آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,416 |
| تعداد مقالات | 17,490 |
| تعداد مشاهده مقاله | 56,490,931 |
| تعداد دریافت فایل اصل مقاله | 18,743,748 |
پیش‌بینی مقدار رطوبت برش‌های سیر هنگام خشک‌کردن فروسرخ با استفاده از شبکه عصبی مصنوعی | ||
| پژوهش های صنایع غذایی | ||
| دوره 33، شماره 3، مرداد 1402، صفحه 35-47 اصل مقاله (426.22 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/fr.2023.52779.1842 | ||
| نویسندگان | ||
| نوید گودینی1؛ اشرف گوهری اردبیلی* 2؛ فخرالدین صالحی3 | ||
| 1دانشجوی کارشناسی ارشد، گروه علوم و صنایع غذایی، دانشکده صنایع غذایی بهار، دانشگاه بوعلی سینا، همدان، ایران. | ||
| 2استادیار، گروه مهندسی علوم و صنایع غذایی، دانشکده صنایع غذایی بهار، دانشگاه بوعلی سینا، همدان، ایران. | ||
| 3دانشیار، گروه علوم و صنایع غذایی، دانشگاه بوعلی سینا، همدان، ایران | ||
| چکیده | ||
| زمینه مطالعاتی: خشک‌کردن یک عملیات واحد با مصرف انرژی زیاد در نگهداری مواد غذایی است که رطوبت اضافی را حذف و ماندگاری محصولات غذایی را افزایش می‌دهد. یکی از روش‌های خشک‌کردن مواد غذایی، استفاده از خشک‌کن فروسرخ است. با استفاده از این روش، سرعت خشک شدن بهبود می‌یابد، غذاها سریع‌تر خشک می‌شوند، مصرف انرژی کاهش می‌یابد و کیفیت محصول تا حد زیادی حفظ می‌شود. هدف: هدف از این پژوهش استفاده از خشک‌کن فروسرخ جهت افزایش سرعت فرآیند خشک‌کردن برش‌های سیر، بررسی سرعت خروج رطوبت از نمونه‌ها و همچنین مدلسازی فرآیند خشک شدن به روش شبکه عصبی مصنوعی است. روش کار: در این مطالعه اثر زمان قرارگیری نمونه‌ها در خشک‌کن فروسرخ، فاصله نمونه‌ها از لامپ فروسرخ (در سه سطح 5، 5/7 و 10 سانتی‌متر) و ضخامت نمونه‌ها (در سه سطح 3، 6 و 9 میلی‌متر) بر تغییر محتوای رطوبت برش‌های سیر درون یک خشک‌کن فروسرخ در سه تکرار مورد بررسی قرار گرفت. همچنین، داده‌های آزمایشگاهی به‌دست آمده از فرآیند خشک‌کردن برای آموزش و ارزیابی شبکه عصبی مصنوعی استفاده شد. نتایج: نتایج نشان داد که با کاهش فاصله نمونه‌ها از لامپ فروسرخ و همچنین کاهش ضخامت نمونه‌ها، مقدار رطوبت خارج‌شده از نمونه‌ها افزایش و زمان خشک شدن کاهش می‌یابد. زمان لازم برای رسیدن مقدار رطوبت برش‌های سیر با ضخامت 9 میلی‌متر به حدود 10 درصد در فواصل 5، 5/7 و 10 سانتی‌متر به ترتیب برابر 50، 54 و 64 دقیقه بود. همچنین زمان لازم برای خشک شدن برش‌های سیر با ضخامت‌های 3، 6 و 9 میلی‌متر به ترتیب برابر 28، 33 و 40 دقیقه بود. این فرآیند توسط یک شبکه عصبی مصنوعی با 3 ورودی و 1 خروجی مدلسازی شد. نتیجه‌گیری نهایی: بر اساس تحلیل‌های صورت گرفته روی داده‌های آزمایشگاهی، شبکه عصبی مصنوعی پرسپترون با ساختار 1-12-3، با ضریب همبستگی 964/0 و مقدار میانگین مربعات خطای 637/20 مناسب‌ترین شبکه برای تخمین محتوای رطوبت برش‌های سیر هنگام خشک شدن درون خشک‌کن فروسرخ است. | ||
| کلیدواژه‌ها | ||
| برش‌های سیر؛ زمان خشک کردن؛ شبکه عصبی مصنوعی؛ ضریب همبستگی | ||
| مراجع | ||
|
دهقانی‌خیاوی ه، خاکبازحشمتی م، دهقان‌نیا ج و باغبان ح، 1399، کاربرد روش‌های هیبریدی (هوای داغ- مایکروویو- مادون‌قرمز) جهت خشک‌کردن سیب‌زمینی و مطالعه ویژگی‌های کیفی محصول خشک‌شده. نشریه پژوهش‌های صنایع غذایی، 30(2)، 161-143.
رسولی م، 1397، خشک شدن همرفتی سیر (Allium sativum L.): رویکرد شبکه‌های عصبی مصنوعی برای مدلسازی فرآیند خشک‌کردن. نشریه پژوهش‌های علوم و صنایع غذایی ایران، 14(3)، 62-52.
