عملکرد شبکه‌های عصبی مصنوعی در پیش‌بینی اثرات میزان بوجاری، رطوبت، دما و زمان بر ویژگی‌های فیزیکی و میکروبی دانه‌ی گندم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد گروه مهندسی مواد و طراحی صنایع غذایی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات آیت الله آملی

2 2 دانشیار گروه مهندسی مواد و طراحی صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 4 دانشجوی دکتری، گروه نانو تکنولوژی، پژوهشکده علوم و صنایع غذایی مشهد

4 3 دانشیار گروه مهندسی مواد و طراحی صنایع غذایی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات آیت الله آملی

چکیده

شناخت ویژگی‌های فیزیکی دانه‌ی ‌گندم در فرآیند انتقال، جداسازی و ذخیره این محصول ارزشمند، نقش اساسی ایفا می‌نماید. در این مطالعه و در گام نخست، اثرات میزان بوجاری، رطوبت، دما و مدت زمان نگهداری روی برخی از ویژگی‌های فیزیکی (هکتولیتر، وزن هزار دانه و دانسیته توده) و میکروبی (شمارش کلی میکروارگانیسم‌ها و کپک‌ها) دانه‌ی گندم رقم n-80 بررسی شد و سپس داده‌های حاصله توسط شبکه‌‌ی عصبی مصنوعی مدل پرسپترون چند لایه‌ و شبکه تابع پایه‌ی شعاعی با توابع آستانه مختلف، شبیه‌سازی شد و داده‌های پیش‌بینی شده توسط شبکه عصبی مصنوعی با داده‌های تجربی مورد مقایسه قرار گرفتند. نتایج نشان داد، شبکه پرسپترون چند لایه با یک لایه مخفی با تابع فعال‌سازی تانژانت هیپربولیک- تانژانت هیپربولیک، برای ویژگی‌های‌های فیزیکی با چیدمانی با پنج ورودی، 11 نرون در لایه پنهان، 3 خروجی (3-11-5) با تعداد تکرار 3000 و همچنین برای ویژگی‌های میکروبی، چیدمانی با پنج ورودی، 4 نرون در لایه پنهان، 2 خروجی (2-4-5) و با تعداد تکرار 4000، بهترین نتیجه را برای پیش‌بینی این ویژگی‌ها در مقایسه با شبکه‌ی تابع پایه‌ی شعاعی داشتند. ضرایب تبیین برای ویژگی‌‌های هکتولیتر، وزن هزار دانه، دانسیته توده، شمارش کلی میکروارگانیسم‌ها و کپک در شبکه‌ی پرسپترون چند لایه به ترتیب برابر با 950/0، 989/0، 908/0، 908/0 و 938/0 بودند. میزان هکتولیتر و دانسیته توده با بالا رفتن سطوح رطوبتی، مدت زمان نگهداری و دما کاهش و با افزایش سطوح بوجاری افزایش یافت. میزان شمارش کلی میکروارگانیسم‌ها و کپک با افزایش رطوبت، دما و مدت زمان نگهداری افزایش و با بالا رفتن سطوح بوجاری کاهش یافتند.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of artificial neural networks (ANNs) in predicting the effects of cleaning, moisture content, temperature and time on the physical and microbial characteristics of wheat

نویسندگان [English]

