تحقیق در مورد بررسی بازار استخراج داده ها

اختصاصی از سورنا فایل تحقیق در مورد بررسی بازار استخراج داده ها دانلود با لینک مستقیم و پر سرعت .

فرمت فایل :word (لینک دانلود پایین صفحه) تعداد صفحات 88صفحه

بیائید بازار استخراج داده ها را از نقطه نظر منحنی اقتباسی تکنولوژی در نظر بگیریم ایمنی به اقتباس کنندگان اولیه ، از تکنولوژی لبة یادگیری برای دستیابی به مزیت رقابتی استفاده می‌کنند ؛ هنگامیکه تکنولوژی تکامل می‌یابد ، شرکتهای بیشتری آن را اقتباس می‌کنند ، و در یک حالت تجارت زمانی و عادی درج می‌نمایند . همچنین مناطق عملی بودن ابزاهای استخراج داده ها بزرگتر و بزرگتر می‌شوند. به عنوان مثال ، تکنولوژی وایت اوک ( یک شرکت استخراج داده ها در مریلند)  از جانب کمیسیون فدرال الکترون، مجوز فروش سیستم گچین ماینر Capain Miner را کسب کرده است که بی نظمی‌در دخالتهای سیاسی فدرال را کشف می‌کند . نورتل، یک بسته کشف کلاهبرداری را توسعه داده است به نام سوپر اسلوت فراود ادوایسور ، که از تکنولوژیهای شبکة عصبی استفاده می‌کند .

صنعت ابزار استخراج داده ها ، برخلاف تکنولوژیهای استخراج داده ها ، در مرحلة عدم تکامل قرار دارد و می‌کوشد تا بازار را تعیین نماید . و وجودش را تائید کند . به همین دلیل است که در می‌یابیم بازار ابزارهای استخراج داده ها تحت تاثیر موارد زیر قرار دارد:

• qادغام پیوسته و مداوم ابزارها با اتکاء به تکنولوژیهای مکمل و به عنوان مثال OLAP
• q ظهور کاربردهای بسته بندی شدة عمودی و یا اجزاء استخراج داده ها برای توسعة کاربرد .
• q استراتژیهای بسیار اقتباس شده شرکت بین فروشندگان ابزار استخراج داده ها و فروشندگان تهیه کنندگان راه حل جامع و ادغام کننده های سیستم ها : فروشندگان مقیاس مؤسسه ، همانند IBM NCR ، اوراکل ، میکروسافت ) به عنوان مثال ، اوراکل چندین شریک متعدد استخراج داده ها به عنوان بخشی از او را کل ویرهاوس اینتیشیتیو از جمله آنگاسن دیتا مایند ، دیتاپکیج اینفورمیشن دیسکاوری ، SRA , SPSS اینترنشنال و تینکینگ ماشینز را انتخاب کرده است .

دانلود مقاله کامل درباره استخراج کلروفیل ها (رنگینه) از برگ

اختصاصی از سورنا فایل دانلود مقاله کامل درباره استخراج کلروفیل ها (رنگینه) از برگ دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 18

استخراج کلروفیل ها (رنگینه) از برگ

کلروفیلها رنگیزه‌های سبز و فعال فتوسنتزی موجود در کلروپلاست هستند که به انواع متنوع a ، b ، c ، d و e تقسیم بندی شده‌اند.

مقدمه :

رنگ سبز گیاهان ، رنگ برخی از جلبکها و باکتریها (قهوه‌ای ، قرمز و بنفش) به نوع واکنشهای فتوسنتزی آنها وابسته است. رنگدانه‌های مسئول این رنگها در این موجودات عامل اصلی جذب انرژی نور خورشیدند. مهمترین این رنگدانه‌ها در فتوسنتز سبزینه (کلرفیل) موجود در گیاهان سبز است. کلروفیل در واقع پورفیرینهای منیزیم است که ساختارشان با پورفیرینهای آهن‌دار تفاوت دارد. این ساختار شامل دو بخش است: یک بخش سر که همان پورفیرین منیزیم‌دار است و یک بخش دم که از زنجیره هیدروکربنی آب‌گریز ساخته شده است. این زنجیره فیتول نیز نامیده می‌شود.در گیاهان ، انواع مختلف کلروفیل وجود دارد که بر حسب ساختارشان به نام کلروفیلهای a ، b ، c و غیره نامگذاری شده‌اند. در گیاهان عالی معمولا دو نوع کلروفیل a و b وجود دارد که ساختار مشابهی دارند و تفاوتشان در گروه R آنهاست. اگر R یک گروه متیل (CH3) باشد، کلروفیل از نوع a و اگر عامل فرمیل (CHO) باشد کلروفیل از نوع b است هر دو کلروفیل a و b نور مرئی را در طول موج مشخصی بین 700 - 400 نانومتر جذب می‌کنند.

