مدل‌سازی افت وزن زردآلو طی خشک‌کردن با خشک‌کن فروسرخ به روش بهینه‌سازی الگوریتم ژنتیک- شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسنده

دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان

چکیده

زمینه مطالعاتی: مدل‌سازی خشک‌کردن محصولات کشاورزی، یکی از راه‌های مناسب برای کنترل زمان و شرایط خشک‌کردن می‌باشد. هدف: در این مطالعه جهت خشک‌کردن و افزایش زمان ماندگاری زردآلو، از روش پرتودهی فروسرخ استفاده گردید. روش کار: اثر توان لامپ فروسرخ در سه سطح 150، 250 و 375 وات، فاصله نمونه از لامپ در سه سطح 5، 5/7 و 10 سانتی‌متر و در مدت زمان 160 دقیقه بر خشک‌کردن زردآلو بررسی شد. نتایج: نتایج خشک‌کردن زردآلو به روش فروسرخ نشان داد با افزایش توان لامپ و کاهش فاصله نمونه‌ها از منبع حرارتی، سرعت خشک‌کردن افزایش می‌یابد. مدل‌سازی فرآیند به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی با 3 ورودی (توان لامپ، فاصله لامپ و زمان) و 1 خروجی (کاهش وزن) انجام شد. نتایج مدل‌سازی به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی نشان داد شبکه‌ای با تعداد 7 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی سیگموئیدی می‌تواند درصد کاهش وزن را طی فرآیند خشک‌کردن زردآلو به روش فروسرخ را با ضریب همبستگی برابر 9987/0 و میانگین مربعات خطا برابر 9215/1 پیشگویی نماید. نتیجه‌گیری نهایی: نتایج آنالیز حساسیت توسط شبکه عصبی بهینه نشان داد که زمان خشک‌کردن به عنوان مؤثرترین عامل در کنترل کاهش وزن برش‌های زردآلو می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling of apricot weight loss during drying with infrared dryer using genetic algorithm-artificial neural network optimization methods

نویسنده [English]

  • F Salehi

 

Afzal T, Abe T, Hikida Y, 1999. Energy and quality aspects during combined FIR-convection drying of barley. Journal of Food Engineering 42(4): 177-182.
Arumuganathan T, Manikantan M, Rai R, Anandakumar S, Khare V, 2009. Mathematical modeling of drying kinetics of milky mushroom in a fluidized bed dryer. International Agrophysics 23(1): 1-7.
Chia KS, Rahim HA, Rahim RA, 2011. A comparison of Principal Component Regression and Artificial Neural Network in fruits quality prediction, Signal Processing and its Applications (CSPA), 2011 IEEE 7th International Colloquium on. IEEE, 261-265.
Erenturk S, Erenturk K, 2007. Comparison of genetic algorithm and neural network approaches for the drying process of carrot. Journal of Food Engineering 78(3): 905-912.
Hassan-Beygi SR, 2009. Some physico-mechanical properties of apricot fruit, pit and kernel of ordubad variety. Agricultural Engineering International 6: 1-16.
Hebbar HU, Vishwanathan K, Ramesh M, 2004. Development of combined infrared and hot air dryer for vegetables. Journal of Food Engineering 65(4): 557-563.
Hernandez-Perez J, Garcıa-Alvarado M, Trystram G, Heyd B, 2004. Neural networks for the heat and mass transfer prediction during drying of cassava and mango. Innovative Food Science & Emerging Technologies 5(1): 57-64.
Hosseini Ghaboos SH, Seyedain Ardabili SM, Kashaninejad M, Asadi G, Aalami M, 2016. Changes in the physico-chemical and engineering parameters of pumpkin (C. moschata) with infrared drying method. Journal of Innovation in Food Science and Technology 8(8): 93-102.
Kumar DP, Hebbar HU, Ramesh MN, 2006. Suitability of thin layer models for infrared–hot air-drying of onion slices. LWT-Food Science and Technology 39(6): 700-705.
Lertworasirikul S, Saetan S, 2010. Artificial neural network modeling of mass transfer during osmotic dehydration of kaffir lime peel. Journal of Food Engineering 98(2): 214-223.
Meeso N, Nathakaranakule A, Madhiyanon T, Soponronnarit S, 2004. Influence of FIR irradiation on paddy moisture reduction and milling quality after fluidized bed drying. Journal of Food Engineering 65(2): 293-301.
Movagharnejad K, Nikzad M, 2007. Modeling of tomato drying using artificial neural network. Computers and Electronics in Agriculture 59(1): 78-85.
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.
Ochoa-Martinez C, Ayala-Aponte A, 2007. Prediction of mass transfer kinetics during osmotic dehydration of apples using neural networks. LWT-Food Science and Technology 40(4): 638-645.
Pan Z, Shih C, McHugh TH, Hirschberg E, 2008. Study of banana dehydration using sequential infrared radiation heating and freeze-drying. LWT-Food Science and Technology 41(10): 1944-1951.
Poligné I, Broyart B, Trystram G, Collignan A, 2002. Prediction of mass-transfer kinetics and product quality changes during a Dehydration-Impregnation-Soaking process using artificial neural networks. Application to pork curing. LWT-Food Science and Technology 35(8): 748-756.
Praveen Kumar D, Umesh Hebbar H, Sukumar D, Ramesh M, 2005. Infrared and hot‐air drying of onions. Journal of Food Processing and Preservation 29(2): 132-150.
Ramzi M, Kashaninejad M, Salehi F, Sadeghi Mahoonak AR, Ali Razavi SM, 2015. Modeling of rheological behavior of honey using genetic algorithm–artificial neural network and adaptive neuro-fuzzy inference system. Food Bioscience 9: 60-67.
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, Kashaninejad M, Akbari E, Sobhani SM, Asadi F, 2016. Potential of Sponge Cake Making using Infrared–Hot Air Dried Carrot. Journal of texture studies 47(1): 34-39.
Salehi F, Kashaninejad M, Asadi Amirabadi A, 2014. Investigation of Mass Transfer Kinetics during Combined Hot Air-Infrared Drying of Eggplant Slices. Modern Food Science and Technology journal 7: 55-62 .
Salehi F, Kashaninejad M, Jafarianlari M, 2017. Drying kinetics and characteristics of combined infrared-vacuum drying of button mushroom slices. Heat and Mass Transfer 53(5): 1751-1759.
Salehi F, Razavi SMA, 2016. Modeling of waste brine nanofiltration process using artificial neural network and adaptive neuro-fuzzy inference system. Desalination and Water Treatment 57(31): 14369-14378.
Sharma G, Verma R, Pathare P, 2005. Mathematical modeling of infrared radiation thin layer drying of onion slices. Journal of Food Engineering 71(3): 282-286.
Yazdani M, Borghaee AM, Rafiee S, Minaei S, Beheshti B, 2013. Mathematical and neural networks modeling of thin-layer drying of peach (Prunus persica) slices and their comparison. European Journal of Experimental Biology 3(3): 712-721.
Zita NEB, Emmanuel AN, Patrice K, Ismael D, Benjamin Y, 2009. Modelling of osmotic dehydration of mango (Mangifera indica) by recurrent artificial neural network and experimental design. Research Journal of Agriculture and Biological Sciences 5(5): 754-761.