استخراج اسانس بيدمشك (Salix aegyptiaca L.) با روش تقطير مقاومتي و مدل سازي سينتيك استخراج با شبكه عصبي مصنوعي

Ohmic assisted hydrodistillation extraction of musk willow (Salix aegyptiaca L.) essential oil and artificial neural network modeling of extraction kinetic

در اين پژوهش، تاثير متغيرهاي مختلف فرايند تقطير مقاومتي شامل گراديان ولتاژ (5، 15 و 25 ولت بر سانتي متر)، زمان استخراج (30، 75 و 120 دقيقه) و غلظت نمك كلريد سديم (5/0، 1 و 5/1 درصد) بر عملكرد استخراج، مصرف انرژي و محتواي فنول كل اسانس بيدمشك مورد بررسي قرار گرفت و با روش تقطير آبي مقايسه شد. در نهايت از مدل سازي شبكه عصبي مصنوعي براي پيش بيني سينتيك استخراج اسانس استفاده شد. نتايج نشان داد كه بازده استخراج، مصرف انرژي و محتواي فنول كل به طور معني داري تحت تاثير متغيرهاي زمان استخراج و گراديان ولتاژ مي باشد (05/0>p). بازده اسانس به دست آمده توسط روش هاي تقطير مقاومتي و تقطير آبي به ترتيب برابر 012/0±119/0 و 01/0±081/0 بود. بين وزن مخصوص، ضريب شكست و محتواي فنول كل اسانس حاصل از روش هاي تقطير مقاومتي و تقطير آبي تفاوت معني داري وجود نداشت (05/0˃p)، با اين حال IC50 اسانس استخراج شده توسط روش تقطير مقاومتي به طور معني داري (05/0>p) بالاتر از اسانس بدست آمده با روش تقطير آبي بود. در طراحي مدل شبكه عصبي مصنوعي گراديان ولتاژ، زمان استخراج و غلظت نمك به عنوان ورودي در نظر گرفته شد و بازده استخراج اسانس به عنوان خروجي مدل پيش بيني گرديد. نتايج نشان داد كه بهترين عملكرد پيش بيني مربوط به پيكربندي 3-9-8-1 بود (036/0=RMSEو 99/0=R2). بنابراين، مي توان نتيجه گرفت كه روش تقطير مقاومتي براي استخراج اسانس قابل استفاده است و مدل شبكه عصبي مصنوعي يك ابزار كمي كارآمد در پيش بيني سينتيك استخراج اسانس است.

In the current research, the effects of different ohmic assisted hydrodistillation (OAHD) parameters including voltages gradient (5, 15 and 25 v/cm), extraction time (30, 75 and 120 min) and NaCl concentrations (0.5, 1 and 1.5%) on the extraction yield, energy consumption and total phenol content (TPC) of Salix aegyptiaca L.essential oil were investigated, and then compared with conventional hydrodistillation (HD). Finally, artificial neural network (ANN) modeling is utilized to predict kinetics of essential oil extraction. Result revealed that extraction time and voltage gradient had significant effect on extraction yield, energy consumption and TPC (p<0.05). Extraction yields of essential oil obtained by OAHD and HD were 0.119 ± 0.012 and 0.081 ± 0.01, respectively. There was no significant difference (p>0.05) between specific gravity, refractive index and TPC of essential oil of OAHD and HD methods, however IC50 of essential oil extracted by OAHD was significantly higher than essential oil obtained with HD method (p<0.05). To design the ANN model, voltages gradient, extraction time and salt concentrations and their interactions were considered as input vectors while the extraction yield of essential oil was considered as the model output. The results showed that the best prediction performance belonged to 3-9-8-1 ANN architecture (RMSE=0.036 and R2=0.99). Therefore, it can be concluded that the OAHD method is applicable for S. aegyptiaca L. essential oil extraction and ANN model is an efficient quantitative tool to predict the kinetics of essential oil extraction.