مدل سازی فرآیند خشک کردن موسیلاژ دانه ریحان با خشک کن فروسرخ توسط شبکه عصبی مصنوعی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 74

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_FSCT-17-106_003

تاریخ نمایه سازی: 30 آبان 1402

چکیده مقاله:

امروزه صمغ های گیاهی و تجاری به منظور بهبود خصوصیات رئولوژیکی، بافتی و حسی مواد غذایی استفاده می شوند. دانه های ریحان دارای مقادیر قابل توجهی صمغ (موسیلاژ) با خواص عملکردی مناسب هستند که بعد از استخراج از دانه ها و خشک شدن، می توانند به صورت پودر در فرمولاسیون محصولات مختلف استفاده شود. در این مطالعه جهت خشک کردن موسیلاژ دانه ریحان، از روش پرتودهی فروسرخ استفاده گردید. اثر توان لامپ فروسرخ (۱۵۰، ۲۵۰ و ۳۷۵ وات)، فاصله نمونه از لامپ (۴، ۸ و ۱۲ سانتی متر) و ضخامت موسیلاژ (۵/۰، ۰/۱ و ۵/۱ سانتی متر) بر زمان خشک شدن موسیلاژ دانه ریحان مورد بررسی قرار گرفت. نتایج خشک کردن موسیلاژ دانه ریحان با روش فروسرخ نشان داد با افزایش توان لامپ و کاهش فاصله نمونه ها از منبع حرارتی، زمان خشک کردن کاهش می یابد. با افزایش فاصله لامپ ها از ۴ به ۱۲ سانتی متر، میانگین زمان خشک شدن موسیلاژ دانه ریحان از ۳۷/۱۳۱ دقیقه به ۴۱/۳۳۶ دقیقه افزایش یافت. با افزایش ضخامت نمونه ها از ۵/۰ به ۵/۱ سانتی متر، میانگین زمان خشک شدن موسیلاژ دانه ریحان از ۶۷/۱۰۳ دقیقه به ۶۷/۳۶۷ دقیقه افزایش یافت. این فرآیند توسط یک شبکه عصبی مصنوعی با ۳ ورودی (توان لامپ ، فاصله لامپ و ضخامت) و ۱ خروجی (زمان خشک شدن) مدل سازی شد. نتایج مدل سازی به روش شبکه عصبی مصنوعی نشان داد شبکه ای با تعداد ۸ نرون در یک لایه پنهان و با استفاده از تابع فعال سازی سیگموئیدی می تواند زمان خشک شدن موسیلاژ دانه ریحان با استفاده از خشک کن فروسرخ را پیشگویی نماید (۹۶/۰r=). نتایج آنالیز حساسیت توسط شبکه عصبی بهینه نشان داد که ضخامت نمونه به عنوان موثرترین عامل در کنترل زمان خشک شدن موسیلاژ دانه ریحان می باشد.

