人工神经网络在化工领域中应用论文
人工智能技术在化工生产中的应用研究
人工智能技术在化工生产中的应用研究随着科技的不断发展，人工智能技术已经逐渐成为各行各业的热门话题，其中包括化工生产领域。
利用人工智能技术，我们可以让化工生产变得更加智慧化、高效化和安全化。
本文将就人工智能技术在化工生产中的应用进行研究，探讨其对于该领域的推动作用。
1. 智能监控与控制系统在化工生产过程中，监控和控制是非常重要的环节。
传统的控制系统需要人工操作，但是效率低下，且很难保证精度。
而人工智能技术可以通过机器学习、数据挖掘等手段，将监控数据进行智能分析和判断，实现对于生产系统的远程智能控制。
这种智能监控和控制系统可以极大地提高生产的安全性和效率。
2. 智能化预测与优化人工智能技术还可以应用于化工生产的预测分析和优化。
通过对历史数据等珍贵的信息进行分析和挖掘，可以预测化工生产过程中的一系列变量和参数，为未来的调整和改善提供参考。
同时，通过深度学习等技术，对于生产过程进行优化和预测，可以在减少生产资源和能耗的同时，保障生产的质量和效率。
3. 智能安全监控化工生产中容易发生事故，需要一定的控制和监管。
而人工智能技术可以基于图像识别技术、语音识别技术，智能判断工作场所中的各种隐患、危险源，及时发现并避免安全事故的发生。
同时智能安全监控可以智能化巡检，大大提高安全事故的预防措施。
4. 人工智能技术在化工生产中的未来发展人工智能技术在化工生产领域的应用前景非常广阔。
随着传感器技术的不断发展，将有更多的实时数据可用，将以前难以理解的复杂关系变得可操作化。
生产人员将更多地专注于思考如何通过数据转化为生产效益。
此外，也将有更加高级和智能化的算法出现，可以应对更各类别的数据，如多组分数据等，从而发现隐藏在其中的生产规律。
5. 结论人工智能技术在化工生产中的应用效果显著，是一个多维度和系统性的智能化生产方案。
它不仅提高了生产效率，降低了生产成本，同时也提升了生产安全水平。
对于未来，人工智能技术在该领域的应用前景广阔，将有助于为生产企业带来新的技术革新和发展机遇。
深度学习技术在化工领域的应用研究
深度学习技术在化工领域的应用研究随着信息时代的到来，机器学习和人工智能技术在各个领域被广泛应用。
化工领域作为传统的制造业，也在逐步接纳这些新兴技术，并取得了一些显著的成果。
尤其是深度学习技术，以其强大的数据处理和自学习能力，为化工领域带来了新的发展机遇。
本文将从三个方面探讨深度学习技术在化工领域的应用研究。
一、反应预测在化学反应中，反应物的配比、反应时间、温度等条件对反应结果至关重要。
而由于反应条件的多样性及反应物的不确定性，反应预测一直是一个难题。
传统的方法基于人工经验或简单的数学模型，难以处理复杂的反应过程。
而深度学习技术具有强大的数据处理能力，可以通过学习大量的反应数据，建立起准确的反应预测模型。
例如，基于深度学习技术的神经网络模型可通过学习反应的时间序列数据，预测出反应过程中的各种参数，如温度、氧气的浓度等，从而实现对反应过程的预测和控制。
二、产品分类随着化学产业从传统制造向高端化学品及新材料方向转型，化工产品的种类也越来越多。
传统的产品分类方法基于人工经验，随着产品种类的增加，人工分类成本和误差也不断提高。
而基于深度学习的产品分类模型可以通过学习大量的产品图像数据，自动进行分类和识别。
例如，可以将深度卷积神经网络应用于图像分类，通过学习不同产品的图像库，可以实现高精度的产品分类和识别。
三、原料检测化学反应的成功与否往往取决于原料的质量。
传统的原料检测方法主要是基于手工取样和实验室分析，这种方法操作繁琐、耗时、耗费人力物力，而且准确度不高。
而深度学习技术可以通过学习大量的原料数据，建立起原料检测模型。
例如，可以基于深度学习技术的卷积神经网络模型，通过学习不同原料的光谱数据，实现对原料的自动检测和分类。
总之，深度学习技术在化工领域应用前景广阔，可以在反应预测、产品分类、原料检测等方面起到关键的作用。