صالحی ف و ساترابی م، 1401، مدلسازی فرآیند خشک‌کردن برش‌های هلو پوشش داده‌شده با صمغ‌های دانه ریحان و گزانتان با سامانه فروسرخ. نشریه پژوهش‌های صنایع غذایی، 32(3)، 28-17.
قربانی م ع، نقی‌پور ل، کریمی و و فرهودی ر، 1392، آنالیز حساسیت پارامترهای مؤثر بر غلظت ازن با استفاده از شبکه عصبی مصنوعی. سلامت و محیط زیست، ۶ (۱)، ۲۲-۱۱.
کرمی ح، لرستانی ع ن و تحویلیان ر. ۱۴۰۰، تأثیر روش‌های مختلف خشک‌کردن بر سینتیک خشک شدن، مدلسازی ریاضی، کمیت و کیفیت اسانس آویشن. مجله علوم و صنایع غذایی ایران، ۱۸ (۱۱۳)، ۱35-۱46.
کریمی ف، دهقان‌نیا ج، قنبرزاده ب و رفیعی ش، 1391، مدلسازی خشک‌کردن لایه‌نازک موز و بهینه‌سازی فرآیند توسط شبکه عصبی مصنوعی. نشریه پژوهش‌های صنایع غذایی، 22(3)، 360-347.
نعلبندی ح و سیدلو س ص، 1398، اثر تغییر دمای خشک‌کردن همرفتی بر کاهش مصرف انرژی و حفظ کیفیت ورقه‌های سیر. نشریه پژوهش‌های صنایع غذایی، 29(4)، 200-185.
نعمت‌پور ملک‌آباد ح، شیخ داودی م ج، خراسانی‌فردوانی ا و ذکی‌دیزجی ح، 1394، پیش‌بینی محتوای رطوبتی پیاز خوراکی در طی فرآیند خشک‌کردن با استفاده از شبکه عصبی مصنوعی. مهندسی زراعی، 38(2)، 161-145.
Alolga R N, Osae R, Essilfie G, Saalia F K, Akaba S and Chikari F, 2021. Sonication, osmosonication and vacuum-assisted osmosonication pretreatment of Ghanaian garlic slices: Effect on physicochemical properties and quality characteristics, Food Chemistry 343: 128535.
Amini G, Salehi F and Rasouli M, 2021. Drying kinetics of basil seed mucilage in an infrared dryer: Application of GA-ANN and ANFIS for the prediction of drying time and moisture ratio. Journal of Food Processing and Preservation 45(3): e15258.
Bayat F, 2006. Effect of different drying conditions on quality of dried garlic slices, Journal of Agricultural Engineering Research 7: 31-46.
Doymaz I, Kipcak A S and Piskin S, 2015. Characteristics of thin-layer infrared drying of green bean. Czech Journal of Food Sciences 33(1): 83-90.
Hosseini Ghaboos SH, 2016. Production of pumpkin powder with vacuum-infrared system and its use in the formulation of spong cake, Food science and technology. Islamic Azad University, Science and Research Brach, Tehran, p. 122.
Malakar S, Arora V K and Nema P K, 2021. Design and performance evaluation of an evacuated tube solar dryer for drying garlic clove. Renewable Energy 168: 568-580.
Onwude D I, Hashim N, Janius R B, Nawi N and Abdan K, 2016. Modelling the convective drying process of pumpkin (Cucurbita moschata) using an artificial neural network. International food research journal 23: S237.
Rasouli M and Seiiedlou S, 2012. A study of the shrinkage changes and mathematical modeling of garlic (Allium sativum L.) during convective drying. Journal of Agricultural Machinery Engineering 2(1): 67-73.
Saffari M, Yasrebi J, Sarikhani F, Gazni R, Moazallahi M, Fathi H and Emadi M, 2009. Evaluation of Artificial Neural Network models for prediction of spatial variability of some soil chemical properties. Research Journal of Biological Sciences 4(7): 815-820.
Salehi F, 2020a. Recent advances in the modeling and predicting quality parameters of fruits and vegetables during postharvest storage: A review. International Journal of Fruit Science 20(3): 506-520.
Salehi F, 2020b. Recent applications and potential of infrared dryer systems for drying various agricultural products: A review. International Journal of Fruit Science 20(3): 586-602.
Satorabi M, Salehi F and Rasouli M, 2021. The influence of xanthan and balangu seed gums coats on the kinetics of infrared drying of apricot slices: GA-ANN and ANFIS Modeling. International Journal of Fruit Science 21(1): 468-480.
Sharma G P and Prasad S 2006. Optimization of process parameters for microwave drying of garlic cloves. Journal of Food Engineering 75(4): 441-446.
Yusefi A, Dilmaghanian S, Ziaforoughi A and Moezzi M, 2019. Study on infrared drying kinetics of quince slices and modelling of drying process using genetic algorithm-artificial neural networks (GA-ANNs). Innovative Food Technologies 6(2): 175-186.
Zhou L, Guo X, Bi J, Yi J, Chen Q, Wu X and Zhou M, 2017. Drying of garlic slices (Allium sativum L.) and its effect on thiosulfinates, total phenolic compounds and antioxidant activity during infrared drying. Journal of Food Processing and Preservation 41(1): e12734. | ||
|
آمار تعداد مشاهده مقاله: 712 تعداد دریافت فایل اصل مقاله: 490 |
||