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).
فرهاد فاتحی؛ هادی صمیمی اخیجهانی
چکیده
امروزه در کشاورزی مدرن ترکیبی از تکنیک‌های پردازش تصویر و روش‌های هوشمند برای جایگزینی ماشین‌های هوشمند به‌جای انسان استفاده می‌شود. در این مطالعه از روش پردازش تصویر مصنوعی و شبکه عصبی مصنوعی (ANN) برای طبقه‌بندی میوه توت‌فرنگی رقم پاروس استفاده شده است. در گام اول این میوه توسط یک متخصص به شش کلاس طبقه‌بندی شد ...
بیشتر
امروزه در کشاورزی مدرن ترکیبی از تکنیک‌های پردازش تصویر و روش‌های هوشمند برای جایگزینی ماشین‌های هوشمند به‌جای انسان استفاده می‌شود. در این مطالعه از روش پردازش تصویر مصنوعی و شبکه عصبی مصنوعی (ANN) برای طبقه‌بندی میوه توت‌فرنگی رقم پاروس استفاده شده است. در گام اول این میوه توسط یک متخصص به شش کلاس طبقه‌بندی شد (به‌عنوان خروجی ANN) و از هر کلاس 100 نمونه بهطور تصادفی جمعآوری گردید. در گام بعد تصاویر نمونه‌ها ضبط شده و سه خصوصیت هندسی با 12 ویژگی رنگ (به‌عنوان ورودیهای ANN) استخراج گردید. ساختار شبکه عصبی بهینه با توجه به خطای میانگین مربعات (RMSE) و ضریب هبستگی (2R) برای فرآیند طبقه‌بندی نمونههای توت‌فرنگی درنظر گرفته شد. درنهایت شبکه عصبی پرسپترون با ساختار 15-18-6 با دقت 83/83٪ انتخاب گردید.
امیر گیتی بان کلجاهی؛ نارملا آصفی
چکیده
"به "یکی از میوه‌های سرشار از مواد معدنی و ویتامین بوده و یکی از راههای نگهداری این محصول خشک کردن میباشد. امروزه شبکههای عصبی مصنوعی در مدلسازی پارامترهای خشک کردن در حال رشد و توسعه است. پژوهش حاضر با هدف مدلسازی سفتی بافت و زمان خشک شدن میوه به توسط شبکه عصبی انجام گردید. آزمایشهای خشک کردن توسط خشک کن همرفتی مادون ...
بیشتر
"به "یکی از میوه‌های سرشار از مواد معدنی و ویتامین بوده و یکی از راههای نگهداری این محصول خشک کردن میباشد. امروزه شبکههای عصبی مصنوعی در مدلسازی پارامترهای خشک کردن در حال رشد و توسعه است. پژوهش حاضر با هدف مدلسازی سفتی بافت و زمان خشک شدن میوه به توسط شبکه عصبی انجام گردید. آزمایشهای خشک کردن توسط خشک کن همرفتی مادون قرمز در سه توان 400، 800 و 1200 وات و جریان هوای ثابت 5/0 متر بر ثانیه تا رسیدن به رطوبت ثابت 22% بر پایه مرطوب، خشک گردید. به‌منظور مدلسازی از شبکه عصبی چندلایه (MLP) با توابع آستانه مختلف، تعداد نورون مختلف و الگوریتم آموزش لونبرگ – مارکوارت برای آموزش شبکهها استفاده گردید. نتایج نشان داد که شبکه عصبی با ساختار (2-7-3) با توابع آستانه لگاریتمی با ضریب تعیین (9980/0 و 9867/0) به‌ترتیب برای زمان خشک شدن و سفتی بافت و مقدار میانگین مربعات خطا (008881/0 و 0009693/0) در مقایسه با سایر ساختارهای شبکه، نتایج بهتری را ارائه میکند.
مریم سلطانی کاظمی؛ سامان آبدانان مهدی زاده؛ مختار حیدری؛ سید مجتبی فارغ
چکیده
در این پژوهش به‌منظور ارزیابی کیفیت آب توت سیاه طی مراحل مختلف رسیدگی، پارامترهای فرکتالی استخراج شده توسط آنالیز فرکتال و پارامترهای بیوشیمیایی (TSS، ویتامین ث، اسیدیته، فنول، آنتوسیانین، مواد ایجاد کننده رنگ قهوهای و (pHبه‌ترتیب به‌عنوان ویژگی‌های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین ...