然而当前化工领域深度学习应用仍处于起步阶段，需要深入探索深度学习模型和算法，并结合实际应用场景进行改进和优化，以实现更精细化、高效化、智能化的化工生产。
人工神经网络在自动化领域的应用
人工神经网络在自动化领域的应用【摘要】人工神经网络在自动化领域的应用正日益广泛，不仅为智能控制系统、智能制造和自动化设备维护等方面提供了有效的解决方案，还为自动化领域的发展带来了新的机遇和挑战。
本文将首先介绍人工神经网络的基本原理，然后探讨其在自动化领域中的具体应用，包括智能控制系统、智能制造和自动化设备维护等方面。
结合实际案例分析，总结出人工神经网络在自动化领域的应用前景，并指出其未来发展方向。
通过本文的阐述，读者将深入了解人工神经网络在自动化领域的重要性和潜力，为相关领域的研究和实践提供有益参考。
【关键词】人工神经网络、自动化领域、智能控制系统、智能制造、自动化设备维护、应用、前景、总结1. 引言1.1 人工神经网络在自动化领域的应用人工神经网络在自动化领域的应用正日益广泛，其强大的模拟人类神经系统的能力使其成为自动化领域中的重要工具。
人工神经网络是一种模拟人类大脑神经网络运作方法的计算系统，通过学习和训练，能够模拟人类的认知能力和决策过程。
在自动化领域中，人工神经网络可以被广泛应用于智能控制系统、智能制造和自动化设备维护等方面。
通过人工神经网络的基本原理，可以实现自动化系统对环境的感知和响应能力，从而实现智能控制系统的设计与优化。
在智能制造领域，人工神经网络可以通过学习和模拟生产过程中的数据，提高制造过程的效率和质量。
在自动化设备维护方面，人工神经网络可以通过分析设备运行数据，预测设备故障和提前维护，降低设备维护成本和生产停机时间。
人工神经网络在自动化领域的应用前景十分广阔，随着技术的不断发展和进步，人工神经网络将在自动化领域中发挥更加重要的作用，为实现智能化、自动化生产和管理提供强有力的支持和保障。
2. 正文2.1 人工神经网络的基本原理人工神经网络的基本原理是模拟人类大脑神经元之间的连接和传递信息的过程。
它由多个神经元组成的网络结构，每个神经元接收多个输入信号，然后通过激活函数处理这些信号并产生输出。
人工神经网络在材料开发中的应用研究进展
人工神经网络在材料开发中的应用研究进展
于志省;李应成;王宇遥;沈志刚;白瑜;苏智青;王洪学
【期刊名称】《工程塑料应用》
【年(卷),期】2023(51)2
【摘要】介绍了人工神经网络(ANN)的发展历程、模型特性与分类,以及反向传播(BP)神经网络模型及其改进算法,重点论述了ANN在高分子聚合反应过程和质量控制、成型加工工艺设计与条件优化、材料使用与服役性能预测方面的应用进展,以及在辅助性能表征与分析等方面的应用研究状况,并指出了ANN在未来新材料开发中应用的发展方向和亟待解决的问题。
【总页数】7页(P158-164)
【作者】于志省;李应成;王宇遥;沈志刚;白瑜;苏智青;王洪学
【作者单位】中石化(上海)石油化工研究院有限公司合成材料研究所
【正文语种】中文
【中图分类】TQ327.8
【相关文献】
1.人工神经网络在陶瓷材料分类中的应用
2.聚醚类化合物在多孔催化材料开发中的应用研究进展
3.人工神经网络在Al2O3/TiC/SiC多相陶瓷刀具材料开发中的应用
4.人工神经网络在材料科学中的研究进展
5.分子模拟技术在壳聚糖功能材料开发和应用中的研究进展
因版权原因，仅展示原文概要，查看原文内容请购买。
人工智能在化工领域的应用
人工智能在化工领域的应用随着科技的不断进步，人工智能逐渐走进了我们的生活，也开始广泛应用于各个领域，其中化工领域是一个非常重要的应用领域。
人工智能的应用可以提高化工企业的生产效率、降低生产成本、提高产品质量和安全性等方面，为化工行业的发展注入了新的活力。
一、人工智能在化工生产中的应用1. 生产计划与调度化工生产过程中，生产计划和调度是非常关键的环节。
传统的生产计划和调度方法常常需要大量的人力、物力和时间，且容易出现人为错误。
