自茶叶中提取咖啡因实验教学探索与研究

自茶叶中提取咖啡因是大学有机化学实验教学中关于天然产物提取的经典实验,目前国内高校大多采用文献[1]进行实验教学,但该文献中关于咖啡因提取液炒干时的状态,加入生石灰以中和丹宁酸的量及升华时沙浴的温度等方面不准确,从而在实验教学中经常出现升华产物色泽不好、咖啡因晶体颗粒短小、甚至无升华产物等现象。为此,笔者经过多年的教学探索与研究,使上述问题得到较好解决。     

茶叶中提取咖啡因实验装置的改进与探索

介绍了使用自动萃取仪和旋转蒸发仪提取咖啡因的实验方法,并用改进的升华装置代替了传统的蒸发皿漏斗法.通过比较现代化学实验手段和常规实验方法的联系和区别,进一步理解现代化学仪器方便、快速、精确的特点.教学过程中,传统方法与现代方法相结合,丰富了有机化学实验内涵和技术手段,提高了学生学习化学知识的兴趣,收到了很好的教学效果.     

茶叶中咖啡因的提取实验装置的改进与探索

"茶叶中咖啡因的提取"是有机化学实验的一个经典实验,本文对该实验所用的原索氏提取器进行改进,得到内通气集热式索氏提取器并用于实验教学。通过对照实验,对改进索氏提取器和原索氏提取器的提取效果进行比较。结果表明,改进装置具有原装置的功能和特点,且提取时间更短、提取温度和提取率更高,可在高校推广使用。     

从速溶咖啡中提取咖啡因

学生做完从茶叶中提取咖啡因的实验,还想了解从咖啡中提取咖啡因的方法,而相关的文献极少。为了解决学生的困惑,介绍了从速溶咖啡中提取咖啡因的实验,即通过抽滤、萃取、干燥、蒸馏、升华等操作获得纯净的咖啡因。学生可以结合提供的信息,通过2种不同物质提取咖啡因方法的比较,更好地理解物质性质与实验方法、操作步骤的对应关系,从而提高对提取物质实验的认识和操作方法的理解,增强创新能力和实践能力。     

咖啡因提取的综合性实验教学

介绍了一个综合性化学实验。该实验以绿茶为原料,95%的乙醇为提取剂,通过索氏提取器提取、常压蒸馏及升华等实验操作,得到咖啡因产品。通过超高效合相色谱法（Ultra Performance Convergence Chromatography,UPC2）确定咖啡因的含量,熔点测定法及1H-NMR归属分析表征结构。本实验将经典的有机化学实验和先进的分析测试仪器相结合,提高了学生的实验综合能力,激发了学生的科研兴趣和探索精神。     

茶叶中咖啡因的超临界流体分析

 用超临界流体法 (SFC)测定茶叶中的咖啡因 ,在二氧化碳流动相中加入体积分数为 5 %的甲醇后 ,得到了良好的分离效果。该方法具有样品前处理简单 ,共存组分不干扰测定 ,分析速度快等优点 ,可以用于茶叶中咖啡因的快速分析。     

人工神经网络及其在色谱中的应用

本文对人工神经网络（ＡＮＮ）在色谱保留机理的研究和保留值的预测,溶质分子构型与色谱保留的定量关系（ＱＳＲＲ）,谱图解析等方面的应用做了综述。着重介绍了ＢＰ网络的发展及其在色谱领域中的应用,并对ＡＮＮ在色谱中的应用前景做了预测。     

树脂对茶多酚与咖啡因的吸附分离

从低档绿茶末的水提取液中，利用离子交换，吸附树脂成功地分离出茶多酚与咖啡因，并详细考察了其交换与吸附性能。与其它方法相比，该树脂法具有产品收率高，成本低廉等特点。     

模拟退火神经网络用于药物液相色谱梯度分离条件的优化

模拟退火神经网络用于药物液相色谱梯度分离条件的优化。使用均匀设计法以乙腈在线性梯度展开时的初始浓度和线性梯度的斜率为优化参数,对六种药物混合体系进行优化。采用退火神经网络方法建立了有效的分离条件预测模型。对神经网络模型所预测的最佳分离条件进行试验,分离结果满意。模拟退火神经网络可有效地用于药物液相色谱分离条件的优化。     

高温超导体制备条件的人工神经网络识别

高温超导体的制备条件要求严格,其掺杂量大小、烧结温度控制等都直接影响实验样本的超导性质。近几年高温超导研究已积累大量实验数据,如何应用人工智能方法处理这些数据寻找更好的合成条件颇有意义。人工神经网络方法在许多领域己显示其处理复杂数据和模式识别的优越性,但尚未应用到化合物制备研究方面。本文对此作了初步尝试。     

Prediction of CO2 Solubility in Polymers by Radial Basis Function Artificial Neural Network Based on Chaotic Self-adaptive Particle Swarm Optimization and Fuzzy Clustering Method