انواع کلروفیل در گیاهان

تمام گیاهان فتوسنتز کننده دارای کلروفیل a هستند ولی وجود کلروفیلهای کمکی (فرعی) مثل b ، c و d بستگی به نوع گیاه دارد. مثلا در گیاهان عالی معمولا کلروفیل b دیده می‌شود. در حالی که در جلبکهای سبز- آبی و قهوه‌ای و سرخ این کلروفیل وجود ندارد. رنگیزه‌های کلروفیل موجود در باکتریهای فتوسنتز کننده را باکتریو کلروفیل می‌نامند و دو نوع a و b از آن یافت می‌شود.

نسبت انواع کلروفیلها در گیاهان

در بیشتر گیاهان نسبت کلروفیل a به کلروفیل b بر حسب شدت نور که بر گیاه می‌تابد تغییر می‌کند. مثلا میانگین این نسبت در گیاهان آلپی (گیاهان گروههای آلپ) که در معرض نور شدید هستند حدود 5/5 است در صورتی که در گیاهان سایه پسند و گریزان از نور این نسبت 3/2 است.

طیف جذبی کلروفیلها

اگر نور تک رنگی به طول موجهای مختلف حاصل از منشوری را روی برگ سبزی بتابانیم و شدت فتوسنتز را در طول موجهای مختلف اندازه بگیریم، معلوم می‌شود که تاثیر نور آبی (با طول موجی نزدیک به 420 نانومتر) و نور سرخ (با طول موجی نزدیک به 680 - 670 نانومتر) به حد بیشینه بوده و تاثیر نور سبز با ( طول موجی حدود 600 - 500 نانومتر) به حد کمینه است. این طیف کنشی در رابطه با طول موج در مورد کلروفیل که رنگیزه عمده کلروپلاست در گیاهان است ظاهرا با خواص جذبی یا ، به عبارت بهتر طیف جذبی نور ارتباط دارد.زیرا کلروفیل وقتی از برگ استخراج می‌شود دقیقا همان طول موجهایی را که به بیشترین وجه در فتوسنتز موثرند به مقدار زیاد جذب می‌کند. از مقایسه طیف جذبی رنگیزه‌های کلروفیل با طیف کنشی آن معلوم می‌شود که کلروفیلهای a و b و کارتنوئیدها در جذب نور برای فتوسنتز دخالت دارند. بعضی از این رنگیزه‌ها تنها نقش گیرنده انرژی نوری را ایفا می‌کنند و بطور غیر مستقیم با انتقال انرژی خود به رنگیزه‌های اصلی که مستقیما در تبدیل انرژی نوری به انرژی شیمیایی عمل می‌کنند نقش کمکی دارند. طیف کنشی

طیف کنشی عبارتست از دامنه عمل رنگیزه مسئول واکنش نور شیمیایی که با اندازه‌گیری سرعت واکنش نور شیمیایی و در طول موجهای متفاوت و رسم منحنی آن بدست می‌آید.

رابطه بین طیف جذبی کلروفیلها با ترکیب شیمیایی آنها

محلول خالص کلروفیل a آبی مایل به سبز و محلول کلروفیل b سبز متمایل به زرد است. طیف جذبی کلروفیل a با b تفاوت دارد و بر حسب نوع پروتئینی که با آنها ترکیب شده است تغییر می‌کند. طیف جذبی باکتریو کلروفیل نیز دارای دو نقطه بیشینه جذب یکی از ناحیه نور آبی و دیگری در فرو سرخ است که اوج

پاورپوینت در مورد استخراج در صنایع غذایی 34 اسلاید

اختصاصی از سورنا فایل پاورپوینت در مورد استخراج در صنایع غذایی 34 اسلاید دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل: PowerPoint (قابل ویرایش و آماده پرینت)

 تعداد اسلاید34

üاستخراج در صنایع غذایی به معنای لغوی استحصال و خارج کردن است.

