[發(fā)明專利]人工智能預(yù)測活性成分動態(tài)溶解度的方法、設(shè)備及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201910991714.6
• 申請日: 2019-10-18
• 公開（公告）號: CN110766156A
• 公開（公告）日: 2020-02-07
• 發(fā)明（設(shè)計(jì)）人: 王昊昱;曹兆洋;王中彥;覃寧遠(yuǎn)
• 申請（專利權(quán)）人: 王昊昱;曹兆洋;王中彥
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06Q10/04;G01N13/00
• 代理公司: 34158 合肥方舟知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)
• 代理人: 朱榮

1.人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，包括以下步驟：

S1：任意選擇一個(gè)影響活性成分化合物溶解度因素中的數(shù)據(jù)作為變量數(shù)據(jù)，在其他影響因素不變的情況下，通過多組實(shí)驗(yàn)得到溶解度數(shù)據(jù)，將變量數(shù)據(jù)與相對應(yīng)的溶解度數(shù)據(jù)作為平行樣本實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

S2：將新的活性成分的變量數(shù)據(jù)作為輸入變量輸入步驟S1訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型中，通過步驟S1訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型計(jì)算出預(yù)測數(shù)據(jù)，再利用導(dǎo)出公式進(jìn)行修正預(yù)測出活性成分化合物的溶解度曲線。

2.根據(jù)權(quán)利要求1所述的人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，所述步驟S2中，導(dǎo)出公式的計(jì)算式：

y＝m+3k(x-n)-3k²(x-n)²+k³(x-n)³,當(dāng)時(shí)，y＝Cs；

其中n為物料投放后，外界影響活性成分進(jìn)行模型內(nèi)溶出的時(shí)間校正系數(shù)；k為常數(shù)；m為潤濕過程中，速度變量的校正系數(shù)；Cs為活性成分的溶解度；x為取樣時(shí)間。

3.根據(jù)權(quán)利要求2所述的人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，所述步驟S1中，建立神經(jīng)網(wǎng)絡(luò)模型的梯度平行樣本實(shí)驗(yàn)數(shù)據(jù)不少于4個(gè)，取建立神經(jīng)網(wǎng)絡(luò)模型的平行樣本實(shí)驗(yàn)數(shù)據(jù)中的溶出時(shí)間作為x，該時(shí)間點(diǎn)上的溶出量作為y，將導(dǎo)出公式以及x、y的數(shù)據(jù)矩陣輸入至curve fitting模型中，得出參數(shù)m、n、k的值，所述溶解度的影響因素包括活性成分理化常數(shù)，溶出儀槳的轉(zhuǎn)速、溶出儀槳的形狀，溶出儀轉(zhuǎn)籃的轉(zhuǎn)速，溶出儀轉(zhuǎn)籃的形狀、溶出介質(zhì)的理化常數(shù)，溶出杯的形狀，溶出時(shí)間。

4.根據(jù)權(quán)利要求3所述的人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，在輸入x、y的數(shù)據(jù)矩陣至curve fitting模型中時(shí)，先設(shè)定標(biāo)準(zhǔn)值，curve fitting模型會自動計(jì)算x、y數(shù)據(jù)矩陣與其他的實(shí)驗(yàn)數(shù)據(jù)的x、y數(shù)據(jù)矩陣的標(biāo)準(zhǔn)差或方差，標(biāo)準(zhǔn)差或方差超過設(shè)定的標(biāo)準(zhǔn)值，則自動將數(shù)據(jù)清除。

5.根據(jù)權(quán)利要求4所述的一種利用人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，所述步驟S1中，將平行樣本實(shí)驗(yàn)數(shù)據(jù)中的變量數(shù)據(jù)作為輸入值，溶解度作為輸出值，根據(jù)神經(jīng)網(wǎng)絡(luò)邏輯進(jìn)行訓(xùn)練，不斷修正神經(jīng)網(wǎng)絡(luò)邏輯的權(quán)值和閾值，完成神經(jīng)網(wǎng)絡(luò)模型的建立。

6.根據(jù)權(quán)利要求5所述的人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型選擇BP神經(jīng)網(wǎng)絡(luò)模型或RBF神經(jīng)網(wǎng)絡(luò)模型中的一種。

7.根據(jù)權(quán)利要求6所述的人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，采用n個(gè)平行樣本實(shí)驗(yàn)數(shù)據(jù)分別建立BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型，其中，n不小于4，將第n+1個(gè)平行樣本實(shí)驗(yàn)數(shù)據(jù)的變量數(shù)據(jù)分別輸入BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型中，再利用導(dǎo)出公式得出預(yù)測數(shù)據(jù)，將預(yù)測數(shù)據(jù)與第n+1個(gè)平行樣本實(shí)驗(yàn)數(shù)據(jù)的實(shí)際數(shù)據(jù)進(jìn)行比較，選出誤差較小的神經(jīng)網(wǎng)絡(luò)模型。

8.根據(jù)權(quán)利要求7所述的人工智能預(yù)測活性成分動態(tài)溶解度的方法，其特征在于，將經(jīng)過BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型，再利用導(dǎo)出公式得出預(yù)測數(shù)據(jù)分別與平行樣本實(shí)驗(yàn)數(shù)據(jù)的實(shí)際數(shù)據(jù)計(jì)算方差，選擇方差較小的神經(jīng)網(wǎng)絡(luò)模型。