而采用人工智能技术，可以通过对历史数据的分析，建立模型，预测生产过程中可能出现的问题，并给出最优的生产计划和调度方案，从而提高生产效率和降低生产成本。
2. 生产过程监控与控制化工生产过程中，需要对生产环境进行实时监控和控制，以保证生产过程的稳定性和安全性。
传统的监控和控制方法容易出现延迟和误差，而采用人工智能技术，可以通过对传感器数据的实时监测和分析，预测生产过程中可能出现的问题，并及时采取措施进行调整和控制，从而提高生产过程的稳定性和安全性。
3. 质量控制与优化化工产品的质量是化工企业的核心竞争力之一，而传统的质量控制方法常常需要大量的人力和时间，且容易出现误差。
而采用人工智能技术，可以通过对历史数据的分析，建立模型，预测产品质量可能出现的问题，并及时采取措施进行调整和优化，从而提高产品的质量和竞争力。
二、人工智能在化工安全中的应用化工生产过程中，安全是非常重要的环节。
传统的安全管理方法常常需要大量的人力和时间，且容易出现疏漏和错误。
而采用人工智能技术，可以通过对历史数据和实时数据的分析，预测可能出现的安全问题，并及时采取措施进行调整和预防，从而降低化工生产过程中的安全风险。
1. 安全监测与预警化工生产过程中，需要对生产环境进行实时监测和预警，以及时发现可能出现的安全隐患。
传统的监测和预警方法常常需要大量的人力和时间，且容易出现疏漏和错误。
而采用人工智能技术，可以通过对传感器数据的实时监测和分析，预测可能出现的安全隐患，并及时采取措施进行调整和预防，从而提高化工生产过程中的安全性。
人工智能在化工生产中的应用及优化研究
人工智能在化工生产中的应用及优化研究随着科技的不断进步，人工智能已经逐步融入我们生活的各个领域，对于很多企业来说，借助人工智能技术，不仅能够提升生产效率，降低成本，还可以引领企业迈向未来。
在化工生产行业中，人工智能的应用也愈发普遍，成为了提高生产力和生产安全的重要手段。
一、人工智能在化工生产中的应用1、化学品的合成人工智能在化学品的合成方面拥有较高的应用价值。
通过对化学反应进行深度学习和分析，能够精准预估化学品的产量、优化反应条件、降低原材料的消耗，从而缩短工艺流程，提高生产效率和产品质量。
同时，人工智能还可以对反应过程中的危险因素进行监测，确保生产过程的安全性。
2、生产设备的优化和维护利用人工智能技术，化工企业可以对生产设备进行智能化管理。
智能化的生产设备可以通过网络对设备进行监测，分析数据，提前预警故障，最大限度地降低设备损坏带来的影响。
此外，人工智能还可以通过对设备的运行数据的分析，调整设备的工艺参数，优化生产设备的运行效率，提高生产效率和降低成本。
3、品质管理人工智能可以对化学产品的品质进行智能化管理，通过对大量的数据进行统计和分析，可以快速判断出生产过程中可能存在的问题，并进行相应的调整。
同时，还能够对原材料的品质进行检测，保证产品的质量稳定性。
4、生产流程智能化化工生产需要很多复杂的工艺流程，人工智能可以通过对工艺流程进行控制和优化，实现生产过程的智能化和自动化，从而提高生产效率、节约成本，降低生产风险。
此外，根据生产过程中的实时数据，可以实时调整生产过程中的各项参数，提高产品的一致性和品质。
二、人工智能在化工生产中的优化研究1、数据模型的建立针对化工生产中的不同工艺流程，可以建立相应的数据模型。
通过对相关数据进行分析、挖掘、模型评估和应用，可以实现对化工生产过程中的质量和效率的优化。
2、智能算法的应用在化工生产中，应用智能算法可以对工艺流程进行优化和调整，提高生产效率和降低生产成本。
人工神经网络在高分子材料领域中的应用
人工神经网络在高分子材料领域中的应用摘要：本文简介了人工神经网络的定义、特点及分类，着重介绍了神经网络中应用得较为广泛的BP网络的结构及学习原理。
总结了神经网络在高分子材料领域中的应用，包括结构设计、性能预测以及加工优化等方面，并且指出神经网络在高分子中的应用前景以及需要解决的问题。
