تعداد نشریات | 43 |
تعداد شمارهها | 1,275 |
تعداد مقالات | 15,735 |
تعداد مشاهده مقاله | 51,835,835 |
تعداد دریافت فایل اصل مقاله | 14,672,311 |
بهینهسازی ساختار شبکه عصبی مصنوعی با استفاده از الگوریتم ژنتیک برای پیشبینی پارامترهای فرآیند آبگیری به روش اسمزی- فراصوت از کیوی | ||
پژوهش های صنایع غذایی | ||
دوره 33، شماره 2، تیر 1402، صفحه 95-108 اصل مقاله (482.87 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/fr.2022.51813.1837 | ||
نویسندگان | ||
فخرالدین صالحی* 1؛ رعنا چراغی2 | ||
1دانشیار گروه علوم و صنایع غذایی، دانشگاه بوعلی سینا، همدان، ایران | ||
2دانشجوی کارشناسی ارشد، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران | ||
چکیده | ||
زمینه مطالعاتی: یکی از مهمترین کاربردهای شبکههای عصبی مصنوعی، طراحی مدلی است که بتوان براساس آن مقدار یک یا چند متغیر وابسته را به کمک متغیرهای مستقل پیشبینی کرد. الگوریتم ژنتیک یکی از روشهای بهینهسازی مسائل و مدلها است که اساس آن بر انتخاب طبیعی و برخی از مفاهیم مهم از علم ژنتیک استوار است. هدف: در این مطالعه از روش الگوریتم ژنتیک- شبکه عصبی مصنوعی برای پیشبینی درصد کاهش وزن، درصد کاهش آب، درصد جذب مواد جامد و درصد آبگیری مجدد برشهای کیوی آبگیری شده به روش اسمز-فراصوت استفاده شد. روش کار: ساختار الگوریتم ژنتیک- شبکه عصبی مصنوعی با 3 ورودی زمان اعمال فراصوت (در هشت زمان 10، 20، 30، 40، 50، 60، 70 و 80 دقیقه)، غلظت محلول ساکارز (در سه سطح 20، 30 و 40 درجه بریکس) و توان فراصوت (در سه سطح 0، 75 و 150 وات)، برای پیشبینی ویژگیهای برشهای کیوی آبگیری شده، توسعه یافت. نتایج: میانگین درصد کاهش رطوبت برای نمونه شاهد (بدون اعمال فراصوت) 96/21 درصد بود. با افزایش توان فراصوت دستگاه به 150 وات، میانگین درصد کاهش رطوبت نمونهها 51/27 درصد افزایش یافت (05/0>P). با افزایش غلظت محلول اسمزی از 20 به 40 درصد، میانگین درصد کاهش رطوبت نمونهها بهطور معنیداری از 58/16 درصد به 33/35 درصد افزایش یافت (05/0>P). مقادیر ضرایب تبیین (r) محاسبهشده برای پیشبینی درصد کاهش وزن، درصد کاهش آب، درصد جذب مواد جامد و درصد آبگیری مجدد برشهای کیوی آبگیری شده با استفاده از روش الگوریتم ژنتیک- شبکه عصبی مصنوعی به ترتیب برابر 983/0، 989/0، 992/0 و 979/0 بود. براساس نتایج آزمون آنالیز حساسیت، پارامتر آبگیری مجدد، حساسترین پارامتر به تغییرات غلظت محلول اسمزی و افزایش زمان اعمال فراصوت بود. نتیجهگیری نهایی: نتایج به دست آمده از این روش نشان میدهد که روش الگوریتم ژنتیک- شبکه عصبی مصنوعی یک راهحل مناسب برای مدلسازی فرآیند آبگیری از کیوی به روش اسمز- فراصوت است. | ||
کلیدواژهها | ||
آبگیری مجدد؛ آنالیز حساسیت؛ جذب مواد جامد؛ ساکارز | ||
مراجع | ||
خاکبازحشمتی م و سیفیمقدم ا، 1396، بررسی تکنیک متناوب مایکروویو- هوای گرم بر خواص کیفی و تغذیهای برگههای کیوی خشکشده. پژوهشهای صنایع غذایی، 27(1)، 126-111.
صالحی ف و ساترابی م، 1401، مدلسازی فرآیند خشک کردن برشهای هلو پوشش دادهشده با صمغهای دانه ریحان و گزانتان با سامانه فروسرخ. پژوهشهای صنایع غذایی، 32(3)، 28-17.
