酶作用机制的模糊以及影响异相体系因素的大量存在, 使得纤维素水解的酶催化过程高度复杂, 很难为之建立理论模型. 采用非理论模型人工神经网络模拟和预测了纤维素酶水解反应, 并与常用的响应面模型进行了比较. 选取加酶量 X1, 底物浓度 X2 和反应时间 X3 作为自变量, 还原糖浓度 Y1 和原料转化率 Y2 作为响应值. 结果表明, 人工神经网络模型比响应面模型更适合作为研究纤维素酶水解的动力学工具. 在模拟过程中, 除中心试验点外, 只有 1 个试验点上人工神经网络模拟值 Y2 产生的误差大于响应面模型. 在预测过程中, 人工神经网络模型的预测值都比响应面模型更接近实验值.
参考文献
| [1] | 张宇,许敬亮,王琼,徐明忠,庄新姝,李东,袁振宏.纤维素酶水解棕榈壳制取乙醇研究[J].农业工程学报,2008(10):186-189. |
| [2] | 张宇;许敬亮;李东;袁振宏 .[J].中国生物工程杂志,2008,28(6s):311. |
| [3] | Gan Q;Allen S J;Taylor G .[J].Process Biochemistry,2003,38:1003. |
| [4] | Movagarnejad K;Sohrabi M;Kaghazchi T;Vahabzadeh F .[J].Biochemical Engineering Journal,2000,4:197. |
| [5] | 刘森林,宗敏华.水/有机溶剂双相中郁李醇腈酶催化含硅（R）-酮氰醇对映选择性合成[J].催化学报,2006(01):25-28. |
| [6] | Carrillo F;Lis M J;Colom X;Lopez-Mesas M Valldeperas J .[J].Process Biochemistry,2005,40:3360. |
| [7] | 袁振宏 .[D].上海:华东理工大学,2006. |
| [8] | Almeida JS .Predictive non-linear modeling of complex data by artificial neural networks [Review][J].Current Opinion in Biotechnology,2002(1):72-76. |
| [9] | Dutta J R;Dutta P K;Banerjee R .[J].Process Biochemistry,2004,39:2193. |
| [10] | Manohar B;Divakar S .[J].Process Biochemistry,2005,40:3372. |
| [11] | Singh A;Majumder A;Goyal A .Artificial intelligence based optimization of exocellular glucansucrase production from Leuconostoc dextranicum NRRL B-1146[J].Bioresource Technology: Biomass, Bioenergy, Biowastes, Conversion Technologies, Biotransformations, Production Technologies,2008(17):8201-8206. |
| [12] | 刘迎新,未作君,陈吉祥,张继炎.采用BP神经网络优化间二硝基苯催化加氢的反应条件[J].催化学报,2005(01):20-24. |
| [13] | Corma A;Serra J M;Serna P;Valero S Argente E Botti V .[J].Journal of Catalysis,2005,229:513. |
| [14] | Corma A;Serra J M;Serna P;Moliner M .[J].Journal of Catalysis,2005,232:335. |
| [15] | 韩立群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2007:38. |
| [16] | 计红果,庞浩,张容丽,廖兵.木质纤维素的预处理及其酶解[J].化学通报（印刷版）,2008(05):329-335. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%