[发明专利]优化了辐照工艺参数的60Co‑γ射线辐照白酒方法

权利要求书

1.一种优化了辐照工艺参数的 ⁶⁰ Co-γ射线辐照白酒方法，其特征是：该方法包括如下步骤：

步骤 1：选择150 公斤52 度液态酿造的白酒作为照射样本；

步骤 2：取 500 毫升塑料瓶 50 个作为辐照样品的封装工具；

步骤 3：将白酒分别倒入塑料瓶中封装好作为辐照样本；

步骤4：利用 Unidos.E通用剂量仪进行辐照场剂量测定，确定不同辐照空间场的剂量粗略分布情况；

步骤 5：将5 个编号的辐照样本作为一组，在每个样本表面放置重铬酸银进行剂量跟踪，放置不同剂量率的辐照场上，记下此时的辐照场的辐照环境温度；所采用的辐照场是环形放射源，辐照场呈圆形分布，在辐照场中剂量率在 50Gy/h~100Gy/h 分布，且分布均匀；辐照场中环境温度范围在 15℃ ~22℃范围内，辐照剂量是10KGy 以下；

步骤6：按照实验步骤5中相同的实验方法将剩下的45个未辐照的白酒样本分成9组，每组 5 个编号的辐照样本进行辐照，同时记录温度；

步骤 7：利用紫外可见分光光度计 GS54 检测每组辐照样本的重铬酸银，进行辐照剂量检测；

步骤 8：检测 50 个辐照样本的总酸、总酯指标；

步骤 9：利用辐照后的样本进行数据分析，选取白酒理化指标变好的样本数据作为下一次白酒辐照的参考值；

步骤 10：重复步骤 2 至步骤 9 ；

步骤 11：将实验步骤 10 得到的样本数据作为基础数据，选取其中的 45 组数据作为数学模型的训练数据，通过 MATLAB 软件，利用贝叶斯正则化 BP 神经网络算法，建立不同剂量⁶⁰ Co-γ射线对白酒品质的影响规律模型；

步骤 12：选取剩下的五组数据作为检验数据，输入到训练好的数学模型中去，检验利用贝叶斯正则化BP神经网络算法建立不同剂量⁶⁰ Co-γ射线对白酒品质的影响规律模型的实际误差大小；

步骤 13：将实验步骤 12 得到的样本数据作为基础数据，选取其中的 4 组数据作为辐照工艺参数优化检验数据，通过 MATLAB 软件，利用粒子群算法对相应辐照工艺参数进行优化，通过 Labview 软件实现可视化；

步骤 14：将优化后的 4 组数据做为辐照工艺参数进行白酒辐照，利用 7、8 步骤的检测方法得到 4 组白酒理化指标实际的数据，将仿真优化的 4 组辐照数据与实际得到 4 组白酒理化指标对比，检验误差大小；

步骤 15：通过步骤 14 得到的 4 组数据误差结果得到，辐照后检测白酒中总酸、总酯为理化指标数据与仿真预测数据比较，精确度可达到 0.001，表明通过此模型可确定⁶⁰ Co-γ射线提升白酒品质的最佳辐照工艺。

2.根据权利要求 1 所述的优化了辐照工艺参数的⁶⁰ Co-γ射线辐照白酒方法，其特征是：进行辐照剂量检测时，选用重铬酸银剂量计作为样品辐照时的跟踪剂量计，重铬酸银剂量使用紫外可见分光光度计GS54 检测，使用过程中分光光度计K 值易发生变化，对其必须标定，标定方法为选用低量程剂量计刻度紫外线分光光度计K值，与计算得到的理论值比较，进行 K 值校正，数据如下表 1 所示：

表 1

。

3.根据权利要求 1 或 2 所述的优化了辐照工艺参数的 ⁶⁰ Co-γ射线辐照白酒方法，其特征是：所述的利用贝叶斯正则化 BP 神经网络算法如下：

BP 神经网络模型参数的设定：针对辐照工艺参数和白酒品质有一定规律的研究，为建立彼此之间非线性映射模型，对网路的参数设置如下：

（1）样本的选取和预处理：样本的选取：从辐照工艺参数和白酒品质关系上研究实际辐照中能够考虑的辐照参数和白酒检验的国家标准规定的理化指标的需要，选定辐照工艺参数为剂量、剂量率、温度和白酒中总酸、总酯为理化指标，故选取剂量、剂量率、温度作为输入层神经元；选择白酒中总酸、总酯理化指标作为输出神经元，建立输出神经元数为 2 的神经网络模型；

样本的规范化处理：由于衡量的指标各不相同，原始样本各个分量数量级有很大的差异，这就需要对样本进行规范化处理；对于数据处理应用规格化函数，使所有输入、输出样本规范到 [-1，1] 的范围内；

（2）权和阈值初始值域的确定较小的初始值域更有利于权值均匀地随机初始，因而权的初值域取（-0.05，0.05），对初始权值在初值域取（-0.05，0.05）内采用重复试验的方法，通过比较拟合效果，确定最佳初始权值；

（3）网络拓扑结构的确定：

隐层数目的确定：确定应用 1 个隐层的网络；

隐层单元数目的确定：采用“试错法”进行确定，并确定为 6 个；

（4）迭代停止标准模型建立时，设置最大的循环迭代为 5000；循环次数超过 5000 次仍未达到迭代停止标准，则表明实验失败，收敛目标允许有误差，在网络输出和样本之间的差小于给定的误差范围，则停止对网络权值的修正；采用对网络学习宽容的做法，可加快网络的学习速度；采用自适应的方法，在允许误差在训练开始时取大点，然后随着训练逐渐减少，设定收敛误差为 0.001 ；

辐照工艺参数和与白酒品质参数之间建立 BP 神经网络模型：网络中各参数的设定为：输入层单元数目为 3，输出层单元数目为 2，隐层单元数目 1，学习算法选择“用贝叶斯正则化BP 人工神经网络算法”，网络收敛目标设定为 10^-3。