响应面优化实验方案设计

1、关于修改实验设施的食品科学研究响应面法优化医学超声辅助提取车前草中熊果酸班级：学号：名字：摘要：本文简要介绍了响应面曲线优化法的基本原理和使用步骤，并通过软件Design-Expert 7.0软件演示了原文中响应面曲线优化法的操作步骤。 验证原文响应面法优化超声辅助提取车前草中的熊果酸的各数据的处理过程，通过数据对照验证原文数据处理的适当与否。关牛鼻子词：响应面优化法数据处理Design-Expert 7.0车前草前言：响应曲面设置修正方法(Response SufaceMethodology，RSM )利用合理的实验设置修正方法，通过实验得到一定的数据，用多维回归方程拟合要素和响应值的函数关

2、系，通过回归方程分析求解最佳工艺残奥表，解决多元问题响应面曲线法的使用条件如下：确信或怀疑指标有非线性影响要素的个数为27个，一般为4个以下所有因素均为校正测量值数据的试验区域接近最佳区域基于2个水平的所有因素正交试验。进行响应面分析的步骤确定要因和等级，注意报告贝尔数为2，要因通常为4个以下，要因全部为修正量值数据作成“中心复合”或“Box-Behnken”设定修正进行试验运转顺序的决定(Display Design) 试验，收集数据响应面优化法的优点：考虑试验随机误差响应面法在小区域内用简单的一次或二次多项式模型拟合复杂的未知函数关系，修正简便，降低研发成本，优化加工条件，提高产品质量，是

3、解决生产过程中实际问题的有效方法在使用响应表面优化方法的极限：响应表面优化方法之前，应该建立合理的实验因素和水平。 响应面优化法的前提是设定的试验点包含最佳的实验条件，因此如果试验点的选择错误，实验响应面优化法无法得到良好的优化结果。原文采用经典的三要素三级Box-Behnken试验设定修订，以熊果酸的提取率为响应值，通过回归预测分析各工艺残奥仪和响应值关系，从而预测最佳工艺条件。 本文利用软件验证原文中的数据处理过程，验证原文数据是否得到正确处理。1确定实验要素原文利用医学超声辅助提取车前草中熊果酸，但影响熊果酸提取率的因素有很多。 例如，医学超声功率、萃取时间、溶剂温度、溶剂种类、液固比等

4、。 参考文献响应面法优化超声辅助提取车前草中的熊果酸中提取熊果酸的方法是提取熊果酸，将干燥的车前草粉碎过滤，取出2040目的车前粉，用石油精在55脱脂3次，干燥准备。 精密取出一定量的车前粉，加入一定量的乙醇，称量，用一定的医学超声功率提取一定时间后，擦拭外壁，再次称量，用乙醇补偿缺损的质量，进行离心。 用注射器抽出一定量的上清液，通过0.45m的过滤烟嘴膜进行了检查。 每个实验进行了三次平行实验。 取其平均值。 结果用萃取率(e )表示。华盛顿足球俱乐部E/%= 100米式中，c为熊果酸的质量浓度/(g/mL )； v是加了乙醇的体积/mL； m是车前草的质量/g。在一系列单因素实验的基础上

5、，采用经典的三要素三级Box-Behnken实验设定修订，以提取温度(a )、乙醇体积分数(b )、医学超声功率(c )三要素为优化条件的要素对象。2确定因素水平的范围确定要素级别的范围就是进行单要素的预备测试、或者确定BBD设定要根据样本的特性和过程考虑的要素级别的范围。 确定合适的元素级别范围对于获得理想的优化结果非常重要，如果级别范围太窄而无法获得优化结果，则过宽会降低结果的精度。 原文根据单因素实验确定了要素水平的范围：提取温度的： 6080； 乙醇体积分数： 90100%； 提取功率： 420540W瓦3考试设施修订的安排和结果根据Box-Behnken中心组合设置修正原理，以单因素

6、试验为基础，以萃取温度、乙醇体积分数和萃取功率三个因素为自变量，熊果酸萃取率%为响应值，进行三因素三水平响应面分析试验，共17个试验点。 其中12个为解因子，5个为中心试验估计误差。 试验要素和水平如表1所示。表1响应面试要因等级表表1 factorsandlevelsinresponsesuefacedesign水平萃取温度()乙醇体积分数(% )抽取功率(w )-1608042007090480180100540表2响应面试验方案及结果tabel2schemeandexperimentalresultsofresponsesurfacedesign考试编号a乙c萃取率(% )1-1-100