To replace costly and time-consuming experimentation in laboratory, a novel solubility prediction model based on chaos theory, self-adaptive particle swarm optimization （PSO）, fuzzy c-means clustering method, and radial ba- sis function artificial neural network （RBF ANN） is proposed to predict CO2 solubility in polymers, hereafter called CSPSO-FC RBF ANN. The premature convergence problem is overcome by modifying the conventional PSO using chaos theory and self-adaptive inertia weight factor. Fuzzy c-means clustering method is used to tune the hidden centers and radial basis function spreads. The modified PSO algorithm is employed to optimize the RBF ANN connection weights. Then, the proposed CSPSO-FC RBF ANN is used to investigate solubility of CO2 in polystyrene （PS）, polypropylene （PP）, poly（butylene succinate） （PBS） and poly（butylene succinate-co-adipate） （PBSA）, respec- tively. Results indicate that CSPSO-FC RBF ANN is an effective method for gas solubility in polymers. In addition, compared with conventional RBF ANN and PSO ANN, CSPSO-FC RBF ANN shows better performance. The values of average relative deviation （ARD）, squared correlation coefficient （R2） and standard deviation （SD） are 0.1071, 0.9973 and 0.0108, respectively. Statistical data demonstrate that CSPSO-FC RBF ANN has excellent prediction capability and high-accuracy, and the correlation between prediction values and experimental data is good.     

基于近红外光谱的人工神经网络研究STR基因座分型方法

以D16S539基因座的3种(9-9、9-11、11-11)基因型为例,设计引物扩增包含该多态性位点的1段DNA片段,获得了3种基因型建模样本各50个.基于近红外光谱(NIRS)结合误差反向传播人工神经网络(BPANN)建立了测定短串联重复序列(STR)基因型的判别模型,所建立的判别模型的校正均方根残差和预测集均方根误差分别为0.082 5、0.072 5,预测准确率均为100%.该方法不需任何前处理,只需一步PCR扩增和NIRS检测即可实现STR基因型判别,具有简单、快速、低成本等优点.     

人工神经网络法用于高效毛细管电泳分离条件优化的研究

把人工神经网络（ＡＮＮ）法应用于高效毛细管电泳（ＨＰＣＥ）分离条件的优化，给出了反向传播（ＢＰ）的ＡＮＮ模型的具体算法。用正交试验法同时考察了缓冲溶液组成、浓度、ｐＨ值和有机添加剂浓度等实验因素对ＨＰＣＥ分离合成色素和防腐剂的影响，采用误差反向传播方法建立了有效的ＡＮＮ预测模型，预测最佳分离条件，获得了满意的分离结果。     

超临界流体萃取和气相色谱／质谱法测定中国茶中咖啡因含量

运用超临界流体萃取方法和气相色谱／质谱法联用,成功地测定了三种中国茶叶中咖啡因的含量。方法简便,灵敏度高,测定速度快。平均回收率为９８．１％。     

Determination of Operating Conditions of Ethylene/1-Octene Copolymerization Using Artificial Neural Network (ANN)

An artificial neural network (ANN) is applied to determine appropriate parameters in copolymerization of ethylene and 1-octene via metallocene catalytic system for producing a copolymer with desired chain microstructures. The polymerization parameters of interests are polymerization temperature, ethylene pressure, and the amount of hydrogen used. The ANN used is a feed-forward network with a back propagation learning method and has a 5-6-6-3 architecture. When comparing with both training and testing experimental data sets, it was found that ANN can provide a good guesstimation of polymerization parameters.     

Formula Optimization of Emulsifiers for Preparation of Multiple Emulsions Based on Artificial Neural Networks

Formulation optimization of emulsifiers for preparing multiple emulsions was performed in respect of stability by using artificial neural network (ANN) technique. Stability of multiple emulsions was expressed by the percentage of reserved emulsion volume of freshly prepared sample after centrifugation. Individual properties of multiple emulsions such as droplet size, δ, viscosity of the primary and the multiple emulsions were also considered. A back‐propagation (BP) network was well trained with experimental data pairs and then used as an interpolating function to estimate the stability of emulsions of different formulations. It is found that using mixtures of Span 80 and Tween 80 with different mass ratio as both lipophilic and hydrophilic emulsifiers, multiple W/O/W emulsions can be prepared and the stability is sensitive to the mixed HLB numbers and concentration of the emulsifiers. By feeding ANN with 39 pairs of experimental data, the ANN is well trained and can predict the influences of several formulation variables to the immediate emulsions stability. The validation examination indicated that the immediate stability of the emulsions predicted by the ANN is in good agreement with measured values. ANN therefore could be a powerful tool for rapid screening emulsifier formulation. However, the long‐term stability of the emulsions is not good, possibly due to the variation of the HLB number of the mixed monolayers by diffusion of emulsifier molecules, but can be greatly improved by using a polymer surfactant Arlacel P135 to replace the lipophilic emulsifier.     

人工神经网络光度法用于化探样品中金的形态分析

利用人工神经网络对化探样品中金的三种存在形态（水提取态、吸附态、有机态）的含量同时进行了预测，计算结果与传统浸了方法的结果相吻合，相对误差一般小于10％，相对标准偏差在1．68％－8．94％。该法简便，快速。     

人工神经网络用于高效液相色谱分析条件的优化

本文采用人工神经网络的线性网络法（ＬＭＳ）优化高效液相色谱的分析条件，考察了样本集类型和不同初始权值对优化结果的影响。结果表明，模拟的精度与样本集类型有关，而在一定置信区间与初始权值无关。