üدر فرآوری مواد غذایی را فراهم می کنیم که واکنش های معین انجام شود و محصول به بهترین وجه تولید شود. خارج کردن برخی فاکتورهای خاص به منظور پیشبرد واکنش های اصلی در صنایع غذایی اهمیت دارد.

ü

لینک دانلود  کمی پایینتر میباشد

مفاله در مورد روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی 17 ص

اختصاصی از سورنا فایل مفاله در مورد روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی 17 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

/

Islamic Azad University of Mashhad

Faculty of Engineering

Department of Computer Engineering-Artificial Intelligence

Pattern Recognition

Fifth Report

Feature Extraction

Presenter:

Seyed Majid Ghafouri

[e-mail]

Supervisor:

Dr. Rahati

1386/11/4

1) چکیده:

در این تمرین روش های استخراج ویژگی و روش های خطی و غیر خطی دسته بندی را مورد مطالعه قرار می‌دهیم. در ابتدا روش های مختلف استخراج ویژگی که از آن جمله PCA، LDA، روش قاب بندی و چند روش دیگر هستند را و سپس برای ویژگی های استخراج شده از روش های دسته بندی خطی بیزین و SVM خطی و سپس روش های غیر‌خطی RBF ، MLP و همچنین SVM غیر‌خطی برای دسته بندی استفاده شده‌ است. بسته به روش شناسایی بکار گرفته شده، معمولا ویژگی های متفاوتی از دنباله نقاط استخراج می شود. در اکثر روش های موجود استخراج ویژگی، ویژگی ها از روی مختصات نقاط نمونه برداری شده ورودی استخراج می شوند. از مجموعه ی ویژگی های استخراج شده معمولاً تعدادی مفید تر و موثرترند. ما برای تشخیص و انتخاب ویژگی های تاثیرگذارتر از یک الگوریتم ژنتیک استفاده کرده ایم. اما پس از استخراج و انتخاب ویژگی ها نوبت به دسته بندی می رسد. در ابتدا از چند دسته بند خطی استفاده کرده ایم. به راحتی می‌توان نشان داد که ناحیه‌های تصمیم‌گیری یک ماشین خطی محدودند و این محدودیت انعطاف‌پذیری و دقت دسته‌بند را کاهش می‌دهد. مسایل بسیاری وجود دارد که توابع جداساز خطی برای داشتن حداقل خطا در آنها کافی نیستند. علاوه بر این مرزهای تصمیم‌گیری که کلاسها را از یکدیگر تفکیک می‌کنند ممکن است همیشه خطی نباشند و پیچیدگی مرزها گاهی اوقات نیاز به استفاده از سطح‌های کاملاً غیر خطی را دارند. بنابراین در ادامه ی کار از چند دسته بند غیرخطی نیز استفاده نمودیم. در استفاده از شبکه‌های عصبی چندلایه، شکل غیر خطی بودن از مجموعه‌ی آموزش فرا گرفته می‌شود. در روشهای RBF و SVM غیرخطی مشکل اصلی انتخاب توابع هسته غیر خطی مناسب است.

2) مقدمه

اولین الگوریتم دسته‌بندی در سال 1936 توسط Fisher ارایه شد و معیارهای آن برای بهینه بودن، کم کردن خطای دسته‌بندی کننده‌های الگو‌های آموزشی بود. بسیاری از استراتژی‌های موجود نیز از همین روش پیروی می‌کنند. در ساده‌ترین شکل ممکن، دسته بند‌های خطی می‌توانند دو دسته‌ی متفاوت را تفکیک کنند. با توجه به این موضوع مساله‌ای را جدایی‌پذیر خطی می‌نامند که با یک ابرصفحه بتوان محدوده‌ی تصمیم را به دو گروه تقسیم‌بندی کرد. در عمل می‌توان دسته بند‌های خطی‌ای را طراحی کرد که بیش از دو گروه را از هم تفکیک کنند. این عمل را با تنظیم محدوده‌های تصمیم متعدد و آزمون‌های چندگانه بر اساس شرایط موجود می‌توان انجام داد. ما در این مساله یک دسته بندی با 26 کلاس را داریم.