7、.21-100.3-1100.41100.5-10-10.610-10.7-1010.81010.90-1-10.1001-10.110-110.120110.130000.140000.150000.160000.170000.4使用软件(Design-Expert )对实验数据进行统一修订分析打开4.1设计专家7.0软件4.2数据输入4.2.1要素输入4.2.2响应值输入4.3试验方案的形成4.4差动奥尔特的试验编号及结果录入4.5输入实验结果4.6实验数据分析4.6.1将优化设定修正表中的要素级别从编码值转换成实际值输入实际值时，请注意从大到小。 例如，提取温度，输入高值80，然后输入低

8、值60。4.6.2将实验方案切换为实际值接口喀呖声displayoptionsprocessfactorsactual4.7方差分析从方差分析可以看出，模型的F=19.08，P=0.00040.001，实验使用的二次模型极为显着，在统计学上是有意义的。 错误项目用于表示使用的模型和实验的拟合程度，即两者的差异程度。 本例的p值为0.08550.05，有利于模型，由于不存在误差因子，可以使用该回归公式代替实验点来分析实验结果。因子a的提取温度的p值为0.0001，说明因子a的提取温度对提取率%的影响极为显着。 另一方面，a的2次侧、b的2次侧、c的2次侧的p值都不足0.05，表示A2、B2、C2

9、对提取率有显着的影响。 另一方面，因子b的p值=0.5035，因子c的p值=0.104，均大于0.05，因此因子b、因子c，即乙醇体积分数和提取功率对提取率没有显着影响。交互AB、AC、BC的p值分别大于0.0653、0.6788、0.6455，均大于0.05，因此交互对提取率无显着影响。4.7.2离散系数校正系数行列式R2(Adj)=0.9105，离散系数C.V.%为5.72%，该模型的变动不能用该模型解释，因此表示了该模型的适合性良好。4.8多变量二次响应面分析编码数据拟合的多维二次方程以R2=0.9608与原文中的拟合方程式一致。原文的拟合方程式：该多元二次方程是编码值的拟合方程，是非实

10、验值的多元二次方程，实验值的多元二次方程如下4.9残差的正粗分布图几乎在同一条直线上4.10 Residuals vs Predicted图表符合分布的不规定性4.11专业vs实践图几乎在一条直线上4.12实验实绩值和方程式预测值方程的预测值实验实绩值实验的实际值和方程式的预测值几乎相近，但与原文相比有若干差别，在允许的范围内。原文数据如下：原文数据输入错误4.13等高线图4.14三次元响应曲面图4.14.1 A萃取温度、b乙醇体积分数、萃取率三次元曲面图4.14.2 A萃取温度、c萃取功率、萃取率三次元曲面图4.14.3 B乙醇体积分数、c提取功率、提取率三次元曲面图用4.15rsm预测最佳

11、值选择goalmaximize选项“Upper”选项选择远离最高点的值选择提取率RSM最佳实践Rsm优化结果表明，a萃取温度为76.51b乙醇的体积分数为86.96%c提取功率为496.30W提取率%为0.%软件验证的结果与原文的结果一致，原文的结果如下基于SAS软件的岭脊分析打开5.1sas软件，在编辑器- untitled 1中输入语句和数据看5.2output，可以得出以下结果经过5.3sas岭脊分析，最有条件的a萃取温度： 76.503b乙醇的体积分数为86.968%c提取功率为496.29127W提取率%为0.%6 RSM分析和SAS分析与原文结果的比较表2萃取温度()乙醇体积分数(

12、% )抽取功率(w )萃取率%RSM分析76.5100086.96000496.300000.11019SAS分析76.5030086.96800496.291270.11019原文的结果76.5100086.96000496.320000.110007 .案例实验设施修订和原文数据分析的比较与评价本文利用了目前流行的Design Expert 7.0软件和SAS软件中岭脊分析验证文献柿叶中总三萜的提取以及熊果酸分离， 纯化研究中的数据分析过程。 从实验方案的编制到实验结果的方差分析，再到二次多项式的逐步回归拟合，最后最优值的修正计算，本文给出的结果与原文基本一致，差异很小，各数据都能满足统一修正指标的要求。 但是，由于RSM分析得到的最佳值尚不可靠，所以需要使用SAS软件进行岭脊分析，这样得到的最佳提取条件可靠。验证了原文中的提取温度因子对提取率有显着影响，乙