بیشتر
در این پژوهش به‌منظور ارزیابی کیفیت آب توت سیاه طی مراحل مختلف رسیدگی، پارامترهای فرکتالی استخراج شده توسط آنالیز فرکتال و پارامترهای بیوشیمیایی (TSS، ویتامین ث، اسیدیته، فنول، آنتوسیانین، مواد ایجاد کننده رنگ قهوهای و (pHبه‌ترتیب به‌عنوان ویژگی‌های غیرمخرب و مخرب مورد استفاده قرار گرفتند؛ سپس از شبکه عصبی مصنوعی (ANN) و نزدیکترین همسایه (k-NN) به‌منظور توسعه مدل پیشگو و طبقه‌بندی داده‌ها استفاده گردید. از میان پنچ ویژگی استخراج شده از آنالیز فرکتال؛ Y و S که به‌ترتیب مربوط به بیشیه فرکتال و مساحت منحنی فرکتال میباشند، به‌عنوان موثرترین ویژگی در فرآیند آموزش شبکه عصبی و طبقه‌بند k-NN مورد استفاده قرار گرفتند. الگوریتم طبقه‌بند k-NN تغییرات رنگ در هر چهار مرحله رسیدگی را با دقت 08/97 طبقه‌بندی نمود. همچنین شبکه عصبی آنتوسیانین را با مجذور میانگین مربعات خطا (RMSE) 141/0، ضریب همبستگی 99/0، مواد ایجادکننده رنگ قهوهای را با 0016/0= RMSE، ضریب همبستگی 97/0، فنول را با 879/1590=RMSE، ضریب همبستگی 8057/0، TSSرا با 0040/0=RMSE، ضریب همبستگی 907/0، اسیدیته را با 50/3=RMSE، ضریب همبستگی 986/0، ویتامین ث را با 285/0=RMSE، ضریب همبستگی 878/0 و pH را با 00017/0=RMSE و ضریب همبستگی 99/0 پیش‌بینی نمود. بنابراین، نتایج این بررسی نشان داد که شبکه عصبی مصنوعی و طبقه‌بند k-NN با آنالیز فرکتال می‌تواند به‌عنوان یک روش مناسب در ارزیابی برخط پارامترهای کیفی آب توت سیاه طی مراحل رسیدگی مورد استفاده قرار گیرد.
صفیه خلیلیان؛ امان محمد ضیایی فر؛ علی اصغری؛ مهدی کاشانی نژاد؛ محبت محبی
چکیده
انتقال رطوبت و روغن بر توزیع دما در سیستم نقش داشته و باعث ایجاد شار حرارتی متغیر در فرایند می گردد. لذا در این پژوهش با استفاده از شبکه عصبی مصنوعی به بررسی و پیش بینی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم (رطوبت و روغن) طی فرایند سرخ کردن نمونه های بادمجان پرداخته شد. اثر پیش تیمار خشک کردن با هوای داغ در چهار سطح دمایی (40، ...