关键词：人工神经网络、BP算法、高分子材料、结构与性能简介人工神经网络 (artificial neural networks, ANN)又可简称神经网络，是在现代生物学研究人脑组织所取得成果的基础上提出的，它得用大量简单的处理单元广泛连接组成的复杂网络，来模拟人类大脑的神经网络结构和行为。
它的研究成果显示了人工神经网络具有人脑功能的基本特征：学习、记忆、概括、归纳和抽取等，从而解决了人工智能研究中的某些局限性。
它不同于以前人工智能领域中普遍采用的基于逻辑和符号处理的理论和方法，开辟了崭新的途径。
从50年代到80年代，人工神经网络的发展经历了兴起、低潮和复兴三个阶段[1]。
进入80年代之后，在模型建立等理论方面又取得了不少有效的成果，加上大规模集成技术的发展，为各种人工神经网络模型提供了实现的基础和应用的前景。
在短时间内，人工神经网络的研究异军突起，研究热潮方兴未艾。
目前，人工神经网络理论的应用已渗透到各领域并取得了非常令人鼓舞的进展，成为信息科学、脑神经科学和数理科学的“热点”之一，现已广泛应用于经济、机器人和自动控制、军事、医疗、化学等领域[1~5]。
1.人工神经网络在高分子材料结构设计的应用在化学和材料科学研究的许多领域中，自动化仪器为科学家们提供了非常大量的各种各样的数据。
现今困挠科学工作者主要问题已不是如何收集数据，而是如何从大量数据中提取有价值的信息，人工神经网络便是其中颇具特色的解决途径之一。
由于高分子结构中存在着不确定性，比如化学反应、聚集态结构都是极为复杂的，这就使得具有非线性和自适应性等优点的神经网络非常适合应用于高分子科学的研究。
人工智能技术在化工制造中的应用
人工智能技术在化工制造中的应用人工智能技术在当前各个领域都有了广泛的应用和探索，它也在化学工业中找到了自己的应用，极大地提升了化工制造的效率和质量。
在化工制造中，人工智能可分为三个大类: 基于数据分析的应用、基于现场物联网的应用和基于模拟仿真的应用。
接下来，将从这三个方面阐述人工智能技术在化工制造中的应用。
一、基于数据分析的应用数据分析是指对大量的生产和质量数据进行收集、整理、分析的过程。
化工企业一般都会使用数据分析来实现生产计划的合理制定以及对设备运行状态、质量状况进行实时监控，及时调整生产工艺流程。
人工智能技术可以将数据分析这个过程进行数字化、智能化，使数据分析变得更快、更准确。
比如对于清水泵站等设备，利用机器学习的技术可以实现自动监测，当设备出现故障时，自动报警提醒，自动进行维修，保证设备处于最佳状态，这就是人工智能技术在数据分析中的应用。
另外，人工智能技术还可以通过大数据分析，挖掘出更多潜在的生产错误和可能存在的风险。
如已经有企业，利用训练好的神经网络进行产品分类与质量检测，实现缺陷率的降低和生产效率的提高。
可以说，数据分析是人工智能技术在化工制造中重要的一环，扮演着连接生产计划和设备调整的重要中介角色。
二、基于现场物联网的应用人工智能技术在化工制造中的另外一个应用方向是基于现场物联网技术。
目前，大多数化学生产企业都采用了自动化、信息化、智能化等现代化技术，保证生产质量和效率的同时，也模拟出了大量的工艺数据。
但是，这些数据仅仅是零散、局部的数据信息，难以从根本上把握全局生产状态和产品质量状况。
基于现场物联网技术，人工智能可以实现多个设备间的互联互通，形成物联网，从而把生产过程中各种数据信息进行实时分析和处理，不断优化生产流程，达到加强实时调控的目的。
此外，人工智能技术通过与机器、系统交互，保证了生产的实时反馈和及时调整，提高了生产效率。
已经有部分企业引入了多维化的智能系统，利用现场传感器采集各种数据信息，从而以高精度的能力精准定义生产参数，提高产品制造质量,实现全流程内部自我质量控制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工神经网络在化工领域中的应用摘要：神经网络能够通过输入和输出数据对过程进行有效地学习，为化工过程的综合发展提供了一种先进的技术手段，已广泛用于化工过程非线性系统建模领域。