در روش بیزین احتمال شرطی تعلق بررسی می‌شود. به این ترتیب که الگوی مورد نظر به دسته‌ای تخصیص داده می‌شود که احتمال شرطی تعلق بردار مشخصه‌ی الگو به آن دسته ازتمام دسته‌های دیگر بیشتر باشد. روش بیزین به طور کلی می تواند برای کارایی بسیار مطلوب بهینه شوند. این روش مزایای دیگری نیز دارد که استفاده‌ی از آن را توجیه می‌کند. این روش می‌تواند با چند فرض ساده در مورد داده‌ها کاملاً به شکل روشهای ساده‌ی خطی عمل کند، به علاوه این کار می‌تواند به گونه‌ای انجام شود که در پایان، مدل قطعی بدون هیچ گونه رجوع به آمار به دست آید. در روش بیزین مشکل کار تعریف احتمالات شرطی مورد نظر قاعده‌ی بیز است.

یک محقق روسی به نام Vladimir Vapnik در سال 1965 گام مهمی در طراحی دسته‌بندها برداشت [1] و نظریه‌ی آماری یادگیری را بصورت مستحکم‌تری بنا نهاد و ماشین بردار پشتیبان را ارایه کرد. ماشین‌های بردار پشتیبان در دو حالت جدایی‌پذیر و جدایی‌ناپذیر برای دسته‌بندی الگوهای یک مساله‌ی چندکلاسه از چند مرز جداکننده‌ی خطی یا ابرصفحه استفاده می‌کنند و در واقع حاصلضرب داخلی بردار ورودی با هر یک از بردارهای پشتیبان در فضای d بعدی ورودی محاسبه می‌شود. Vapnik نشان داد که می‌توان بردار ورودی را با یک تبدیل غیرخطی به یک فضای با بعد زیاد انتقال داد و در آن فضا حاصلضرب داخلی را بدست آورد که با این شرایط هسته‌ی مفیدی را خواهیم داشت.

روش RBF یک دسته‌بندی و تقریب‌ساز تابعی الگوست و شامل دو لایه می‌باشد که نرون‌های خروجی ترکیبی خطی از توابع پایه‌ای را به وجود می‌آورند که توسط نرون‌های لایه‌ی پنهان محاسبه شده‌اند. زمانی که ورودی در ناحیه‌ی تعیین شده‌ی کوچک از فضای ورودی قرار گیرد، توابع اساسی(غیر خطی) در لایه‌ی پنهان، پاسخ غیر صفری به محرک ورودی می‌دهند. همچنین این مدل به عنوان یک شبکه‌ی دریافت‌کننده‌ی ناحیه‌ای شناخته شده است. ما در روش RBF از معمول‌ترین تابع هسته‌ی غیر خطی یعنی سیگموئید استفاده کرده‌ایم.

به طور کلی شبکه‌های پرسپترون چند‌لایه شامل چندین پرسپترون ساده هستند که به طور ساختار سلسله‌مراتبی، یک شکل پیش‌خورد با یک و یا چند لایه‌ی میانی (لایه‌های پنهان) بین لایه‌های ورودی و خروجی را شکل می‌دهد. تعداد لایه‌ی پنهان و تعداد نرون‌های هر لایه ثابت نیستند. هر لایه ممکن است از نرون‌های مختلفی تشکیل شده باشد که این موضوع به کار آنها بستگی دارد. الگوریتم‌های آموزشی متفاوتی در روش چند لایه استفاده می‌شوند.

3) روشهای به کار رفته در این گزارش

در این قسمت روشهای استخراج ویژگی، روشهای انتخاب ویژگی ها جهت بهینه کردن آنها و کم کردن ابعاد مساله با کاهش تعداد آنها و روشهای دسته‌بندی (خطی و غیرخطی) به کار رفته بررسی شده‌اند.

