بهینه سازی فرآیند آبگیری اسمزی پرتقال با روش سطح پاسخ و تخمین پارامترهای آبگیری با کمک شبکه‌ی عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

• عماد آیدانی ¹
• مهدی کاشانی نژاد ²
• محسن مختاریان ¹
• حمید بخش ابادی ³

¹ دانشگاه علوم کشاورزی و منابع طبیعی گرگان

² دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

³ دانشگاه آزاد اسلامی واحد گنبد کاووس

https://doi.org/10.22067/ifstrj.v9i3.29600

چکیده

در این تحقیق بهینه سازی فرآیند خشک کردن اسمزی برش های پرتقال با هدف بیشینه کردن کاهش آب و کمینه نمودن جذب مجدد آب و مقدار رطوبت نهایی توسط روش سطح پاسخ انجام گرفت. اثرات سه فاکتور دمای محلول اسمزی در محدوده ی 30 تا 60 درجه سانتی گراد ، مدت زمان تماس محصول و محلول اسمزی در محدوده 0 تا 300 دقیقه و غلظت ساکارز در محلول اسمزی در محدودۀ 35 تا 65 درجه بریکس با کمک طرح مرکب مرکزی بر روی پارامترهای کاهش آب، جذب مواد جامد، نسبت کاهش آب به جذب مواد جامد، میزان رطوبت نهایی و اختلاف بریکس بررسی گردید. بررسی نتایج نشان داد شرایط بهینه برای فرآیند آبگیری اسمزی زمانی ایجاد می شود که دمای محلول اسمزی °C30، مدت زمان تماس محصول و محلول اسمزی 2/229 دقیقه و غلظت محلول اسمزی 65 درصد ساکارز باشد. در شرایط بهینه شاخص های کاهش آب، درصد جذب مواد جامد، نسبت کاهش آب به درصد جذب مواد جامد، محتوای رطوبت نهایی (مبنای خشک) و اختلاف بریکس به ترتیب 316/30 %، 51/13%، 45/ ، 77/2 و 79/15 درجه بریکس محاسبه گردید. همچنین نتایج مدلسازی شبکه عصبی مصنوعی نشان داد که شبکه‌ی عصبی پرسپترون با یک لایه ی پنهان نتایج بهتری را در پیش بینی پارامترهای آبگیری داشته و این شبکه توانست مقادیر جذب مواد جامد و محتوی رطوبت را با 5 نرون در لایه ی پنهان (ضریب تبیین به ترتیب 937/0 و 959/0) و اختلاف بریکس و کاهش آب را با 30 نرون در لایه ی پنهان (ضریب تبیین به ترتیب 961/0 و 942/0) پیش بینی نماید.

کلیدواژه‌ها

• آبگیری اسمزی
• روش سطح پاسخ
• شبکه‌ی عصبی مصنوعی

عنوان مقاله [English]

Optimization of Orange Osmotic Dehydration Process Using Response Surface Method and Estimation of Dehydration Parameters by Artificial Neural Network

نویسندگان [English]

• Emad Aydani ¹
• Mahdi Kashani-Nejad ²
• Mohsen Mokhtarian ¹
• Hamid Bakhshabadi ³

¹ Gorgan University of Agricultural Sciences and Natural Resources

² Gorgan University of Agricultural Sciences and Natural Resources.

³ Islamic Azad University, Gonbad Kavous Branch

چکیده [English]

In this study, Response Surface Methodology (RSM) was used to optimize osmo-dehydration of orange slice. Effect of osmotic solution temperature in the range of 30 to 60 °C, immersion time from 0 to 300 min and sucrose concentration from 35 to 65 brix degree on water loss, solid gain, moisture content, water loss to solid gain ratio and brix change were investigated by Central Composite Design (CCD). Applying response surface and contour plots optimum for osmotic dehydration were found to be at temperature of 30 °C, immersion time of 229.2 minute and sucrose concentration of 65%. At this optimum point, water loss, solid gain, WL/SG ratio, moisture content (dry base) and brix difference were found to be 30.316 (g/100 g initial sample), 13.51 (g/100 g initial sample), 2.45, 2.77 % and 15.79, respectively. The result of artificial neural network indicated that the perceptron neural network with one hidden layer is able to anticipate the dehydration characteristics. This network predicted solid gain and moisture content with 5 neuron per hidden layers with R2 values of 0.937 and 0.959, respectively and brix difference and water loss with 30 neuron per hidden layer with R2 values of 0.961 and 0.942, respectively.