这些应用包括：故障诊断、化工过程控制、药物释放预测、物性估算等。
人工神经网络在化工领域的应用还有赖于不断开展应用研究、完善其技术的可靠性、开发智能性化工优化专家系统软件，向人工智能方向发展，并结合小波变换、统计学方法和分形技术等信息处理方法和理论共同解决化工类问题。
关键词：神经网络化工应用一、前言人工神经网络是一个多科学、综合性的研究领域，它是根据仿生学模拟人体大脑结构和运行机制构造的非线性动力学系统[1]。
神经网络可以看作是一种具有自组织、自学习能力的智能机器，它能模仿人的学习过程，通过给网络各种范例，把网络的实际输出与希望输出比较，根据偏差修改节点间的连接权，直到获得满意的输出。
现已广泛应用于经济学、军事学、材料学、医学、生物学等领域。
化工过程一般比较复杂，对象特性多变、间歇或半连续生产过程多，具有严重非线性特性。
因此，其模型化问题一直是研究的热点。
化工生产过程的数据或实验室实验数据的拟台、分析，是优化过程或优化反应条件的基础一般被处理的数据可以分为二类：静态数据（static data）和动态数据（dynamic data），对于静态数据的关联，神经网络是一种很有希望的“经验模型”拟合工具。
动态过程数据具有系统随时间而变化的特征，操作参数和产物的产量和质量之间的关系更为复杂。
处理和分析动态过程数据的方法除了常用的在物料衡算、能量衡算、反应动力学方程、相平衡等基础上建立数学模型（mathematical models）、数理统计（statistical analysis）等方法外，用神经网络拟合动态过程数据，建立动态过程模型，往往能从动态数据提供的模式中提取较为有用的信息，对过程进行预测、故障诊断，从而使过程得到优化。
因此，神经网络以其强大的函数映射能力，已经广泛用于化工过程非线性系统建模领域。
它能够通过输入输出数据对过程进行有效地学习，为化工过程的综合发展提供了一种先进的技术手段。
二、人工神经网络简介人工神经网络（英文缩写为ann）简称神经网络，是在生物学和现代神经科学研究的基础上，对人类大脑的结构和功能进行简化模仿而形成的新型信息处理系统[2，3]。
由“神经元”（neurons）或节点组成。
至少含有输入层、一个隐含层以及一个输出层。
输入层—从外部接受信息并将此信息传入人工神经网络，以便进行处理；隐含层—接收输入层的信息，对所有信息进行处理；输出层—接收人工神经网络处理后的信息，将结果送到外部接受器。
当输入层从外部收到信息时，它将被激活，并将信号传递到它的近邻这些近邻从输入层接收到激活信号后，依次将其输出到它们的近邻，所得到的结果在输出层以激活模式表现。
神经网络可以看作是一种具有自组织、自学习能力的智能机器，它能模仿人的学习过程。
比如，一个复杂化工装置的操作工人，开始学习操作时，由于没有经验，难以保证控制质量。
但经过一段时间学习后，他就能逐步提高技能。
神经网络正是模拟人类学习过程，通过给网络各种范例，把网络的实际输出与希望输出比较，根据偏差修改节点间的连接权，直到获得满意的输出。
人工神经网络研究工作可分成 3个大方向：（1）探求人脑神经网络的生物结构和机制，这实际上是研究神经网络理论的初衷；（2）用微电子或光学器件形成有一定功能的网络，这主要是新一代计算机制造领域所关注的问题；（3）将人工神经网络作为一种解决问题的手段和方法，而这类问题用传统方法无法解决或在具体处理技术上尚存在困难。
三、神经网络在化工中的应用1.故障诊断当系统的某个环节发生故障时，若不及时处理，就可能引起故障扩大并导致重大事故的发生。
因此建立高效的、准确的实时故障检测和诊断系统，消除故障隐患，及时排除故障，确保安全、平稳、优质的生产，已成为整个生产过程的关键所在。
神经网络是模仿和延伸人脑智能、思维、意识等功能的非显形自适应动力学系统，其所具有的学习算法能使其对事物和环境具有很强的自学习、自适应和自组织能力。
