H2O-[Bmim]BF4-Na2CO3离子液体双水相体系的神经网络模型研究

吕会超，张长松，李叶红

（1. 安阳工学院化学与环境工程学院，河南 安阳 455000； 2. 安阳县环境保护局，河南 安阳 455000）

模拟与计算

H2O-[Bmim]BF4-Na2CO3离子液体双水相体系的神经网络模型研究

吕会超1，张长松1，李叶红2

（1. 安阳工学院化学与环境工程学院，河南 安阳 455000； 2. 安阳县环境保护局，河南 安阳 455000）

基于BP(Back-Propagation)神经网络模型，编写了通用的计算程序，对30 ℃时H2O-[Bmim]BF4-Na2CO3离子液体双水相体系的液液平衡数据进行了关联，经过反复试算，得到最佳的神经网络拓扑结构为{3,10,3},采用该结构关联富含水相中三种组分的质量分数，平均相对误差分别为 0.065%、2.218%和 0.781%，最大相对误差为3.916%；优于文献中的Othmer-Tobias经验方程+溶解度曲线方程的关联精度，该方程得到的平均相对误差分别为0.09%、2.77%和1.73%，最大相对误差为4.52%。较为成功地应用神经网络模型处理了含离子液体的双水相体系的液液平衡数据。

离子液体；双水相；液液平衡；BP神经网络

液液平衡数据，尤其是多元平衡数据是萃取分离技术的基础数据。在实验数据缺乏时，应用适当的模型，通过编程计算就可获得共存相的组成；传统的热力学模型随体系组分数的增加形式变得非常繁琐，且关联精度往往不能够令人满意。因此，寻找更为简洁有效的模型，来关联和推算多元液液平衡数据是热力学工作者关注的热点之一。

神经网络是近年来出现的一种新的数据处理模型，它在相平衡领域的应用已有过一些报道[1-6]，但用于离子液体双水相体系的还较为少见，本文应用该模型对H2O-[Bmim]BF4-Na2CO3体系在30 ℃下的液液平衡数据进行了关联，并与文献中的方法进行了比较。

1 模型描述

人工神经网络一般由输入层、隐含层以及输出层组成，同层节点间无联系，该层中的所有节点与下一层任意节点均为全互连方式。其运作过程主要包括前向计算和误差反传两部分，详细的算法可参见文献[ 2,7 ]。

1.1 前向计算

已知量经归一化处理后由输入层进入，沿连接权重传入隐含层，在隐含层处理后传给输出层，再处理后产生输出值，这一过程称为前向计算。

1.2 误差反传

若前向计算得到的网络输出值与期望值之间有误差，则需通过将误差信号沿连接通路后向传送以修正连接权重与各节点阈值，修正后再重复前向计算过程得新的输出值，直到输出值与期望值的误差小于设定值为止。这一过程称为误差反传，误差信号的获得依赖于前向计算所得数据。

2离子液体双水相体系液液平衡数据的关联

双水相技术是生物下游工程中一项较为先进的分离手段，在生物物质的萃取领域，近年来出现的离子液体双水相体系被认为有着广阔的应用前景,而体系的平衡数据可为分离过程优化设计提供依据。

H2O-[Bmim]BF4-Na2CO3体系是近年来发现的一个离子液体双水相体系，其上相富含离子液体，下相富含水。刘丙艳等测定了该体系在 30 ℃下的液液平衡数据，并用 Othmer-Tobias经验方程进行关联[8]，由于富含水相中离子液体的质量分数w2′很低，关联的平均相对误差为15.69%，为了提高关联精度，刘丙艳等又采用了Othmer-Tobias经验方程+溶解度曲线方程重新进行了关联，由于同时用到了相平衡与溶解度实验数据，对w2′的关联误差降低为2.77%，详细结果列于表1中，其中相对误差的计算公式为：

为了减少对实验数据的依赖并降低误差，文中采用 BP神经网络模型，对该体系的平衡数据进行了关联，结果列于表2中；同时，将上述3种模型对富含水相中离子液体含量的关联精度进行了对比，结果绘于图1中。

图1 模型关联精度对比Fig.1 Comparison of correlation accuracy

图2 神经网络结构示意图Fig.2 Neural network structure

表1 H2O(1)-[Bmim]BF4(2)-Na2CO3(3)体系液液相平衡数据的经验方程+溶解度曲线方程关联结果[8]Table 1 Correlation results of LLE data of H2O(1)-[Bmim]BF4(2)-Na2CO3(3) system with Othmer-Tobias and solubility equations

