
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,629,088 |
تعداد دریافت فایل اصل مقاله | 8,223,685 |
مدل سازی فرآیند خشک کردن بادمجان توسط سامانه مادون قرمز به روش الگوریتم ژنتیک-شبکه عصبی مصنوعی | ||
نشریه فرآوری و نگهداری مواد غذایی | ||
مقاله 7، دوره 9، شماره 1، خرداد 1396، صفحه 85-96 اصل مقاله (746.97 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/ejfpp.2017.7859.1192 | ||
نویسندگان | ||
علیرضا اسدی امیر آبادی1؛ مهدی کاشانی نژاد2؛ فخرالدین صالحی* 3 | ||
1دانشجوی کارشناسی ارشد دانشکده علوم و صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
2دانشیار دانشکده علوم و صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
3دانشجوی دکتری، دانشکده علوم و صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
چکیده | ||
در این مطالعه رفتار خشککردن لایهنازک ورقههای بادمجان در یک خشککن مادونقرمز (IR) بررسی گردید. اثر توان لامپ مادونقرمز (150، 250 و 375 وات)، فاصله نمونه از لامپ (5، 10 و 15 سانتیمتر)، ضخامت نمونهها (5/0 و 1 سانتیمتر) و زمان خشککردن بر خشک شدن ورقههای بادمجان موردبررسی قرار گرفت. نتایج خشککردن بادمجان به روش مادونقرمز نشانداد با افزایش توان لامپ و کاهش فاصله نمونهها از منبع حرارتی، سرعت خشککردن افزایش مییابد. مقدار کاهش وزن، با افزایش توان لامپ از 150 به 375 وات، از 08/31 به 44/92 درصد افزایش یافت. میزان وزن، با افزایش فاصله لامپ از 5 به 15 سانتیمتر، از 44/92 به 15/31 درصد، کاهش یافت. در این پژوهش مدلسازی فرآیند به روش الگوریتم ژنتیک-شبکه عصبی مصنوعی با 4 ورودی (توان، فاصله لامپ، ضخامت نمونه و زمان خشککردن) و 1 خروجی جهت پیشگویی کاهش وزن انجام شد. نتایج مدلسازی به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی نشانداد شبکهای با تعداد 14 نرون در یک لایه پنهان و با استفاده از تابع فعالسازی سیگموئیدی میتوان بهخوبی درصد کاهش وزن در طی فرآیند خشککردن بادمجان به روش مادونقرمز را پیشگویی نمود (99/0R=). نتایج آنالیز حساسیت توسط شبکه عصبی بهینه نشانداد که توان لامپ مادونقرمز بهعنوان مؤثرترین عامل برای کنترل کاهش وزن بادمجان است. | ||
کلیدواژهها | ||
الگوریتم ژنتیک؛ آنالیز حساسیت؛ بادمجان؛ پیشگویی؛ مادون قرمز | ||
مراجع | ||
1. Afzal, M.T.T., and Hilida, Y. 1999. Energy and quality aspect during combined FIR convection drying of barely. Journal of Food Engineering. 42: 177-188. 2. Akpinar, E.K., and Bicer, Y. 2005. Modeling of the drying of eggplants in thin-layers. International Journal of Food Science and Technology. 40: 273–281 3. Amiri Chayjan, R., Tabatabaei Bahrabad, S.M., and Rahimi, S.F. 2013. Modeling infraredcovective drying of pistachio nuts under fixed and fluidized bed conditions. Journal of Food Processing and Preservation. 38: 1224-1233. 4. BahramParvar, M., Salehi, F., and Razavi, S.M.A. 2014. Predicting total acceptance of ice cream using artificial neural network. Journal of Food Processing and Preservation. 38: 3.1080-1088. 5. Das, I., Das, S., and Satish, K. 2004. Specific energy and quality aspects of infrared (IR) dried. Journal of Food Engineering. 62: 9–14 6. Doymaz, I. 2011. Drying of eggplant slices in thin layers at different air temperatures. Journal of Food Processing and Preservation. 35 (2): 280-289. 7. Erenturk, S., and Erenturk, K. 2007. Comparison of genetic algorithm and neural network approaches for the drying process of carrot. Journal of Food Engineering. 78: 905-912. 8. Ertekin, C., and Yaldiz, O. 2004. Drying of eggplant and selection of a suitable thin layer drying model. Journal of Food Engineering. 63: 349-359. 9. Hebbar, H.U., Vishwanathan, K.H., and Ramesh, M.N. 2004. Development of combined infrared and hot air dryer for vegetables. Journal of Food Engineering. 65: 557–563. 10.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. 11.Nimmol, C. 2010. Vacuum far-infrared drying of foods and agricultural materials, The Journal of the King Mongkut’s University of Technology North Bangkok. 20: 37-44. 12.Ramzi, M., Kashaninejad, M., Salehi, F., Sadeghi Mahoonak, A.R., and Razavi, S.M. 2015. Modeling of rheological behavior of honey using genetic algorithm–artificial neural network and adaptive neuro-fuzzy inference system. Food Bioscience. 9: 60-67. 13.Rastogi, N.K. 2012. Recent trends and developments in infrared heating in food processing. Critical Review in Food Science and Nutrition. 52: 737-760. 14.Salehi, F., Abbasi Shahkoh, Z., and Godarzi, M. 2015. Apricot osmotic drying modeling using genetic algorithm- artificial neural network. Journal of Innovation in Food Science and Technology. 7: 65-76. 15.Salehi, F., Kashaninejad, M., Asadi, F., and Najafi, A. 2016a. Improvement of quality attributes of sponge cake using infrared dried button mushroom. Journal of Food Science and Technology. 53: 1418-1423. 16.Salehi, F., Kashaninejad, M., and Jafarianlari, A. 2017. Drying kinetics and characteristics of combined infrared-vacuum drying of button mushroom slices. Heat Mass Transfer. 53: 1751- 1759. 17.Salehi, F., and Razavi, S.M.A. 2016b. Modeling of waste brine nanofiltration process using artificial neural network and adaptive neuro-fuzzy inference system. Desalination and Water Treatment. 57: 14369-14378. | ||
آمار تعداد مشاهده مقاله: 815 تعداد دریافت فایل اصل مقاله: 878 |