This paper presents an inverse design methodology that utilizes artificial intelligence (AI)-driven experiments to optimize the chemoenzymatic epoxidation of soyabean oil using hydrogen peroxide and lipase (Novozym 435). First, experiments are conducted using a systematic 3-level, 5-factor Box-Behnken design to explore the effect of input parameters on oxirane oxygen content (OOC (%)). Based on these experiments, various AI models are trained, with the support vector regression (SVR) model being found to be the most accurate. SVR is then used as a fitness function in particle swarm optimization, and the suggested optimal conditions, upon experimental validation, resulted in a maximum OOC of 7.19 % (∼98.5 % relative conversion of oil to epoxy). The results demonstrate the superiority of the proposed approach over existing methods. This framework offers a general intensified process optimization strategy with minimal resource utilization that can be applied to any other process.

中文翻译：

---

基于人工智能驱动实验方法的大豆油化学酶环氧化逆向设计


本文提出了一种逆向设计方法，该方法利用人工智能 （AI） 驱动的实验来优化使用过氧化氢和脂肪酶 （Novozym 435） 的大豆油的化学酶环氧化。首先，使用系统的 3 水平、5 因子 Box-Behnken 设计进行实验，以探索输入参数对环氧乙烷氧含量 （OOC （%） 的影响。基于这些实验，训练了各种 AI 模型，其中支持向量回归 （SVR） 模型被发现是最准确的。然后将 SVR 用作粒子群优化中的适应度函数，建议的最佳条件经过实验验证，最大 OOC 为 7.19 %（油与环氧树脂的相对转化率 ∼98.5 %）。结果表明，所提出的方法优于现有方法。该框架提供了一种通用的强化流程优化策略，具有最小的资源利用率，可应用于任何其他流程。