بیشتر
انتقال رطوبت و روغن بر توزیع دما در سیستم نقش داشته و باعث ایجاد شار حرارتی متغیر در فرایند می گردد. لذا در این پژوهش با استفاده از شبکه عصبی مصنوعی به بررسی و پیش بینی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم (رطوبت و روغن) طی فرایند سرخ کردن نمونه های بادمجان پرداخته شد. اثر پیش تیمار خشک کردن با هوای داغ در چهار سطح دمایی (40، 70، 100 و 130 درجه سانتی گراد) تا رسیدن به سطوح رطوبتی 12 و 5 گرم بر گرم ماده خشک، دماهای مختلف سرخ کردن (130، 150 و 170 درجه سانتی گراد) طی مدت زمان 6 دقیقه در فواصل زمانی یک دقیقه ای بر محتوی روغن و رطوبت برش های بادمجان طی فرایند سرخ کردن عمیق با سه بار تکرار مورد بررسی قرار گرفت. پروفیل های دمایی در سطوح بالا و پایین نمونه ها طی فرایند سرخ کردن عمیق با قرار دادن ترموکوپل نوع K نیز ثبت گردید. ارتباط بین ضریب انتقال حرارت سطحی وکینتیک های انتقال جرم نمونه های بادمجان، طی فرایند سرخ کردن عمیق با استفاده از تحلیل مولفه اصلی (PCA) نشان داد که داده های موجود در 3 ناحیه مختصاتی PC، متفاوت قرار داشتند. نتایج حاصل از بررسی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم نمونه های بادمجان طی فرایند سرخ کردن عمیق با استفاده از شبکه عصبی مصنوعی پس انتشار با ساختار پرسپترون چند لایه (MLP)، حاکی از وجود یک رابطه پیچیده بین پارامترهای انتقال حرارت سطحی و جرم نمونه های بادمجان طی فرایند سرخ کردن عمیق بود. شبکه مورد استفاده شامل تابع سیگموئید در لایه مخفی و الگوریتم آموزش لونبرگ-مارکوارت (ML) با توپولوژی سه لایه 4-5-4 با ضریب تبیین (R2) 97/0 و متوسط مربع خطای (MSE) 0013/0، بهترین شبکه برای پیش‌بینی کینتیک های انتقال رطوبت، روغن و ضریب انتقال حرارت سطحی به دست آمد. با توجه به نتایج فوق می توان بیان نمود که این شبکه امکان دست یابی به دما و زمان سرخ کردن با کمترین مقادیر رطوبت و روغن در نمونه های بادمجان سرخ شده را در کمترین زمان ممکن فراهم می کند.
زینب رفتنی امیری؛ هنگامه درزی اربابی
چکیده
هدایت حرارتی، یکی از ویژگی‌های مهم آبمیوهها برای پیش‌بینی ضرایب انتقال جرم وحرارت و همچنین طراحی تجهیزات انتقال جرم و حرارت در صنعت آب‌میوه میباشد. شبکه عصبی مصنوعی برای پیش‌بینی هدایت حرارتی آب‌گلابی توسعه داده شد. دما و غلظت متغیرهای ورودی و هدایت حرارتی آب‌میوه متغیر خروجی بودند. مدل بهینه این شبکه شامل دو لایه پنهان ...
بیشتر
هدایت حرارتی، یکی از ویژگی‌های مهم آبمیوهها برای پیش‌بینی ضرایب انتقال جرم وحرارت و همچنین طراحی تجهیزات انتقال جرم و حرارت در صنعت آب‌میوه میباشد. شبکه عصبی مصنوعی برای پیش‌بینی هدایت حرارتی آب‌گلابی توسعه داده شد. دما و غلظت متغیرهای ورودی و هدایت حرارتی آب‌میوه متغیر خروجی بودند. مدل بهینه این شبکه شامل دو لایه پنهان با 5 نرون در لایه اول و یک نرون در لایه دوم بود. مدل شبکه مصنوعی توانست مقادیر هدایت حرارتی را بسیار نزدیک به مقادیر اندازهگیریشده در آزمایش پیش‌بینی کند و در مقایسه با مدلهای متعارف و رگرسیون چندمتغیره از پایینترین مجذور خطای میانگین (R2=0.999) برخوردار بود. بهعلاوه با بهکارگیری این روش می‌توان ساختار پنهان لایهها در شبکههای عصبی را از طریق آزمون و خطا تعیین کرد. این روش می‌تواند در محاسبات انتقال حرارت در فرآوری انواع آب‌میوه، جاییکه نیاز به محاسبه هدایت حرارتی برحسب دما و غلظت باشد، بهخوبی مورداستفاده قرار گیرد.
حسین مجیدزاده؛ باقر عمادی؛ عبدلعلی فرزاد
چکیده
در این تحقیق محتوی رطوبت میوه کیوی خشک‌شده در خشک کن خلاء با استفاده از روش شبکه عصبی مصنوعی پیش‌بینی گردید. دمای خشک شدن (50 ،60 و 70 درجه سانتی‌گراد)، فشار خلاء (500، 550 و 600 میلی‌متر جیوه)، ضخامت قطعه‌های کیوی (3، 5 و 7 میلی‌متر) و مدت زمان خشک شدن به‌عنوان پارامترهای مستقل ورودی و محتوی رطوبت کیوی به‌عنوان متغیر وابسته خروجی تعریف شدند. ...