3-1) روشهای استخراج ویژگی

در این قسمت انواع روشهای استخراج ویژگی ها ذکر شده است. ذکر این نکته لازم است که برخی الگوریتم های استخراج برای انتخاب ویژگی های موثر نیز استفاده می شوند ازجمله ی آنها PCA و LDA هستند. اما در این گزارش ما برای بهینه کردن ویژگی ها و کم کردن تعداد آنها و یا به عبارت دیگر برای کاهش ابعاد (Curse of Dimensionality) از الگوریتم ژنتیک استفاده نموده ایم.

3-1-1) روش PCA خطی

روشهای استخراج ویژگی یک زیرفضای مناسب m بعدی در فضای اصلی ویژگی ها از d بعد را تعیین می کنند(m<=d). تبدیل خطی مثل PCA، آنالیز فاکتور، LDA و تعقیب تصویر بطور گسترده در شناسایی الگو برای استخراج ویژگی ها و کاهش ابعاد استفاده شده اند. بهترین استخراج کننده ی ویژگی شناخته شدهPCA یا توسعه یافته ی Karhunen-loeve است که m بردار مشخصه بزرگتر را از ماتریس کوواریانس d×d از n الگوی d بعدی محاسبه می کند. تبدیل خطی به شکل Y=XH تعریف شده است که X ماتریس الگوی n×d داده شده و Y از ماتریس الگوی n×m مشتق شده است . H ماتریس d×m از تبدیل خطی است که ستون های آن بردارهای مشخصه هستند. قبل از اینکه PCA از ویژگی های پرمعنی تر استفاده کند (بردار ویژگی های با بزرگترین مقدار ویژه)، بطور کاملاً موثر داده ها را با یک زیرفضای خطی با استفاده از معیار خطای میانگین مربعات تخمین می زند. سایر روش ها مانندتعقیب تصویر و ICA برای توزیع های غیرگاوسی تا وقتی که به مشخصه ی مرتبه ی دوم داده ها مربوط نباشد مناسب ترند. ICA با موفقیت برای جداسازی منابع دیده نشده استفاده شده است. استخراج ترکیب خطی ویژگی ها منابع نابسته را تعریف می کند. این جداسازی در صورتی امکان پذیر است که حداکثر یکی از منابع دارای توزیع گاوسی باشد.

از آجا که PCA یک روش بدون بررسی استخراج ویژگی هاست (Unsupervised)، تحلیل جداسازی از یک اطلاعات گروهی در رابطه با هر الگو برای استخراج (خطی) ویژگی های با قابلیت جداسازی زیاد استفاده می کند. در LDA جداسازی بین کلاسی با جابجایی کل ماتریس کوواریانس در PCA با یک معیار جداسازی عمومی مانند معیار Fisher تائید می شود که در یافتن بردارهای مشخصه

دانلود مقاله کاربرد استخراج با سیال فوق بحرانی در صنایع غذایی

اختصاصی از سورنا فایل دانلود مقاله کاربرد استخراج با سیال فوق بحرانی در صنایع غذایی دانلود با لینک مستقیم و پر سرعت .

 استخراج با حلال یکی از قدیمی‌ترین روش‌های جداسازی بوده و بدون شک تاریخ استفاده از آن به قبل از میلاد برمی‌گردد. علم استخراج با حلال در طی مدت زمان طولانی، توسعه یافته است و بیشترین پیشرفت در مورد حلالها و سیالهای مورد استفاده در فرآیندهای استخراج بوده است. روش‌های استخراجی نظیر، سونیکیشن1، سوکسله2، استخراج با فاز جامد[1] و استخراج مایع-مایع[2] که مدتها پیش ابداع شده‌اند امروزه نیز به همان صورت قبلی جهت تهیه نمونه بکار می‌روند. بعلاوه، روش‌های استخراج با حلالهای مایع نظیر سوکسله دارای محدودیت‌های مختلفی همچون آلودگی محیط زیست بدلیل وجود حلالهای دورریز، بازگیری ناقص نمونه‌ها، وقت گیر بودن فرآیند، مصرف زیاد حلال و... هستند. بدین‌ترتیب، محققان به فکر ابداع روش جدید استخراجی افتادند که علاوه بر‌اینکه معایب فوق را نداشته باشد بلکه دارای مزایای چندی نیز باشند. یکی از‌این روش‌ها، استخراج با سیال فوق بحرانی3 (SFE) است که مزیت‌های بسیاری دارد که از مهمترین آنها می‌توانیم به کاهش زمان استخراج و عدم آلودگی محیط زیست اشاره کرد.

