جهاد دانشگاهی-پژوهشکده توسعه صنایع شیمیایی ایران نشریه شیمی و مهندسی شیمی ایران 1022-7768 41 1 2022 04 21 Modeling the Extraction Yield of Anthole from Fennel Essential Oil through Response Surface Methodology and Artificial Neural Network مدل‌سازی بازده استخراج آنتول رازیانه در ستون RSDC با روش‌ RSM و ANN 285 293 44322 FA محمد محمدی گروه مهندسی شیمی، دانشکده مهندسی شیمی، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران حسین بهمنیار گروه مهندسی شیمی، دانشکده مهندسی شیمی، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران هدایت عزیزپور گروه مهندسی شیمی، دانشکده مهندسی شیمی، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران 0000-0001-7446-7197 حجت اله مرادی گروه مهندسی شیمی، دانشکده مهندسی شیمی، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران Journal Article 2020 02 08 <em>In this study, experimental findings related to the efficiency of a solid-liquid extraction were modeled through Response Surface Methodology (RSM) and Artificial Neural Network (ANN). Anethole is the main active pharmaceutical ingredient in the essential oil of fennel seeds, and it was extracted in contact with 70% ethanol as a solvent in a new modified Rotating Disc Contactor (RDC) column. The extraction yield of Anethole was considered as a response factor on which the impact of three variables was investigated, including fennel particle size, rotor speed, and solvent-to-solid ratio. The experiments were conducted with finely chopped fennel particles in sizes of 1.7, 1, and 0.3 mm, the rotor speed of 90, 135, and 180 rpm, and solvent-to-solid ratios of 10, 15, and 20. The obtained yields were modeled through RSM and were also simulated with the ANN method. The result of GC-MS and GC analyzers as well as simulation findings showed that by decreasing the size of fennel seeds, increasing the solvent-to-solid ratio, and rotor speed, the yield of the extraction process was enhanced. In addition, the correlation coefficient for the RSM and ANN were 0.9604 and 0.9955, respectively; which proves a high accuracy of ANN modeling in comparison with RSM.</em> <em>در این پژوهش، داده‌های آزمایشگاهی به دست آمده از بازده عملیات استخراج جامد-مایع به دو روش سطح پاسخ و شبکه عصبی مصنوعی مدل‌سازی و شبیه‌سازی شد. در این عملیات، آنتول به عنوان اصلی­ترین ماده مؤثره دارویی موجود در اسانس دانه‌های گیاه رازیانه در تماس با حلال اتانول 70%  استخراج شد و بازده عملیات به عنوان تابع هدف قرار داده شد. این عملیات با تغییر در طراحی ستون‌ استخراج مایع-مایع RDC و به کارگیری سینی‌های سوراخ‌دار و طراحی قیف در خروجی برج برای خارج ­شدن جامد صورت گرفت. به کمک ستون طراحی شده، اثر سه متغیر اندازه ذره‌های رازیانه، سرعت روتور و نسبت حلال به جامد بر بازده استخراج آنتول مورد بررسی قرار گرفت. آزمایش‌ها با ذره‌های ریز شده رازیانه در اندازه‌های 7/1، 1 و 3/0 میلی‌متر، سرعت روتور 90، 135 و 180 دور در دقیقه و نسبت حلال به جامد 10، 15 و 20 برابر انجام شد و چگونگی تغییر پارامترها در آزمایش­ ها با استفاده از نرم‌افزار Design Expert، به روش سطح پاسخ و نیز با نرم‌افزار MATLAB  به روش شبکه عصبی مصنوعی مدل‌سازی و بهینه سازی شد. نتیجه‌های به دست آمده از آنالیزهای GC-MS و GC به عنوان اطلاعات بازده استخراج و مقایسه با نتیجه‌های شبیه‌سازی نرم‌افزاری نشان می‌دهد که با ریزتر شدن اندازه دانه‌های جامد رازیانه، افزایش نسبت حلال به جامد و نیز افزایش سرعت روتور، بازده استخراج آنتول افزایش می‌یابد. همچنین داده­ های طراحی آزمایش توسط شبکه عصبی مصنوعی مدل‌سازی شد که ضریب همبستگی برای روش RSM و شبکه عصبی به ترتیب 9604/0 و 9955/0 به دست آمد. نتیجه‌ها نشان‌دهنده دقت بالای مدل‌سازی شبکه عصبی مصنوعی نسبت به داده‌های واقعی در قیاس با روش سطح پاسخ می­ باشد.</em> https://www.nsmsi.ir/article_44322_91270e97491a918496e6569c9fcff808.pdf