[发明专利]优化了辐照工艺参数的60Co‑γ射线辐照白酒方法

说明书

技术领域：

本发明涉及一种优化了辐照工艺参数的⁶⁰Co-γ射线辐照白酒方法。

背景技术：

白酒香味成分主要有酯类、酸类化合物等。酯类是具有芳香的化合物，在各种香型白酒中起着重要作用，酯是白酒中含量最多的香味成分之一。酸对各香味成分起协调、平衡作用，增加醇厚感，是味觉改变剂。目前⁶⁰Co-γ射线辐照加速白酒陈化的研究已有很多成果，但目前⁶⁰Co-γ射线辐照加速白酒陈化和对机理影响的因素较多，温度和⁶⁰Co-γ射线辐射处理的参数（辐照剂量、辐照剂量率等）等均与陈化效果有关，所以靠实验不断摸索出一套完整的⁶⁰Co-γ射线辐照催陈白酒最佳工艺不太现实，并且靠传统数学方法解决这种多输入多输出的非线性复杂系统模型非常困难。

在辐照工艺加工中常用回归法进行建模，但是需要一定的前提条件，如建模的数据满足独立、线性、正态、方差齐的条件。回归效果直接依赖模型是否合适，因此模型建立后，需要对模型基本假设的合理性加以检验。当应用非线性回归时，模型选择、预备分析、参数变换、初始值设定、参数求解，还有模型修正、比较与检验、收敛性与拟合的评估，都存在着很多难点和问题，直接影响到对非线性数据拟合的效果，甚至会影响到模型的建立。大量的研究表明，在⁶⁰Co-γ射线辐照加速白酒陈化的辐照工艺参数和白酒品质的主要参数之间存在着复杂的非线性关系，对于这种非线性关系目前尚无合适的模型可以借鉴，就使得应用传统非线性回归等方法建模时，在模型选择、初始值确定、参数变换求解、模型检验等方面存在确定困难，从而影响到非线性建模的效果。

现在辐照加工工艺参数优化大多使用的是遗传算法，但是遗传算法的编程实现比较复杂，首先需要对问题进行编码，找到最优解之后还需要对问题进行解码，另外三个算子的实现也有许多参数，如交叉率和变异率，并且这些参数的选择严重影响解的品质，而目前这些参数的选择大部分是依靠经验。

发明内容：

本发明的目的是提供一种优化了辐照工艺参数的⁶⁰Co-γ射线辐照白酒方法。

上述的目的通过以下的技术方案实现：

一种优化了辐照工艺参数的⁶⁰Co-γ射线辐照白酒方法，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⁶⁰Co-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⁶⁰Co-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；