神经网络用于故障诊断和校正不必建立严格的系统公式或其它数学模型，经数据样本训练后可准确、有效地侦破和识别过失误差，同时校正测量数据中的随机误差。
与直接应用非线性规划的校正方法相比，神经网络的计算速度快，在化工过程的实时数据校正方面具有明显的优势。
目前应用于故障诊断的网络类型主要有：bp网络、rbf网络、自适应网络等。
rengaswamy[4]等人把神经网络用在化工过程的初始故障预测和诊断（ fdd）中，提出一种神经网络构架，利用速度训练在分类设计中明确引入时间和过程模型映像的在线更新三个要素，来解决化工过程中的初始故障诊断问题。
国内也有关于神经网络用于故障诊断的报道，黄道[5]等人以te （tenneaaee eastman，eastman 化学公司开发的过程模拟器，提供了一个实际工业过程的仿真平台，是一种国际上通用的标准仿真模型）模型为背景，根据模型的特点进行了故障诊断。
当输入变量接近训练过的样本时，诊断的成功率可达100％。
另外，模糊神经元网络作为一种更接近人脑思维的网格，也是解决此类问题的一个发展方向。
李宏光[6]等人就针对化工非线性过程建模问题，提出了由函数逼近和规则推理网络构成的模糊神经网络，其规则网络基于过程先验知识用于对操作区间的划分，而函数网络采用改进型模糊神经网络结构完成非线性函数逼近，并将该技术应用于工业尿素 co2汽提塔液位建模。
2.化工过程控制随着神经网络研究的不断深入，其越来越多地应用于控制领域的各个方面，从过程控制、机器人控制、生产制造、模式识别直到决策支持神经网络都有应用。
神经网络可以成功地建立流程和控制参数问的非线性关系及构造相关的数学模型，并可跟踪瞬息过程及具有稳健功能等，因此可有效地用于化工过程最优化和控制。
1986年，rumelhart第一次将ann用于控制界。
神经元网络用于控制有两种方法，一种用来构造模型，主要利用对象的先验信息，经过误差校正反馈，修正网络权值，最终得到具有因果关系的函数，实现状态估计，进而推断控制；另一种直接充当控制器，就像pid 控制器那样进行实时控制。
神经元网络用于控制，不仅能处理精确知识，也能处理模糊信息。
tsen[7]等利用混合神经网络实现对乙酸乙烯酯（va）的乳液聚合过程的预测控制。
原有的该间歇过程的复杂的机理模型可对单体转化率做出较准确的预测，然而对产品性质（如数均相对分子质量及其分布）的预测不太可靠。
所建的混合型神经网络模型用于实现过程的反馈预测控制。
国内对神经网络的实质性研究相对较晚，谭民[8]在1990年提出了一种基于神经网络双向联想机制的控制系统故障诊断方法，并且作了仿真验证。
清华大学自动化系则开发了一种基于时序神经网络的故障预报方法，利用工艺现场数据对大型氯碱厂的氯气中含氢气的问题进行了模拟预报实验。
3.药物释放预测建立精确的缓释微胶囊模型是找出最优的工艺条件及掌握芯材释放规律的重要一步。
缓释微胶囊的性能与影响因素之间足一种多输入、多输出、复杂的非线性关系。
机理分析法和传统的系统辨识法对输入、多输出问题适应性差，过分依赖研究领域的知识与经验，难以得到实用的缓释微胶囊模型。
人工神经网络能够很好地解决传统方法不能解决的具有高度非线性、耦合性、多变量性系统的建模问题并具有独特的优势。
赵武奇[9]等人建立了红景天苷缓释微囊的人工神经网络模型及其遗传算法优化技术，用神经网络模型描述了微囊制作参数与性能之间的关系，并用遗传算法优化微囊制作工艺参数，设计出性能最佳的微囊制作工艺参数。
范彩霞[10]等人以难溶性药物氟比洛芬为模型药物，制备了17个处方并进行释放度检查。
氟比洛芬和转速作为自变量，取其中l4个处方为训练处方，其余3个处方为验证处方，将自变量作为人工神经网络的输入，药物在各个取样时间点的释放为输出，采用剔除一点交叉验证法建立了人工神经网络模型。
并通过线性回归和相似因子法比较人工神经网络和基于二元二项式的响应面法的预测能力，显示了人工神经网络的预测值与实测值的接近程度。
