مدل‌سازي رياضي، منطق فازي و شبكه عصبي مصنوعي سينتيك استخراج اسانس از اندام هوايي بومادران (Achillea millefolium L.) با روش تقطير مقاومتي

هدف پژوهش حاضر، پيش‌بيني سينتيك استخراج اسانس طي تقطير مقاومتي با سه مدل مختلف (روش‌هاي رگرسيون غير خطي (رياضي)، شبكه عصبي مصنوعي (ANN) و منطق فازي) براي مقايسه دقت اين مدل‌ها بود. بر اساس نتايج به دست آمده شبكه عصبي مصنوعي بهترين روش در بين همه مدل‌هاي اجرا شده براي پيش‌بيني عملكرد استخراج بود. چهار مدل رياضي (مدل‌هاي مرتبه اول، مرتبه دوم، جذب و سيگموئيد) بر داده‌هاي تجربي عملكرد استخراج برازش گرديد. نتايج نشان داد كه مدل مرتبه اول مي‌تواند عملكرد استخراج اسانس را با ضريب همبستگي (R^2) برابر 0.988 و ريشه ميانگين مربعات خطا (RMSE) برابر 0.00014 به‌طور رضايت‌بخشي توصيف كند. شبكه عصبي با يك و دو لايه پنهان و 4 تا 30 نورون به‌طور تصادفي انتخاب شد و قدرت شبكه براي پيش‌بيني عملكرد استخراج برآورد شد. شبكه عصبي با ساختار پس‌انتشار پيش‌خور، الگوريتم آموزش لونبرگماركوآرت و پيكربندي 311111 داراي حداكثر R^2 (0.999) و حداقل RMSE (0.0004) هستند. ابزار منطق فازي در متلب با مدل ممداني در قالب قوانين اگرآنگاه همراه با تابع عضويت مثلثي براي پيش‌بيني عملكرد استخراج استفاده گرديد. علي‌رغم اين واقعيت كه منطق فازي نرخ برازش كمتري (0.997= R^2) نسبت به ANNرا تضمين مي‌كند، اين يك تكنيك قدرتمند براي برازش داده‌هاي تجربي عملكرد استخراج بود.