晓洁 黄展锐 莫鑫 车丽娜 庾坤
食品工业科技2021，Vol.42Issue(16) ：213-220.DOI:10.13386/j.issn1002-0306.2020120261
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于遗传算法-神经网络的豆渣酶解工艺优化及其动力学研究

Optimization of Enzymatic Hydrolysis of Soybean Dregs Based on Genetic Algorithm-Neural Network and Its Kinetics

谢春平 1赵良忠 1李明 2周晓洁 1黄展锐 1莫鑫 1车丽娜 1庾坤1
扫码查看

作者信息

  • 1. 邵阳学院食品与化学工程学院,湖南邵阳422000;豆制品加工与安全控制湖南省重点实验室,湖南邵阳422000;湖南省果蔬清洁加工工程技术研究中心,湖南邵阳422000
  • 2. 广州佳明食品科技有限公司,广东广州511458
  • 折叠

摘要

目的:获得纤维素酶酶解豆渣的最佳工艺条件,建立豆渣酶解动力学模型.方法:在单因素实验的基础上,采用响应面法(Response Surface Methodology,RSM)和遗传算法-神经网络模型(Genetic Algorithm-Neural Network,GA-ANN)两种方法研究pH、纤维素酶添加量、酶解温度和酶解时间对还原糖生成量的影响.结果:遗传算法-神经网络优化的豆渣酶解工艺条件为:pH5.2、纤维素酶添加量4.4％、酶解温度52℃、酶解时间3.2h,在此条件下还原糖生成量为2.65 g/kg,高于响应面优化的结果(还原糖生成量为2.54g/kg).利用类分形动力学得到豆渣酶解动力学参数k0为0.5372,分形维数h为0.1530,根据实验数据与动力学模型进行拟合,拟合度达到0.9827,拟合效果良好.结论:本文采用响应面法和遗传算法-神经网络模型对比优化了豆渣酶解工艺,并建立了豆渣酶解动力学模型,可为豆渣酶解工艺提供理论参考.

关键词

遗传算法/神经网络/豆渣/酶解/动力学

引用本文复制引用

基金项目

出版年

2021
食品工业科技
北京一轻研究院

食品工业科技

CSTPCD北大核心
影响因子：0.842
ISSN：1002-0306
被引量3
参考文献量19
段落导航相关论文