Maschinelles Lernen zur Verbesserung der Effizienz der Weißtee-Extraktion mithilfe hybrider GMDH-Modelle in der mikroprozessgesteuerten Extraktion – Wissenschaftliche Berichte

Maschinelles Lernen zur Verbesserung der Effizienz der Weißtee-Extraktion mithilfe hybrider GMDH-Modelle in der mikroprozessgesteuerten Extraktion – Wissenschaftliche Berichte

"Optimierung der Extraktion von Phenolen aus weißen Teeblättern: Methodik, Analyse und Modellierung"

Die Kunst der Extraktion: Effizienzsteigerung durch Mikrowellenunterstützte Extraktion von Weißem Tee

In der Welt der Pflanzenextraktion hat sich die Mikrowellenunterstützte Extraktion (MAE) als eine innovative Methode etabliert, um die Ausbeute wertvoller Inhaltsstoffe zu maximieren. In diesem Blogbeitrag berichten wir über die Ergebnisse einer Studie zur Extraktion von weißen Teeblättern aus der Region Zabol, Iran, und zeigen, wie verschiedene Parameter die Effizienz dieser Methode beeinflussen können.

1. Pflanzliches Material

Die weißen Teeblätter wurden auf einem örtlichen Markt in Zabol erworben. Nach einer gründlichen Reinigung zur Entfernung von Oberflächenverunreinigungen wurden die Blätter in einer kontrollierten Umgebung getrocknet, um eine gleichmäßige Feuchtigkeitsentfernung zu gewährleisten. Anschließend wurden die getrockneten Blätter mit einem Laborzerkleinerer zu einem feinen Pulver gemahlen. Dieses Pulver wurde in geschlossenen Kunststoffbehältern gelagert, um optimale Bedingungen für die weitere Verwendung in der Mikrowellenunterstützten Extraktion (MAE) zu gewährleisten.

2. Chemikalien und Reagenzien

Für die Studie wurden handelsübliche analytische Chemikalien und Reagenzien verwendet, die keiner weiteren Reinigung bedurften. Die verwendeten Chemikalien und Reagenzien, darunter 2,2′-Diphenyl-1-pikrylhydrazyl (DPPH), Methanol und Folin-Ciocalteau-Phenolreagenz, wurden von Merck in Darmstadt, Deutschland, bezogen.

3. Mikrowellenunterstützte Extraktion (MAE)

Die MAE der weißen Teeblätter wurde mit einem Saft Milestone ETHOS SEL Laborsystem durchgeführt, das mit einer versiegelten 10-Gefäß-Kammer ausgestattet war. Im Versuch wurden vier wichtige Faktoren variiert: Mikrowellenleistung (100, 200 und 300 W), Extraktionszeit (10, 25 und 40 Minuten), Verhältnis von Tee zu Lösungsmittel (0,25, 0,375 und 0,5 g/10 mL) sowie Temperatur (35, 42,5 und 50 °C). Als Extraktionsmittel wurde Wasser ausgewählt. Nach der Extraktion wurden die Proben bei 7.000 U/min zentrifugiert und anschließend durch Whatman No. 1 Filterpapier filtriert. Die extrahierten Proben wurden sorgfältig in 10 ml Glasfläschchen transferiert und im Kühlschrank gelagert.

4. Bestimmung des Gesamtphenolgehalts

Der Gesamtphenolgehalt der Extrakte wurde mit der Folin-Ciocalteau-Methode ermittelt. Diese Methode ermöglicht es, den Gehalt an antioxidativen Verbindungen effizient zu messen. Durch die Messung der Absorption können wir den Gehalt an Phenolen in den Extrakten in Milligramm Gallicsäureäquivalenten pro Gramm Trockenextrakt bestimmen.

5. Radikalfängeraktivität gegen DPPH

Zur Beurteilung der Fähigkeit der Extrakte zur Radikalfängung wurde der DPPH-Test durchgeführt. Dieser Test misst, wie gut die Extrakte freie Radikale neutralisieren können, was eine wichtige Variable für die antioxidative Kapazität darstellt. Für den DPPH-Test wurden verschiedene Konzentrationen des Extrakts verwendet und die Absorption gemessen.

6. Statistische Analyse und Modellierung

In dieser Studie wurden 30 Experimente durchgeführt, um die Effizienz der MAE zu bewerten. Eingangsvariablen wie Leistung, Zeit, Lösungsmittelverhältnis und Temperatur wurden analysiert, um deren Einfluss auf den IC50-Wert und den Gesamtphenolgehalt zu verstehen. Anhand der statistischen Analyse wurden auch prädiktive Modelle entwickelt, um zukünftige Extraktionsprozesse zu optimieren.

7. Optimierung durch GMDH

Die Gruppe von Methoden zur Datenverarbeitung (GMDH) und deren Verbesserung mithilfe genetischer Algorithmen (GMDH-GA) und harmonischer Suche (GMDH-HS) wurden implementiert, um optimale Vorhersagemodelle für den Extraktionsprozess zu konstruieren. Durch die Kombination von neuronalen Netzwerken und fortschrittlichen Algorithmen konnten genaue Vorhersagen erzielt werden, die die Effizienz der MAE weiter steigern.

Fazit

Die Ergebnisse dieser Studie zeigen, wie durch gezielte Anpassungen der Extraktionsbedingungen mittels MAE der Gesamtphenolgehalt und somit die antioxidativen Eigenschaften von weißen Teeblättern signifikant verbessert werden können. Die Verwendung moderner Technologien zur Datenanalyse und Modellierung ermöglicht eine effektive Optimierung von Extraktionsprozessen in der Lebensmittelindustrie und der Pharmazie.

Bleiben Sie dran für weitere Einblicke in die faszinierende Welt der Pflanzenextraktion und ihre Anwendungen!