آمار
| تعداد نشریات | 32 |
| تعداد شماره‌ها | 755 |
| تعداد مقالات | 8,378 |
| تعداد مشاهده مقاله | 10,074,118 |
| تعداد دریافت فایل اصل مقاله | 9,485,888 |
مدل‌سازی سینتیک خشک‌کردن لایه‌نازک قارچ دکمه‌ای توسط هوای داغ با استفاده از الگوریتم ژنتیک- شبکه عصبی مصنوعی | ||
| پژوهش های صنایع غذایی | ||
| مقاله 8، دوره 26، شماره 3، پاییز 1395، صفحه 457-467 اصل مقاله (1.08 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
فخرالدین صالحی   1؛ مهدی کاشانی نژاد2؛ امین نجفی3؛ فرشته اسدی4
| ||
| 11 استادیار گروه علوم و صنایع غذایی، دانشگاه بوعلی سینا، همدان. | ||
| 2استاد دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان. | ||
| 33 دانشجوی کارشناسی ارشد، گروه علوم و صنایع غذایی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران. | ||
| 44 دانشجوی کارشناسی دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان. | ||
| چکیده | ||
| مدل‌سازی سینتیک خشک شدن قارچ دکمه‌ای در یک خشک‌کن جابجایی هوای داغ به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی موردبررسی قرار گرفت. اثر دمای هوای خشک‌کردن در سه سطح 50، 60 و 70 درجه سانتی‌گراد، سرعت جریان هوا در سه سطح 1،2 و 3 متر بر ثانیه بر خشک‌کردن قارچ دکمه‌ای بررسی شد. نتایج خشک‌کردن قارچ دکمه‌ای به روش هوای داغ نشان‌داد با افزایش دما و سرعت جریان هوای خشک‌کن، آهنگ خشک‌کردن افزایش می‌یابد. با افزایش دمای خشک‌کن از 50 به 70 درجه سانتی‌گراد، و سرعت جریان هوا از 1 به 3 متر بر ثانیه، کاهش وزن به ترتیب 2/12 و 0/12 درصد افزایش یافت. مدل‌سازی سینتیک خشک شدن لایه‌نازک قارچ دکمه‌ای به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی با 3 ورودی دمای هوا، سرعت جریان و زمان خشک‌کردن و 1 خروجی جهت پیشگویی کاهش وزن انجام شد. نتایج مدل‌سازی نشان‌داد شبکه‌ای با تعداد 16 نرون در یک‌لایه پنهان و با استفاده از تابع فعال‌سازی تانژانت هیپربولیک و قانون یادگیری لیونبرگ-مارکوت می‌توان درصد کاهش وزن در طی فرآیند خشک‌کردن قارچ دکمه‌ای به روش جابجایی هوای داغ را پیشگویی نمود (999/0R=). نتایج آنالیز حساسیت توسط شبکه بهینه نشان‌داد که دمای خشک‌کن به‌عنوان مؤثرترین عامل در کنترل کاهش وزن نمونه‌ها هست. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ خشک‌کن لایه‌نازک؛ سینتیک؛ شبکه عصبی؛ قارچ دکمه‌ای؛ هوای داغ | ||
| عنوان مقاله [English] | ||
| Modeling the kinetics of thin-layer drying of button mushroom by hot air using genetic algorithm - artificial neural network | ||
| نویسندگان [English] | ||
| F S1؛ M K2؛ A N3؛ F A4 | ||
| 22 | ||
| 33 | ||
| 44 | ||
| مراجع | ||
|
Alam N, Amin R, Khan A, Ara,I, Shim M J, Lee M W and Lee T S. 2008. Nutritional analysis of cultivated mushrooms in Bangladesh-Pleurotus ostreatus, Pleurotus sajor-caju, Pleurotus florida and Calocybe indica. Mycobiology 36(4): 228-232.
Arora S, Shivhare US, Ahmed J and Raghavan GSV. 2003. Drying kinetics of Agaricus bisporus and Pleurotus florida mushrooms. Transactions-American Society of Agricultural Engineers 46(3): 721-724.
BahramParvar M, Salehi F and Razavi SMA, 2014. Predicting total acceptance of ice cream using artificial neural network. Journal of Food Processing and Preservation 38(3): 1080-1088.
Brennan M, Le Port G, Pulvirenti A and Gormley R, 2000. Post-harvest Treatment with Citric Acid or Hydrogen Peroxide to Extend the Shelf Life of Fresh Sliced Mushrooms, LWT-Food Science and Technology 33: 285-289.
Doymaz I and Pala M. 2003. The thin-layer drying characteristics of corn. Journal of Food Engineering, 60: 125-130.
Doymaz I, 2007. Air drying characteristics of tomatoes. Food Engineering. 78: 1291-1297.
Erenturk S and Erenturk K, 2007. Comparison of genetic algorithm and neural network approaches for drying process of carrot. Journal of Food Engineering 78: 905-912.
FAO, 2011. Statistical Database. Available: http://www.fao.org/.
Farkas I, Reményi P and BirÓ B, 2000. A neural network topology for modeling grain drying. Computers and Electronics in Agriculture 26: 147-158.
Giri SK and Prasad S, 2007. Drying kinetics and rehydration characteristics of microwave-vacuum and convective hot-air dried mushroom. Journal of Food Engineering 78 (2): 512-521.
Kotwaliwale N, Bakane P and Verma A, 2007. Changes in textural and optical properties of Oyster mushroom during hot air drying. Journal of Food Engineering 78 (4): 1207-1211.
Lertworasirikul S and Saetan S, 2010. Artificial neural network modeling of mass transfer during osmotic dehydration of kaffir lime peel. Journal of Food Engineering 98: 214–223.
Motevali A, Minaei ., Khoshtaghaza MH and Amirnejat H. 2011. Comparison of energy consumption and specific energy requirements of different methods for drying mushroom slices. Energy 36(11): 6433-6441.
Mujumdar AS, 1997. Industrial drying of foods. in: G.J.B. Christopher (Ed.), Drying fundamentals. Blakie academic and professional publications.
Salehi F and Razavi SMA, 2012. Dynamic modeling of flux and total hydraulic resistance in nanofiltration treatment of regeneration waste brine using artificial neural network. Desalination and Water Treatment 41: 95-104.
Salehi F, Abbasi Shahkoh Z, Godarzi M, 2014. Apricot Osmotic Drying Modeling Using Genetic Algorithm - Artificial Neural Network. Journal of Innovation in Food Science and Technology. (In Farsi).
Singh U, Jain S, Doshi A, Jain H and Chahar V, 2008. Effects of Pretreatments on Drying Characteristics of Button Mushroom. International Journal of Food Engineering 4(4): DOI: 10.2202/1556-3758.1179. | ||
|
آمار تعداد مشاهده مقاله: 337 تعداد دریافت فایل اصل مقاله: 294 |
||
