[發明專利]優化了輻照工藝參數的60Co?γ射線輻照白酒方法

有效

• 申請號: 201410395550.8
• 申請日: 2014-08-13
• 公開（公告）號: CN104182572B
• 公開（公告）日: 2017-05-03
• 發明（設計）人: 蔣繼成;張麗芳;張曉東;李志超;王世剛;衛光;苗靜;紀東清;王強;梁爽;張楠;李志剛
• 申請（專利權）人: 黑龍江省科學院技術物理研究所
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 哈爾濱東方專利事務所23118
• 代理人: 陳曉光

1.一種優化了輻照工藝參數的 ⁶⁰ Co-γ射線輻照白酒方法，其特征是：該方法包括如下步驟：

步驟 1：選擇150 公斤52 度液態釀造的白酒作為照射樣本；

步驟 2：取 500 毫升塑料瓶 50 個作為輻照樣品的封裝工具；

步驟 3：將白酒分別倒入塑料瓶中封裝好作為輻照樣本；

步驟4：利用 Unidos.E通用劑量儀進行輻照場劑量測定，確定不同輻照空間場的劑量粗略分布情況；

步驟 5：將5 個編號的輻照樣本作為一組，在每個樣本表面放置重鉻酸銀進行劑量跟蹤，放置不同劑量率的輻照場上，記下此時的輻照場的輻照環境溫度；所采用的輻照場是環形放射源，輻照場呈圓形分布，在輻照場中劑量率在 50Gy/h~100Gy/h 分布，且分布均勻；輻照場中環境溫度范圍在 15℃ ~22℃范圍內，輻照劑量是10KGy 以下；

步驟6：按照實驗步驟5中相同的實驗方法將剩下的45個未輻照的白酒樣本分成9組，每組 5 個編號的輻照樣本進行輻照，同時記錄溫度；

步驟 7：利用紫外可見分光光度計 GS54 檢測每組輻照樣本的重鉻酸銀，進行輻照劑量檢測；

步驟 8：檢測 50 個輻照樣本的總酸、總酯指標；

步驟 9：利用輻照后的樣本進行數據分析，選取白酒理化指標變好的樣本數據作為下一次白酒輻照的參考值；

步驟 10：重復步驟 2 至步驟 9 ；

步驟 11：將實驗步驟 10 得到的樣本數據作為基礎數據，選取其中的 45 組數據作為數學模型的訓練數據，通過 MATLAB 軟件，利用貝葉斯正則化 BP 神經網絡算法，建立不同劑量⁶⁰ Co-γ射線對白酒品質的影響規律模型；

步驟 12：選取剩下的五組數據作為檢驗數據，輸入到訓練好的數學模型中去，檢驗利用貝葉斯正則化BP神經網絡算法建立不同劑量⁶⁰ Co-γ射線對白酒品質的影響規律模型的實際誤差大小；

步驟 13：將實驗步驟 12 得到的樣本數據作為基礎數據，選取其中的 4 組數據作為輻照工藝參數優化檢驗數據，通過 MATLAB 軟件，利用粒子群算法對相應輻照工藝參數進行優化，通過 Labview 軟件實現可視化；

步驟 14：將優化后的 4 組數據做為輻照工藝參數進行白酒輻照，利用 7、8 步驟的檢測方法得到 4 組白酒理化指標實際的數據，將仿真優化的 4 組輻照數據與實際得到 4 組白酒理化指標對比，檢驗誤差大小；

步驟 15：通過步驟 14 得到的 4 組數據誤差結果得到，輻照后檢測白酒中總酸、總酯為理化指標數據與仿真預測數據比較，精確度可達到 0.001，表明通過此模型可確定⁶⁰ Co-γ射線提升白酒品質的最佳輻照工藝。

2.根據權利要求 1 所述的優化了輻照工藝參數的⁶⁰ Co-γ射線輻照白酒方法，其特征是：進行輻照劑量檢測時，選用重鉻酸銀劑量計作為樣品輻照時的跟蹤劑量計，重鉻酸銀劑量使用紫外可見分光光度計GS54 檢測，使用過程中分光光度計K 值易發生變化，對其必須標定，標定方法為選用低量程劑量計刻度紫外線分光光度計K值，與計算得到的理論值比較，進行 K 值校正，數據如下表 1 所示：

表 1

。

3.根據權利要求 1 或 2 所述的優化了輻照工藝參數的 ⁶⁰ Co-γ射線輻照白酒方法，其特征是：所述的利用貝葉斯正則化 BP 神經網絡算法如下：

BP 神經網絡模型參數的設定：針對輻照工藝參數和白酒品質有一定規律的研究，為建立彼此之間非線性映射模型，對網路的參數設置如下：

（1）樣本的選取和預處理：樣本的選取：從輻照工藝參數和白酒品質關系上研究實際輻照中能夠考慮的輻照參數和白酒檢驗的國家標準規定的理化指標的需要，選定輻照工藝參數為劑量、劑量率、溫度和白酒中總酸、總酯為理化指標，故選取劑量、劑量率、溫度作為輸入層神經元；選擇白酒中總酸、總酯理化指標作為輸出神經元，建立輸出神經元數為 2 的神經網絡模型；

樣本的規范化處理：由于衡量的指標各不相同，原始樣本各個分量數量級有很大的差異，這就需要對樣本進行規范化處理；對于數據處理應用規格化函數，使所有輸入、輸出樣本規范到 [-1，1] 的范圍內；

（2）權和閾值初始值域的確定較小的初始值域更有利于權值均勻地隨機初始，因而權的初值域取（-0.05，0.05），對初始權值在初值域取（-0.05，0.05）內采用重復試驗的方法，通過比較擬合效果，確定最佳初始權值；

（3）網絡拓撲結構的確定：

隱層數目的確定：確定應用 1 個隱層的網絡；

隱層單元數目的確定：采用“試錯法”進行確定，并確定為 6 個；

（4）迭代停止標準模型建立時，設置最大的循環迭代為 5000；循環次數超過 5000 次仍未達到迭代停止標準，則表明實驗失敗，收斂目標允許有誤差，在網絡輸出和樣本之間的差小于給定的誤差范圍，則停止對網絡權值的修正；采用對網絡學習寬容的做法，可加快網絡的學習速度；采用自適應的方法，在允許誤差在訓練開始時取大點，然后隨著訓練逐漸減少，設定收斂誤差為 0.001 ；

輻照工藝參數和與白酒品質參數之間建立 BP 神經網絡模型：網絡中各參數的設定為：輸入層單元數目為 3，輸出層單元數目為 2，隱層單元數目 1，學習算法選擇“用貝葉斯正則化BP 人工神經網絡算法”，網絡收斂目標設定為 10^-3。