| Abstract | Cilj ovog rada bio je ispitati utjecaj temperature, otapala, brzine miješanja, vremena ekstrakcije i omjera tekuće i krute faze na fizikalna (vodljivost, TDS, pH, suha tvar) i kemijska (ukupni polifenoli, antioksidacijska aktivnost određena DPPH i FRAP metodama) svojstva ekstrakata industrijske konoplje. Optimiranje procesa klasične ekstrakcije provedeno je metodom odzivnih površina (RSM), zajedno sa Box-Behnken dizajnom (BBD). Prema metodi odzivnih površina, optimalni uvjeti ekstrakcije bili su sljedeći: temperatura 45 °C, omjer tekuće i krute faze 30 mL g-1, vrijeme ekstrakcije 25 min, brzina miješanja 500 rpm, udio etanola u vodi 25 %. Razvijeni su modeli višestruke linearne regresije, nelinearne regresije i lokalne linearne regresije, kao i umjetne neuronske mreže, za predviđanje fizikalno-kemijskih svojstava pripremljenih ekstrakata konoplje, na temelju procesnih parametara klasične ekstrakcije. Na temelju dobivenih koeficijenata determinacije, utvrđeno je kako se modeli lokalne linearne regresije mogu primijeniti za predviđanje fizikalno-kemijskih svojstava ekstrakata konoplje, za razliku od modela linearne i nelinearne regresije. Rezultati dobiveni primjenom umjetnih neuronskih mreža pokazali su se najpouzdanijim za predviđanje antioksidacijske aktivnosti određene DPPH metodom (R2 = 0,978). |
| Abstract (english) | The aim of this study was to investigate the influence of temperature, solvent, mixing speed, extraction time and liquid to solid ratio on physical (conductivity, total dissolved solids, pH, dry matter) and chemical (total polyphenols, antioxidant activity determined by DPPH and FRAP methods) properties of hemp extracts. Classical extraction process was optimized using Response Surface Methodology (RSM) coupled with Box-Behnken design (BBD). According to RSM, the optimal extraction conditions were as follows: T = 45 °C, liquid to solid ratio 30 mL g-1, extraction time 25 min, mixing speed 500 rpm, ethanol content 25 %. Based on the extraction process parameters, multiple linear regression, nonlinear regression, piecewise linear regression and artificial neural networks models were developed for prediction of physical-chemical characteristics of hemp extracts. According to calculated determination coefficients, piecewise regression could be applied for prediction of physical and chemical characteristics of hemp extracts, unlike linear and nonlinear models. The results obtained using artificial neural networks have proven to be the most reliable for the prediction of antioxidant activity determined by DPPH method (R2 = 0.978). |