فصل اول

استخراج با سیال فوق بحرانی
1-1- تاریخچه

هوگارت1 و‌هانی2 در سال 1879 خواص بی نظیر سیال فوق بحرانی اتانول و تتراکلریدکربن را توضیح دادند. آنها دریافتند که حلالیت‌هالیدهای فلزی در‌این دو سیال خیلی بالاست. در سال 1906 بوخنر3 اعلام کرد که حلالیت مواد آلی غیرفرار در دی اکسید کربن فوق بحرانی ده برابر مقداری است که از مطالعات فشار بخار انتظار می‌رفت. در سال 1958 زهوز4 و همکارانش استخراج لانولین از پشمهای روغنی با CO2 فوق بحرانی را گزارش کردند. نقطه شروع استفاده از سیالهای فوق بحرانی در فرآیندهای صنعتی از کار زوسل5 در انیستیتوی ماکس پلانک در مطالعه زغال سنگ آغاز شد. امروزه‌این سیالها کاربرد فراوانی در اغلب صنایع پیدا کرده‌اند. با‌این حال استفاده از SFE به عنوان یک تکنیک تجزیه‌ای تا دهه 1980 به تأخیر افتاد. در سال 1976 استال6 و شیلز7  سیستم استخراجی میکرو را به همراه کروماتوگرافی لایه نازک به کار بردند. از‌این سال به بعد SFE در حد تجزیه‌ای رشد سریعی کرد به طوری که امروزه‌این سیستم به صورت پیوسته یا ناپیوسته با سیستم‌های کروماتوگرافی گازی، کروماتوگرافی مایع با کارایی بالا و کروماتوگرافی با سیال فوق بحرانی کاربرد وسیعی در آنالیز انواع نمونه‌ها پیدا کرده است بطوریکه در سالهای 1990-1992 بیش از یکصد مقاله در‌این زمینه ارائه شده است.

1-2- خصوصیات و مزایای یک سیال فوق بحرانی

هر ماده‌ای را که در دما و فشاری بالاتر از دما و فشار بحرانی اش قرار گیرد، سیال فوق بحرانی گویند. شکل (1-1) نمودار فاز ساده‌ای است که نقطه بحرانی و ناحیه فوق بحرانی را نشان می‌دهد.

یک سیال فوق بحرانی خصوصیاتی مابین خصوصیات یک گاز و مایع را داراست. آنچه باعث شده تا سیال فوق بحرانی برای استخراج مورد استفاده و توجه قرار گیرد خصوصیات فیزیکی آن است. همانطوریکه در جدول (1-1) مشاهده می‌شود چگالی سیال فوق بحرانی تقریباً هزار برابر چگالی حالت گازی می‌باشد، بهمین دلیل قدرت حل کنندگی سیال فوق بحرانی بیشتر از گازها و مشابه مایعات است. از طرفی، سیال فوق بحرانی دارای نفوذپذیری زیادتر و ویسکوزیته کمتر نسبت به حلالهای مایع است، ‌این دو عامل انتقال جرم را کنترل می‌کنند و باعث می‌شود تا SFE خیلی سریع عمل کند.

1- دما و فشار فوق بحرانی پائینی داشته باشد.

2-از نظر سلامتی برای انسان خطرناک نباشد، یعنی آتشگیر و سمی‌نباشد.

3-از نظر شیمیایی بی اثر باشد و درجه خلوص آن بالا بوده و ارزان باشد.