AOAC, 2010. Official methods of analysis, 16th edition. Association of Official Analytical Chemists, Washington DC, USA.
Awad TS, Moharram HA, Shaltout OE, Asker D, Youssef MM, 2012. Applications of ultrasound in analysis, processing and quality control of food: A review. Food Research International 48(2): 410-427.
Azarpazhooh E, Sharayeei P, Gheybi F, 2019. Evaluation of the effects of osmosis pretreatment assisted by ultrasound on the impregnation of phenolic compounds into aloe vera gel and dry product quality. Food Engineering Research 18(66): 143-154.
Davallou M, Heidari T, 2018. Comparison of stock index forecasting using hybrid models based on genetic algorithm and harmonic search with artificial neural network. Quarterly Journal of Quantitative Economics 15(3): 105-127.
Fernandes FA, Gallão MI, Rodrigues S, 2008. Effect of osmotic dehydration and ultrasound pre-treatment on cell structure: Melon dehydration. LWT-Food Science and Technology 41(4): 604-610.
Fernandes FAN, Gallão MI, Rodrigues S, 2009. Effect of osmosis and ultrasound on pineapple cell tissue structure during dehydration. Journal of Food Engineering 90(2): 186-190.
Gharibi Tehrani M, Azar Pazhooh E, Pedram Nia A, Estiri SH, 2020. Mass transfer kinetic by ultrasound treatment-osmosis in slices yellow onion. Journal of Innovation in Food Science and Technology 12(1).
Hafezi N, Bahrami H, Sheikh Davoodi MJ, Alavi SE, 2020. Hybrid artificial neural network with meta-heuristic algorithms for predicting sugarcane yield. Iranian Journal of Biosystems Engineering 51(3): 515-526.
Mirabdolahi M, Abootorabi MM, 2019. Optimization and modeling of plasma cutting of AISI 309 stainless steel by using neural network-genetic algorithm hybrid model. Modares Mechanical Engineering 19(10): 2455-2462.
Mokhtariyan M, Mahmmodi M, Maleki M, Mahjoorian A, 2017. Performance investigation of arrangement type of perceptron neural network to predict mass transfer kinetic of daikon ultrasound-osmotic dehydration. Food Science and Technology 13(12): 33-43
Mokhtarian M, Heidari Majd M, Daraei Garmakhany A, Zaerzadeh E, 2021. Predicting the moisture ratio of dried tomato slices uusing artificial neural network and genetic aalgorithm modeling. Journal of Research and Innovation in Food Science and Technology 9(4): 411-422.
Monadjemi SA, Abzari M, Rayati Shavazi A, 2009. Modeling of stock price forecasting in stock exchange market, using fuzzy neural networks and genetic algorithms. Quarterly Journal of Quantitative Economics 6(22): 1-26.
Pourmohammadali B, Hosseinifard SJ, Hassan Salehi M, Shirani H, Esfandiarpour Boroujeni I, 2019. Effects of soil properties, water quality and management practices on pistachio yield in Rafsanjan region, southeast of Iran. Agricultural Water Management 213: 894-902.
Salehi F, 2020a. Food industry machines and equipment. Bu-Ali Sina University Press, Hamedan, Iran.
Salehi F, 2020b. Physico-chemical properties of fruit and vegetable juices as affected by ultrasound: A review. International Journal of Food Properties 23(1): 1748-1765.
Salehi F, Abbasi Shahkoh Z, Godarzi M, 2015. Apricot osmotic drying modeling using genetic algorithm - artificial neural network. Journal of Innovation in Food Science and Technology 7(1): 65-76.
Salehi F, Cheraghi R, Rasouli M, 2022. Influence of sonication power and time on the osmotic dehydration process efficiency of banana slices. Journal of Food Science and Technology (Iran).
Satorabi M, Salehi F, 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.
Taghizadeh R, Fattahi A, Tahari MH, Babaei H, 2015. Evaluating hybrid model of artificial neural networks and genetic algorithms for forecasting consumption of energy in Iran agricultural sector. Agricultural Economics Research 7(27): 149-166.
Yusefi A, Dilmaghanian S, Ziaforoughi A, 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. | ||
آمار تعداد مشاهده مقاله: 362 تعداد دریافت فایل اصل مقاله: 209 |