4.物性估算用神经网络来解决估算物质的性质必须解决三个基本问题，第一个是对物质的表征问题；第二个是采用何种神经网络及其算法问题；第三个是神经网络输入与输出数据的归一化问题。
无论采用哪种方法对数据进行处理，当用经过训练的神经网络进行物性估计时，不能将网络直接的输出值作为物性预估值，而是要将输出值再乘上一个系数，这个系数就是前面进行归一化处理时对数据的除数，相乘后得到的值作为物性估算值。
神经网络用于物性估算，目前采用的就是bp网络或在此基础上的各种改进形式。
常压沸点进行估算和研究。
prasad[11]等人利用神经网络对有机化合物的物理性质进行了预测，并与传统的基团贡献法比较，可以得到更为准确的物性参数。
而后，董新法、方利国[12]等人将神经网络在物性估算中的应用作了一个全面而又简要的讲解，并提出神经网络在物性估算中潜在的应用前景，为其发展及其以后的应用研究提供了很好的工作平台。
目前，人工神经网络在各个领域中的应用都在向人工智能方向发展。
不断丰富基础理论和开展应用研究、完善其技术的可靠性、开发智能性化工优化专家系统软件，对于我国的化工发展具有重要意义。
此外，模糊理论、小波变换、统计学方法和分形技术等信息处理方法和理论与神经网络的结合解决化工类问题，被认为是一种发展趋势。
参考文献[1]高大文，王鹏，蔡臻超.人工神经网络中隐含层节点与训练次数的优化[j].哈尔滨工业大学学报， 2003， 35（2）： 207-209.[2]苏碧瑶.人工神经网络的优化方法[j]. 科技资讯， 2011（30）： 239-240.[3]黄忠明，吴志红，刘全喜. 几种用于非线性函数逼近的神经网络方法研究[j]. 兵工自动化，2009， 28（10）： 88-92.[4]rengaswamy r， venkatasubramanian v. a fast training neural network and its updation for incipient fault detectionand diagnosis[j].computers and chemical engineering， 2000，（24）： 431-437.[5]黄道，宋欣.神经网络在化工过程故障诊断中的应用[j].控制工程，2006，（13）： 6-9.[6]李宏光，何谦.化工过程建模中的一类复合型模糊神经网络[j]. 计算机与应用化学，2000，17（5）： 399-402.[7]tsen a d， shi s j， wong d sh， etal. predictive control of quality in batch polymerization using a hybrid artificial neural network model[j]. aiche journal，1996， 42（2）：455-465.[8]谭民，疏松桂. 基于神经元网络的控制系统故障诊断[j]. 控制与决策， 1990（1）： 60-62.[9]赵武奇，殷涌光，仇农学. 基于神经网络和遗传算法的红景天苷缓释微囊制备过程建模与优化[j]. 西北农林科技大学学报（自然科学版）， 2006，34（11）： 106-110.[10] 范彩霞，梁文权，陈志喜. 人工神经网络预测氟比洛芬hpmc缓释片的药物释放[j]. 中国医药工业杂志， 2006， 37（10）：685-688.[11]prasad y， bhagwat s s. simple neural network models for prediction of physical properties of organic compounds[j].chemical engineering & technology， 2002， 25（11）： 1041-1046.[12]董新法，方利国，陈砺. 物性估算原理及计算机计算[m].北京：化学工业出版社， 2006.作者简介：杜蛟（1982-），男，河北邯郸人，硕士，讲师，研究方向：化工建模。