بیشتر
در این تحقیق محتوی رطوبت میوه کیوی خشک‌شده در خشک کن خلاء با استفاده از روش شبکه عصبی مصنوعی پیش‌بینی گردید. دمای خشک شدن (50 ،60 و 70 درجه سانتی‌گراد)، فشار خلاء (500، 550 و 600 میلی‌متر جیوه)، ضخامت قطعه‌های کیوی (3، 5 و 7 میلی‌متر) و مدت زمان خشک شدن به‌عنوان پارامترهای مستقل ورودی و محتوی رطوبت کیوی به‌عنوان متغیر وابسته خروجی تعریف شدند. داده‌های به‌دست آمده از فرآیند خشک کردن خلاء به‌منظور آموزش و آزمون شبکه استفاده گردید. چندین معیار شامل الگوریتم‌های آموزش، نرخ یادگیری، ضریب اندازه حرکت، تعداد لایه‌های مخفی، تعداد نرون در هر لایه و تابع‌های فعال‌سازی به‌منظور بهبود کارایی شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. تعداد لایه‌های مخفی و تعداد نرون‌ها در هر لایه به‌روش سعی و خطا به‌دست آمد. بهترین الگوریتم آموزشی، لونبرگ-مارکوارت با کمترین میزان میانگین مربعات خطا بود. مقادیر مطلوب نرخ یادگیری و ضریب اندازه حرکت برای شبکه با استفاده از الگوریتم آموزش کاهش شیب با مومنتم به‌ترتیب 2/0 و 05/0 به‌دست آمدند. ساختارهای مطلوب به‌دست آمده، 1-20-4 با تابع انتقال تانژانت سیگموئید و مقدار میانگین مربعات خطا، 0016/0 و 1-20-15-4 با توابع انتقال یکسان لگاریتم سیگموئید در هر دو لایه پنهان و مقدار میانگین مربعات خطا، 000147/0 بودند. همبستگی میان مقادیرآزمایشی و پیش‌بینی‌شده در ساختارهای مطلوب بیشتر از 75/99 درصد به‌دست آمد.
محمود صادقی؛ مسعود یاورمنش؛ مصطفی شهیدی نوقابی
چکیده
در میان مواد غذایی که می‌تواند به‌صورت بالقوه ناقل ویروس‌های بیماری‌زا باشد، شیر خام قرار دارد. بر همین اساس نحوه قرارگیری ویروس‌های بیماری‌زا در شیرخام به‌شدت وابسته به حضور ترکیبات شیر بوده و دستیابی به هرگونه روش جهت استخراج و بازیافت ویروس‌ها و ژنوم آن‌ها از شیر خام وابسته به شناسایی رفتار دقیق این ترکیبات در برابر ویروس‌ها ...