3 结 论

（1）以 delphi6.0为编程工具，编写了相应的神经网络计算程序，关联了H2O-[Bmim]BF4-Na2CO3系在30 ℃下的液液平衡数据，输入层节点数为3，与富含离子液体相中的 3种组分的质量分数相对应，输出层节点数为 3，与富含水相中的三种组分的质量分数相对应，经反复试算，取隐含层节点数为10，网络结构示意图如图2所示；

表2 H2O(1)-[Bmim]BF4(2)-Na2CO3(3)体系液液相平衡数据的BP神经网络关联结果Table 2 Correlation results of LLE data of H2O(1)-[Bmim]BF4(2)-Na2CO3(3) system with BP neutral network

从图1中可以看出，对富含水相中离子液体的质量分数，BP神经网络的关联精度高于Othmer-Tobias经验方程以及Othmer-Tobias经验方程+溶解度曲线方程。从表1和表2中可知，对富含水相中三种组分的质量分数，神经网络关联的平均相对误差分别为0.065%、2.218%和0.781%，最大相对误差为3.916%；而Othmer-Tobias经验方程+溶解度曲线方程的结果分别为 0.09%、2.77%和1.73%，最大相对误差为4.52%，前者优于后者。

（2）在应用程序进行计算的过程中，发现达到上述精度，程序的运行时间比较长(大约 7～8 min)，这一方面说明网络的结构（节点数越多，结构越复杂）会影响其运行时间，另一方面，有必要对程序进行进一步优化，在保证精度的前提下，缩短其响应时间。

（3）传统的热力学模型在离子液体方面还未形成较好的理论基础[9]，目前也只能进行经验性的关联，从这一点来讲，神经网络模型确实具有一定的优势。

［1］郭宁,崔志芹.BP神经网络计算乙醇-环己烷-水体系汽-液平衡[J].南京工业大学学报,2002,24(4):91-93

［2］吕会超,左芳芳.BP神经网络关联乙醇-水-异辛醇(含KF)体系液液平衡数据[J].化工设计,2010，20(3):14-16.

［3］田景芝,荆涛. BP网络与NRTL方程在汽液平衡数据预测中的比较研究[J].高师理科学刊,2007,27(1):18-20.

［4］郑洪川,李红艳,贾林祥.基于神经网络的CO2-MDEA-PZ-H2O体系相平衡计算[J].节能技术,2008,26(149):226-227.

［5］韦钦胜,胡仰栋,安维中,等.基于BP神经网络的天然气水合物相平衡计算及预测[J].海洋技术,2007,26(2):54-56.

［6］高晓林,李志坚.BP网络用于计算含C2H4体系高压汽液相平衡[J].化学工业与工程,2005,22(2):145-147.

［7］周爱月.化工数学[M]. 第2版.北京:化学工业出版社,2001.

［8］刘丙艳,刘培元,王国平,等.[Bmim]BF4-H2O-Na2CO3离子液体双水相体系液液相平衡数据的测定与关联[J].化工学报,2007,58(8):1885-1890.

［9］Arce A, Earle MJ et al. Phase equilibrium of mixtures of mutually immiscible ionic liquids [J]. Fluid Phase Equilibria,2007,261(1-2):427-433.

Neural Network Model for Ionic Liquid-based Aqueous Two-phase System of H2O-[Bmim]BF4-Na2CO3

LV Hui-chao1, ZHANG Chang-song1, LI Ye-hong2
（1. Department of Chemical and Environmental Engineering, Anyang Institute of Technology, Henan Anyang 455000, China;2. Anyang County Environmental Protection Bureau, Henan Anyang 455000, China)

A reasonable data model for the ionic liquid-based aqueous two-phase system of H2O-[Bmim]BF4-Na2CO3was introduced. Based on the artificial neural network model using back propagation algorithm, the general programme was compiled to correlate liquid-liquid equilibrium data of this system. The perfect topology{3,10,3} for structure of the network was gained by trial computations with the programme.The quality fraction of three components in the aqueous phase were correlated by using this structure. The average relative errors were 0.065%,2.218%and 0.781%respectively,as well as the maximum relative error was 3.916%. The results show that the artificial neural network model has better accuracy compared with the othmer-tobias and solubility equations mentioned in the document, whose average relative error are 0.09%, 2.77% and 1.73%respectively as well as whose maximum relative error is 4.52%.

Ionic liquid; Aqueous two-phase system; Liquid-liquid phase equilibrium; BP neural network

O 642.4

A

1671-0460（2011）07-0748-03

2011-05-18

吕会超(1979-)，讲师，北京理工大学化学工程专业，硕士学位，主要从事流体相平衡方面的研究工作。E-mail：lvhuichao_7910@126.com，电话：（0372）2909841