کلیدواژه‌ها [English]

• Osmotic Dehydration
• Response Surface Methodology (RSM)
• Artificial neural network

مراجع

امام جمعه، ز. و علاء الدینی، ب.، 1384، بهبود شاخصهای کیفی کیوی خشک شده و فرمولاسیون آن با استفاده از پیش فرآیند اسمز، مجله علوم کشاورزی ایران، جلد 36 شماره 6، 1421-1427.

AOAC., 1990, Official Method of Analysis.15th ed., Vol. 2. Association of Official Analytical Chemists, Inc., Arlington.

Ben Slama, R., Combarnous, M., 2011, Study of orange peels dryings kinetics and development of a solar dryer by forced convection. Journal of Solar Energy, 85, 570-578.

Chenlo, F., Moreira, R., Fernandez-Herrero, C., & Vazquez, G., 2006a, Mass transfer during osmotic dehydration of chestnut using sodium chloride solutions. Journal of Food Engineering, 73: 164-173.

Chenlo, F., Moreira, R., Fernandez, C., & Vazquez, G., 2006b, Experimental results and modeling of the osmotic dehydration kinetics of chestnut with glucose solutions. Journal of Food Engineering, 74(3), 324-334.

Erenturk, S., & Erenturk, K., 2007, Comparison of genetic algorithm and neural network approaches for drying process of carrot. Journal of Food Engineering, 78: 905-912.

http://FAOSTAT.fao.org/site/339/default.aspx

Islam, M. N., & Flink, J. N., 1982, Dehydration of potato, International Journal of Food Science and Technology, 17, 387-403.

Jayaraman, K. S., 1990, Effect of pretreatment with salt and sucrose on the quality and stability of dehydrated cauliflower. International Journal of Food Science and Technology, 25, 47-60.

Kar, A. & Gupta, D. K., 2001, Osmotic dehydration characteristics of button mushroom. Journal of Food Science and Technology, 38(4), 352-357.

Lazarides, H. N., 1999, Advance in osmotic dehydration by processing foods: (eds. F.A.R. Oliveria.), CRC press New York.

Lazarides, H. N., & Mavroudis, N. E., 1996, Kinetics of osmotic dehydration of a highly shrinking vegetable tissue in a salt-free medium. Journal of Food Engineering, 30, 61-74.

Lertworasirikul, S., & Saetan, S., 2010, Artificial neural network modeling of mass transfer during osmotic dehydration of kaffir lime peel. Journal of Food Engineering, 98, 214-223.

Madamba, P. S., & Lopez, R. I., 2002, Optimization of the osmotic dehydration of mango (mangifera indica L.) slices. Drying Technology, 20 (6), 1227–1242

Mandala, I. G., Anagnostaras, E. F., & Oikonomou, C. K., 2004, Influence of osmotic dehydration condition on apple air-drying kinetics and their quality characteristics. Journal of Food Engineering, 20 (6), 1227 –1242.

Ortuño, C., Perez-Munuera, I., Puig, A., Riera, E. and Garcia-Perez, J. V., 2010, Influence of power ultrasound application on mass transport and microstructure of orange peel during hot air drying. Journal of Physics Procedia, 3, 153-159.

Poonnoy, P., Tansakul, A., and Chinnan, M., 2006, Artificial Neural Network Modeling for Temperature and Moisture Content Prediction in Tomato Slices Undergoing Microwave-Vacuum Drying. Journal of Food Engineering & Physical properties, 49: 185-191.

Ruız Dıaz, G., Martınez-Monzo, J., Fito, P., Chiralt, A., 2003, Study of orange peel drying kinetics and development of a solar dryer by forced convection. Journal of Solar Energy, 85, 570-578.

Torreggiani, D., Forni, E., Maestrdli, A. & Auadri, F., 1999, Influence of osmotic dehydration on texture and pectic composition of kiwifruit slices, Drying Technology, 17(7& 8), 1387-1397.