مهندسی مواد غذایی
غزاله امینی؛ فخرالدین صالحی؛ مجید رسولی
چکیده
دانه‌های مرو دارای مقادیر قابل‌توجهی صمغ با خواص عملکردی مناسب هستند که بعد از استخراج از دانه‌ها (موسیلاژ) و خشک کردن، می‌توانند در فرمولاسیون محصولات مختلف استفاده شوند. در این مطالعه جهت خشک‌کردن موسیلاژ دانه مرو، از روش پرتودهی فروسرخ استفاده گردید. اثر توان لامپ فروسرخ (150، 250 و 375 وات)، فاصله نمونه از لامپ (4، 8 و 12 سانتی‌متر) ...
بیشتر
دانه‌های مرو دارای مقادیر قابل‌توجهی صمغ با خواص عملکردی مناسب هستند که بعد از استخراج از دانه‌ها (موسیلاژ) و خشک کردن، می‌توانند در فرمولاسیون محصولات مختلف استفاده شوند. در این مطالعه جهت خشک‌کردن موسیلاژ دانه مرو، از روش پرتودهی فروسرخ استفاده گردید. اثر توان لامپ فروسرخ (150، 250 و 375 وات)، فاصله نمونه از لامپ (4، 8 و 12 سانتی‌متر) و ضخامت موسیلاژ (5/0، 0/1 و 5/1 سانتی‌متر) بر سینتیک خشک‌شدن موسیلاژ دانه مرو موردبررسی قرار گرفت. نتایج خشک‌کردن موسیلاژ دانه مرو با روش فروسرخ نشان داد با افزایش توان لامپ و کاهش فاصله نمونه‌ها از منبع حرارتی، زمان خشک‌کردن کاهش می‌یابد. با افزایش فاصله لامپ‌ها از 4 به 12 سانتی‌متر، میانگین زمان خشک شدن موسیلاژ دانه مرو از 04/72 دقیقه به 81/160 دقیقه افزایش یافت. با افزایش ضخامت نمونه‌ها از 5/0 به 5/1 سانتی‌متر، میانگین زمان خشک شدن موسیلاژ دانه مرو از 59/55 دقیقه به 67/173 دقیقه افزایش یافت. این فرآیند توسط یک شبکه عصبی مصنوعی با چهار ورودی (زمان پرتودهی، توان لامپ، فاصله لامپ و ضخامت) و 2 خروجی (مقدار رطوبت (MC) و نسبت رطوبت (MR)) مدل‌سازی شد. نتایج مدل‌سازی به روش شبکه عصبی مصنوعی نشان داد شبکه‌ای با تعداد 8 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی سیگموئیدی می‌تواند مقدار رطوبت و نسبت رطوبت موسیلاژ دانه مرو طی خشک‌کردن در سامانه فروسرخ را در زمان‌های مختلف پیشگویی نماید (974/0r= برای مقدار رطوبت و 997/0r= برای نسبت رطوبت).
مجید رسولی
چکیده
در این مطالعه، شبکه عصبی مصنوعی برای مدل‌سازی و پیش‌بینی میزان رطوبت سیر در طی خشک کردن سیر استفاده شد. برای این منظور شبکه عصبی مصنوعی پرسپترون چندلایه تحت‌عنوان پس انتشار پیشرو به‌کار گرفته شد. پارامترهای مهم از جمله دمای هوای خشک کردن (50، 60 و 70 درجه سانتی‌گراد)، ضخامت ورقه‌ها (2، 3 و 4 میلی‌متر) و زمان خشک کردن به‌عنوان ورودی ...
بیشتر
در این مطالعه، شبکه عصبی مصنوعی برای مدل‌سازی و پیش‌بینی میزان رطوبت سیر در طی خشک کردن سیر استفاده شد. برای این منظور شبکه عصبی مصنوعی پرسپترون چندلایه تحت‌عنوان پس انتشار پیشرو به‌کار گرفته شد. پارامترهای مهم از جمله دمای هوای خشک کردن (50، 60 و 70 درجه سانتی‌گراد)، ضخامت ورقه‌ها (2، 3 و 4 میلی‌متر) و زمان خشک کردن به‌عنوان ورودی و محتوای رطوبت به‌عنوان خروجی شبکه در نظر گرفته شد. دادههای آزمایشگاهی بهدست آمده از فرآیند خشک کردن لایه نازک سیر برای آموزش و تست شبکه استفاده شد. توپولوژی بهینه 3-25-5-1 با الگوریتم LM و تابع آستانه TANSIG برای لایهها بود. با این شبکه بهینه، مقدار R2 و خطای نسبی بهترتیب 9923/0 و 67/9 درصد بود. مقدار MC برای سیر را میتوان با استفاده از شبکه عصبی، با میانگین خطای متوسط کمتر و ضریب تبیین بیشتر نسبت به مدل ریاضی ویبل پیش‌بینی کرد.