نویسندگان

Ghazale Amini

MSc Student, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran

Fakhreddin Salehi

Assistant Professor, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran

Majid Rasouli

Assistant Professor, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Salehi, F. ۲۰۱۹. Characterization of new biodegradable edible films and ...
  • Salehi, F. ۲۰۱۹. Improvement of gluten-free bread and cake properties ...
  • Zameni, A., Kashaninejad, M., Aalami, M., Salehi, F. ۲۰۱۵. Effect ...
  • Wang, Y., Wang, L.-J., Li, D., Xue, J., Mao, Z.-H. ...
  • Amid, B. T., Mirhosseini, H. ۲۰۱۲. Influence of different purification ...
  • Cunha, R. L., Maialle, K. G., Menegalli, F. C. ۲۰۰۰. ...
  • Sundaram, J., Durance, T. D. ۲۰۰۸. Water sorption and physical ...
  • Nep, E. I., Conway, B. R. ۲۰۱۱. Physicochemical characterization of ...
  • Salehi, F., Kashaninejad, M. ۲۰۱۴. Effect of different drying methods ...
  • Salehi, F. ۲۰۲۰. Recent applications and potential of infrared dryer ...
  • Doymaz, İ. ۲۰۱۲. Infrared drying of sweet potato (Ipomoea batatas ...
  • Hebbar, H. U., Vishwanathan, K., Ramesh, M. ۲۰۰۴. Development of ...
  • Hosseini Ghaboos, S. H., Seyedain Ardabili, S. M., Kashaninejad, M., ...
  • Salehi, F. ۲۰۲۰. Recent advances in the modeling and predicting ...
  • Toğrul, H. ۲۰۰۶. Suitable drying model for infrared drying of ...
  • Rasouli, M. ۲۰۱۸. Convective drying of garlic (Allium sativum L.): ...
  • Salehi, F., Abbasi Shahkoh, Z., Godarzi, M. ۲۰۱۵. Apricot osmotic ...
  • Salehi, F., Razavi, S. M. A. ۲۰۱۲. Dynamic modeling of ...
  • Nimmol, C. ۲۰۱۰. Vacuum far-infrared drying of foods and agricultural ...
  • Pan, Z., Shih, C., McHugh, T. H., Hirschberg, E. ۲۰۰۸. ...
  • Bahramparvar, M., Salehi, F., Razavi, S. ۲۰۱۴. Predicting total acceptance ...
  • Erenturk, S., Erenturk, K. ۲۰۰۷. Comparison of genetic algorithm and ...
  • Lertworasirikul, S., Saetan, S. ۲۰۱۰. Artificial neural network modeling of ...
  • Salehi, F. ۲۰۱۹. Characterization of new biodegradable edible films and ...
  • Salehi, F. ۲۰۱۹. Improvement of gluten-free bread and cake properties ...
  • Zameni, A., Kashaninejad, M., Aalami, M., Salehi, F. ۲۰۱۵. Effect ...
  • Salehi, F. ۲۰۲۰. Effect of common and new gums on ...
  • Wang, Y., Wang, L.-J., Li, D., Xue, J., Mao, Z.-H. ...
  • Amid, B. T., Mirhosseini, H. ۲۰۱۲. Influence of different purification ...
  • Cunha, R. L., Maialle, K. G., Menegalli, F. C. ۲۰۰۰. ...
  • Sundaram, J., Durance, T. D. ۲۰۰۸. Water sorption and physical ...
  • Nep, E. I., Conway, B. R. ۲۰۱۱. Physicochemical characterization of ...
  • Salehi, F., Kashaninejad, M. ۲۰۱۴. Effect of different drying methods ...
  • Salehi, F. ۲۰۲۰. Recent applications and potential of infrared dryer ...
  • Doymaz, İ. ۲۰۱۲. Infrared drying of sweet potato (Ipomoea batatas ...
  • Hebbar, H. U., Vishwanathan, K., Ramesh, M. ۲۰۰۴. Development of ...
  • Hosseini Ghaboos, S. H. Production of pumpkin powder with vacuum-infrared ...
  • Salehi, F. ۲۰۲۰. Recent advances in the modeling and predicting ...
  • Toğrul, H. ۲۰۰۶. Suitable drying model for infrared drying of ...
  • Ramzi, M., Kashaninejad, M., Salehi, F., Sadeghi Mahoonak, A. R., ...
  • Salehi, F., Razavi, S. M. A. ۲۰۱۶. Modeling of waste ...
  • Rasouli, M. ۲۰۱۸. Convective drying of garlic (Allium sativum L.): ...
  • Salehi, F., Abbasi Shahkoh, Z., Godarzi, M. ۲۰۱۵. Apricot osmotic ...
  • Salehi, F., Razavi, S. M. A. ۲۰۱۲. Dynamic modeling of ...
  • Nimmol, C. ۲۰۱۰. Vacuum far-infrared drying of foods and agricultural ...
  • Pan, Z., Shih, C., McHugh, T. H., Hirschberg, E. ۲۰۰۸. ...
  • Bahramparvar, M., Salehi, F., Razavi, S. ۲۰۱۴. Predicting total acceptance ...
  • Erenturk, S., Erenturk, K. ۲۰۰۷. Comparison of genetic algorithm and ...
  • Lertworasirikul, S., Saetan, S. ۲۰۱۰. Artificial neural network modeling of ...
  • نمایش کامل مراجع