بیشتر
در میان مواد غذایی که می‌تواند به‌صورت بالقوه ناقل ویروس‌های بیماری‌زا باشد، شیر خام قرار دارد. بر همین اساس نحوه قرارگیری ویروس‌های بیماری‌زا در شیرخام به‌شدت وابسته به حضور ترکیبات شیر بوده و دستیابی به هرگونه روش جهت استخراج و بازیافت ویروس‌ها و ژنوم آن‌ها از شیر خام وابسته به شناسایی رفتار دقیق این ترکیبات در برابر ویروس‌ها میباشد. از روش‌های قابل‌استفاده در تخمین و پیش‌بینی بازیافت ویروس می‌توان از شبکه عصبی مصنوعی یا استنتاج فازی-عصبی تطابقی (ANFIS) نام برد. در این تحقیق مدل‌سازی‌های جعبه سیاه به‌نام مدلسازی شبکههای عصبی مصنوعی به‌همراه استنتاج فازی-عصبی تطابقی (ANFIS) به‌منظور پیش‌بینی اثر اجزاء موجود در شیر خام بر بازیافت و استخراج ژنوم ویروسی به‌کار گرفته شده است. همچنین درصد داده‌های مورداستفاده برای تربیت، ارزیابی و آزمون شبکه عصبی، تعداد لایه‌های پنهان، تعداد نرون، نوع تابع انتقال و نوع قانون یادگیری و دیگر پارامترهای مؤثر بر شبکه به‌عنوان متغیرهای شبکه در نظر گرفته شد. درنهایت براساس داده‌های حاصل از مدلسازی، شبکه‌ای با کمترین خطا و بالاترین ضریب همبستگی انتخاب و گزارش گردید. براساس این تحقیق در شبکه عصبی مصنوعی مدل تلقیح‌شده با تابع انتقال سیگموئید خطی و الگوریتم یادگیری لونبرگ با ضریب هبستگی 919/0r= و مدل (تلقیح‌نشده –تلقیح‌شده) با تابع انتقال سیگموئید خطی و الگوریتم یادگیری لونبرگ با ضریب همبستگی 956/0 r= انتخاب شد. همچنین در استنتاج فازی-عصبی تطابقی (ANFIS) تابع عضویت گاوسی و مدل فازی TSK برای هر دو مدل تلقیح‌شده و (تلقیح‌نشده-تلقیح‌شده) انتخاب وسپس در مدل تلقیح‌شده تابع انتقال تانژانت هایپربولیک اکسون خطی و قاعده یادگیری مومنتوم با 879/0 r= و در مدل (تلقیح‌نشده- تلقیح‌شده) تابع انتقال اکسون خطی و الگوریتم یادگیری Step با 889/0 r= به‌عنوان بهترین مدل برای پیش‌بینی بازیافت و استخراج ژنوم ویروس معرفی شد.
علیرضا قدس ولی؛ محسن مختاریان؛ حمید بخش ابادی؛ فاطمه عرب‌عامریان
چکیده
مالتسازی یک فرآیند زیست فناوری پیچیده است که شامل مراحل خیساندن، جوانه‌زنی و خشک کردن مالت جوانه‌زده در شرایط کنترل شده دما و رطوبت میباشد. در این پژوهش پارامترهای فرآیند مالتسازی از طریق توابع فعال‌سازی مختلف شبکه عصبی نظیر لگاریتم سیگموئید-لگاریتم سیگموئید، تانژانت هیپربولیک-تانژانت هیپربولیک، لگاریتم سیگموئید-تانژانت ...
بیشتر
مالتسازی یک فرآیند زیست فناوری پیچیده است که شامل مراحل خیساندن، جوانه‌زنی و خشک کردن مالت جوانه‌زده در شرایط کنترل شده دما و رطوبت میباشد. در این پژوهش پارامترهای فرآیند مالتسازی از طریق توابع فعال‌سازی مختلف شبکه عصبی نظیر لگاریتم سیگموئید-لگاریتم سیگموئید، تانژانت هیپربولیک-تانژانت هیپربولیک، لگاریتم سیگموئید-تانژانت هیپربولیک، لگاریتم سیگموئید-همانی و تانژانت هیپربولیک-همانی پیش‌بینی گردید. مقادیر زمان خیساندن (x1) و زمان جوانه‌زنی (x2) به عنوان ورودیها و راندمان عصاره گیری گرم (y1)، راندمان مالتسازی (y2) و فعالیت آنزیمی (β-گلوکاناز) (y3) به عنوان خروجی انتخاب گردید. نتایج نشان داد که استفاده از شبکه عصبی پرسپترون با تابع فعال‌سازی تانژانت هیپربولیک-همانی با 17 نرون بهترین نتیجه را در بین کلیه توابع بکار رفته در پیش‌بینی پارامترهای مؤثر در فرآیند مالت سازی داشت. هم چنین این شبکه قادر بود مقادیر راندمان عصارهگیری گرم، راندمان مالتسازی و فعالیت آنزیمی (β-گلوکاناز) را با ضرایب تبیین 1، 984/0 و 995/0 پیش‌بینی نماید. این شیوه نوین می‌تواند به طور موفقیتآمیزی برای پایش کمی تغییرات مالت در طی فرآیند مالتسازی مورد استفاده قرار گیرد.
