دوره 19، شماره 131 - ( 1401 )                   جلد 19 شماره 131 صفحات 186-173 | برگشت به فهرست نسخه ها

‎ 10.22034/FSCT.19.131.173
‎ 20.1001.1.20088787.1401.19.131.14.5

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hassanloofard Z, Gharekhani M, Zandi M, Roufegarinejad L, Ganjloo A. Kinetic modeling and artificial neural network approach for the modelling of Ohmic-assisted extraction of Falcaria vulgaris extract. FSCT 2022; 19 (131) :173-186
URL: http://fsct.modares.ac.ir/article-7-64180-fa.html
حسنلوفرد زینب، قره خانی مهدی، زندی محسن، روفه گری نژاد لیلا، گنجلو علی. مدل‌سازی سینتیکی و رویکرد شبکه عصبی مصنوعی فرایند استخراج به روش ‌حرارت‌دهی مقاومتی عصاره غازیاغی. مجله علوم و صنایع غذایی ایران. 1401; 19 (131) :173-186

URL: http://fsct.modares.ac.ir/article-7-64180-fa.html

مدل‌سازی سینتیکی و رویکرد شبکه عصبی مصنوعی فرایند استخراج به روش ‌حرارت‌دهی مقاومتی عصاره غازیاغی
زینب حسنلوفرد1 ، مهدی قره خانی2 ، محسن زندی 3، لیلا روفه گری نژاد2 ، علی گنجلو4
1- دانشجوی دکتری علوم ومهندسی صنایع غذایی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
2- استادیارگروه علوم و مهندسی صنایع غذایی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
3- گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران ، zandi@znu.ac.ir
4- دانشیار، گروه علوم و مهندسی صنایع غذایی، دانشگاه آزاد واحد تبریز
چکیده:   (949 مشاهده)
تجزیه‌وتحلیل مدل‌سازی استخراج از ترکیبات طبیعی در کاربرد صنعتی ضروری است. در مقاله حاضر، استخراج عصاره از  گیاه غازیاغیFalcaria vulgaris) ) به روش حرارت‌دهی مقاومتی مورد بررسی قرار گرفت. این مطالعه به منظور بیان تأثیر برخی از متغیرهای مشخص (نظیر گرادیان ولتاژ، نسبت اتانول به آب، زمان و دمای استخراج) بر بازده استخراج و محتوای فنلی کل (TPC) انجام شد. مدل‌های سینتیک (مدل‌های مرتبه اول، مرتبه دوم و پلگ) و شبکه عصبی مصنوعی برای مدل‌سازی فرآیند استخراج به به روش حرارت‌دهی مقاومتی استفاده شد. مطالعه سینتیکی نقش بسیار مهمی در ارزیابی فرآیند استخراج بازی می‌کند، زیرا امکان تخمین مقرون‌به‌صرفه بودن فرآیند از نظر صرفه‌جویی در زمان، هزینه و انرژی را فراهم می‌نماید. نتایج نشان داد که مدل‌های سینتیکی مرتبه دوم و پلگ توانستند به‌ترتیب مقادیر محتوای فنل کل عصاره و راندمان استخراج را با موفقیت پیش‌بینی نمایند. ضریب همبستگی بین بازده استخراج تجربی به‌دست‌آمده و محتوای فنلی کل و مقادیر پیش‌بینی‌شده توسط شبکه عصبی مصنوعی (2-16-4) برای آموزش برابر 995/0، برای اعتبارسنجی برابر 963/0 و برای آزمایش برابر 979/0 بود، که نشان‌دهنده توانایی پیش‌بینی خوب مدل است. مدل شبکه عصبی مصنوعی کارایی پیش‌بینی بالاتری نسبت به مدل‌های جنبشی داشت. شبکه عصبی مصنوعی می‌تواند فرآیند را با به‌طور مطمئن‌تری نسبت به مدل‌های سینتیکی با قابلیت‌های پیش‌بینی و تخمین بهتری مدل کند.
 
واژه‌های کلیدی: غازیاغی، استخراج، حرارت‌دهی مقاومتی، شبکه عصبی مصنوعی، مدل سینتیکی.
متن کامل [PDF 752 kb]   (289 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: استخراج ترکیبات موثره
دریافت: 1401/6/22 | پذیرش: 1401/9/21 | انتشار: 1401/10/10
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.