چرا CO2 به عنوان حلال عمومی در استخراج به روش سیال فوق بحرانی انتخاب شده است؟

بهترین حلال برای SFE در استخراج‌ترکیبات طبیعی(غذاها و داروها) CO2 است زیرا یک‌ترکیب خنثی، ارزان، در دسترس، بی بو، بی مزه، دوستدار طبیعت و حلال GRAS است. همچنین در ماده فرآیند SFE با CO2، حلال در ماده استخراج شده باقی نمی‌ماند زیرا که‌این ماده در شرایط طبیعی به صورت گاز می‌باشد. علاوه بر‌این، دمای بحرانی آن است که برای مواد حساس به حرارت شرایط‌ایده آلی را بوجود می‌آورد و به خاطر گرمای نهان پایین آن، انرژی کمی برای جداسازی آن از ماده استخراجی لازم است. نکته دیگر آنکه، انرژی مورد نیاز برای بدست آوردن حالت فوق بحرانی CO2اغلب کمتر از انرژی مورد نیاز برای تقطیر حلالهای آلی تجارتی است. در کل قابلیت استخراج‌ترکیبات با CO2فوق بحرانی بستگی به وجود گروه‌های عاملی ویژه در‌این‌ترکیبات، وزن ملکولی و قطبیت آنها دارد.

برای مثال هیدروکربن‌ها و دیگر‌ترکیبات آلی با قطبیت نسبتاً پائین مثل استرها، اترها، آلدئیدها، لاکتون‌ها، کتون‌ها و اپوکسیدها در CO2 فوق بحرانی با فشار کمتر (100-75بار) قابل استخراج هستند در حالیکه‌ترکیبات با قطبیت بالا نظیر آنهائیکه یک گروه کربوکسیلیک و سه گروه هیدروکسیل و یا بیشتر دارند به ندرت در آن محلول هستند.

برای استخراج دسته خاصی از محصولات از یک حلال کمکی کمک می‌گیرند که موجب افزایش قطبیت CO2 فوق بحرانی می‌گردد. اتانول، اتیل استات و آب بهترین حلالهای کمکی برای استخراج‌ترکیبات غذایی هستند.  CO2تجارتی مورد نیاز برای فرآیند  SFEرا تقریباً می‌توان از سیستم‌های محیط زیستی بدست‌آورد. بعنوان مثال می توان از محصول جانبی صنایع تخمیر یا صنعت کود حیوانی، در استخراج استفاده کرد. بنابراین، استفاده از‌این CO2میزان CO2موجود در جو را افزایش نخواهد داد.

1-3- طرح فرآیندهای سیستم استخراج با CO2 :

در شکل 1-2 و 1-3 شماتیک فرآیند استخراج CO2 فوق بحرانی نشان داده  شده است که از مراحل اصلی زیر تشکیل شده است:

1-مرحله استخراج 2-مرحله انبساط 3-مرحله مشروط سازی حلال

همچنین 4جزء  دیگر عبارتند از:

1- ظرف استخراج با فشار بالا 2-شیر کاهنده (Term) فشار    3-جداکننده کاهنده (Term)فشار و 4- پمپ افزاینده فشار حلال بازیافت شده.

همچنین دیگر تجهیزات ضروری شامل: مبدلهای حرارتی، کندانسور، ظرف‌های ذخیره سازی، منبع تامین کننده حلال و خوراک می باشد. خوراک معمولاً به شکل خرد شده است که در ظرف استخراج گذاشته می‌شود و CO2با فشار 350-100بار به داخل ظرف ظرف استخراج تزریق می‌شود. عصاره حاوی CO2از طریق یک فشار شکننده فشار به جداکننده که حاوی فشار 120-50بار است فرستاده می‌شود با کاهش فشار، دما و عصاره ته نشین می‌گردد در حالیکه CO2فاقد عصاره به ظرف استخراج برگردانده می‌شود.

SFEبرای خوراک جامد یک فرآیند نیمه مداوم است به‌این صورت که جریان    بصورت مداوم است ولی جریان نیمه پیوسته شدن ظرف استخراج از خوراک به صورت نیمه مداوم یا بچ است برای‌ایجاد جریان نیمه پیوسته در ظرف استخراجها از چند ظرف استخراج بهره می‌گیریم که به نوبت پر و خالی می‌شوند.

1-4 اصول و پایه فاز تعادلی و سیستم‌های بحرانی:

...

94 صفحه فایل Word