  • E A 1
  • S J 2
  • A A 3
  • A M 4
اسفندیاری درآباد ف، 1389، پیش‌بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه‌ی عصبی مصنوعی پرسپترون چند لایه، مجله جغرافیا (فصلنامه علمی- پژوهشی انجمن جفرافیای ایران)، 27، 45-64.
امیری‌چایجان ر، خوش‌تقاضا م‌ه، منتظر غ‌ع، مینایی س، علیزاده م‌ح، 1388‌، تخمین ضریب تبدیل شلتوک با استفاده از شبکه‌های عصبی مصنوعی در خشک کردن بستر سیال، مجله علوم و فنون کشاورزی و طبیعی، 48، 285- 298.
بهنیا م‌ر، 1376، غلات سردسیری، مؤسسه انتشارات دانشگاه فردوسی مشهد، چاپ اول، 39-61‌،311-345.
پایان ر، 1385، مقدمه‌ای به تکنولوژی فرآورده‌های غلات، نشر آییژ، چاپ اول، 4-8، 29-54.
رجب‌زاده ن، 1375، تکنولوژی آماده‌سازی و نگهداری غلات، نشر دانشگاه امام رضا (ع) مشهد، چاپ اول، 99- 101، 105- 172.
رجبی م، شاهنوشی ن، فیروز ع، صالحی ف، 1390، کاربرد شبکه عصبی مصنوعی در پیش‌بینی ضایعات نان، 394- 399. پنجمین همایش ملی بررسی ضایعات محصولات کشاورزی، تهران.
سازمان ملی استاندارد ایران، 1383، غلات و حبوبات- اندازه‌گیری وزن هزار‌دانه- روش‌های آزمون، استاندارد ملی ایران، شماره 7629، چاپ اول.
سازمان ملی استاندارد ایران، 1386، میکروبیولوژی مواد غذایی و خوراک دام- روش جامع برای شمارش کلی میکروارگانیسم‌ها در 30 درجه سلیسیوس، استاندارد ملی ایران، شماره 5272، تجدیدنظر اول. 
سازمان ملی استاندارد ایران، 1387، میکروبیولوژی مواد غذایی و خوراک دام- روش جامع برای شمارش کپک‌ها و مخمر‌ها- قسمت دوم: روش شمارش کلنی در فرآورده‌های با فعالیت آبی (aw) مساوی یا کمتر از 95/0، استاندارد ملی ایران، شماره 2-10899، چاپ اول. 
سازمان ملی استاندارد ایران، 1389، غلات - اندازه‌گیری وزن در هکتولیتر (وزن ظاهری)- قسمت 3: روش متداول، استاندارد ملی ایران، شماره 3-8164، چاپ اول.
سازمان ملی استاندارد ایران، 1389، غلات – اندازه‌گیری وزن در هکتولیتر (وزن ظاهری)- قسمت 1: روش مرجع، استاندارد ملی ایران، شماره 1-8164، تجدیدنظر اول.
سازمان ملی استاندارد ایران، 1389، غلات و فرآورده‌های آن- روش اندازه‌گیری رطوبت- روش مرجع، استاندارد ملی ایران، شماره 2705، تجدیدنظر اول.
صداقت‌کردار ع، فتاحی الف، 1387‌، شاخص‌های پیش‌آگاهی خشک‌سالی در ایران، مجله جغرافیا و توسعه دانشگاه سیستان و بلوچستان، جلد 6‌، شماره 11‌، 59- 76.
کیاء س‌م، 1389، محاسبات نرم در متلب، انتشارات کیان رایانه سبز، 623 صفحه.
مختاریان م، شفافی‌زنوزیان م، 1390، پیش‌بینی سینتیک فرآیند آبگیری اسمزی کدوی حلوایی به کمک ابزار هوشمند شبکه‌ی عصبی مصنوعی در حالت استاتیک، مجله علوم و فناوری غذایی، 1، 61-73.
مختاریان م، شفافی م، آرمین م، کوشکی ف، 1390، کاربرد روش ترکیبی سطح پاسخ و شبکه عصبی مصنوعی در پیش‌بینی سینتیک خشک کردن یک ماده غذایی تحت شرایط مختلف خشک کردن، فصلنامه‌ی علوم و فناوری غذایی، سال سوم، شماره چهارم، 51- 66.
مظاهری د، مجنون‌حسینی ن، 1385، مبانی زراعت عمومی، انتشارات دانشگاه تهران.
Farkas I, Reme´nyi P and Biro´ A, 2000. Modelling aspects of grain drying with a neural network. Computers and Electronics in Agriculture 29: 99–113.
Haykin S, 1999. Neural networks, Macmillan College Publishing Company.
Kashaninejad M, Dehghanib AA and Kashiria M, 2009. Modeling of wheat soaking using two artificial neural networks (MLP and RBF). Journal of Food Engineering 91(4): 602-607.
Lertworasirikul S and Tipsuwan Y, 2008. Moisture content and water activity prediction of semi-finished cassava crackers from drying process with artificial neural network. Journal of Food Engineering 84:65–74.
Marinia F, Buccia R, Magrìa A, Magrìa A, Acquistuccib R and Franciscib R, 2008. Classification of 6 durum wheat cultivars from Sicily (Italy) using artificial neural networks. Chemometrics and Intelligent Laboratory Systems 90(15):1-7. 
Mohsenin N, 1980. Physical properties of plant and animal materials. New York: Gorden and Breach.
Sablani S and Shafiur RM, 2003. Using neural networks to predict thermal conductivity of food as a function of moisture content, temperature and apparent porosity. Food Research International 36: 617–623.
Sablani S, Baik OD and Marcotte M, 2002. Neural networks for predicting thermal conductivity of bakery products. Journal of Food Engineering 52: 299–304.
Sajikumar N, Thandaveswara BS, 1999. Non Liner rainfall runoff Model using artificial neural network. Journal of Haydrology 216: 32-35.