انجمن علوم و صنایع غذایی ایران مجله علوم و صنایع غذایی ایران 2008-8787 18 113 2021 06 22 Evaluating the performance of artificial neural networks (ANNs) for predicting the physical, rheological, and colorimetric properties of chitosan nanoparticles (CSNPs) بررسی کارایی شبکه‌های عصبی مصنوعی در پیش‌بینی ویژگی‌های فیزیکی، رئولوژیکی و رنگ‌سنجی نانوذرات کیتوزان 77 90 26379 10.52547/fsct.18.113.77 FA الهام آل‌حسینی گروه مهندسی مواد و طراحی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران سید مهدی جعفری استاد، گروه مهندسی مواد و طراحی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران هدی شهیری طبرستانی استادیار، گروه شیمی مواد غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران Journal Article The formation of chitosan nanoparticles (CSNPs) with a high stability still remains a main challenge in terms of applying the produced particles in the field of nutraceutical and drug delivery systems. Giving that there are many variables parameters which could affect the size, morphology, and other properties of fabricated CSNPs during ionic gelation process along with using sodium tripolyphosphate (STPP) as the most common cross-linking agent. In this study, after the production of CSNPs under the influence of various independent variables such as chitosan (CS) concentration, STPP concentration, and CS to STPP ratio, in the next step, the physical, rheological, turbidity, and colorimetric properties of the produced nanoparticles were measured. Finally, two artificial neural networks (ANNs) – multilayer perceptron (MLP) and radial basis function (RBF) – with a single hidden layer and different threshold functions, learning algorithms, etc. were employed to predict the CSNPs properties. The results revealed that MLP for the physical, viscosity, b*, and chroma properties and RBF for other properties – with a Levenberg-Marquardt (LM) learning algorithm of 1000 epochs – well predict them with a very high determination coefficients (R2) and low mean square error (MSE). R2 for nanoparticle size, poly dispersity index (PDI), zeta potential, viscosity, and electrical conductivity of CSNPs suspensions were determined 0.9881, 0.9534, 0.9431, 0.9212, and 0.9636, respectively. However, RBF with a single hidden layer comprising a set of 3 inputs, 4 neurons in hidden layer, and 3 outputs with the SigmoidAxon- SigmoidAxon transfer function presented the best results for predicting the L*, ΔE, and WI properties of CSNPs suspensions. In addition, R2 for L*, ΔE, and WI of CSNPs were calculated 0.9586, 0.9775, and 0.9457, respectively. Also, the flow behavior index of CSNPs suspensions was determined less than 1, which indicates the pseudoplastic behavior of the samples. تشکیل نانوذرات کیتوزان با پایداری بالا به منظور استفاده در سیستم‌های تحویل مواد مغذی و دارویی، همچنان یک چالش عمده در صنایع غذایی و دارویی است. همچنین متغیرهای زیادی می‌توانند اندازه، مورفولوژی و سایر ویژگی‌های نانوذرات کیتوزان را در طی فرایند ژله‌ای شدن یونی و با استفاده از سدیم تری‌پلی‌فسفات (به عنوان متداول‌ترین عامل اتصال عرضی)، تحت تأثیر قرار دهند. لذا در این پژوهش، پس از تولید نانوذرات کیتوزان تحت تأثیر متغیرهای مستقل غلظت کیتوزان، غلظت سدیم تری‌پلی‌فسفات و نسبت کیتوزان به سدیم تری‌پلی‌فسفات، در گام بعدی، ویژگی‌های فیزیکی، رئولوژیکی، کدورت و رنگ‌سنجی نانوذرات تولیدی مورد اندازه‌گیری قرار گرفتند. در نهایت، از دو شبکه عصبی مصنوعی مدل پرسپترون چند لایه و شبکه تابع پایه‌‌ی شعاعی با یک لایه پنهان و با توابع آستانه، الگوریتم‌های یادگیری و ... مختلف، به منظور پیش‌بینی ویژگی‌های نانوذرات کیتوزان استفاده شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه برای ویژگی‌های فیزیکی، ویسکوزیته، شاخص b* و chroma و شبکه تابع پایه شعاعی برای دیگر ویژگی‌های مورد بررسی (با بکارگیری الگوریتم یادگیری لونبرگ- مارکوارت و تعداد تکرار 1000)، قادر به پیش‌بینی آن‌ها با ضرایب تعیین بسیار بالا و میانگین مربعات خطای پایین بود. ضرایب تعیین برای اندازه نانوذرات، شاخص پراکندگی، پتانسیل زتا، ویسکوزیته و ضریب هدایت الکتریکی سوسپانسیون‌های نانوذرات کیتوزان به ترتیب برابر با 9881/0، 9534/0، 9431/0، 9212/0 و 9636/0 بودند. این در حالی بود که شبکه‌ی تابع پایه شعاعی با یک لایه پنهان، چیدمانی با 3 ورودی، 4 نرون در لایه پنهان و 3 خروجی، با تابع انتقال سیگموئید- سیگموئید، بهترین نتیجه را برای پیش‌بینی ویژگی‌های L*، ΔE و WI سوسپانسیون‌های نانوذرات کیتوزان داشت. ضرایب تعیین برای پیش‌بینی L*، ΔE و WI نانوذرات کیتوزان به ترتیب برابر با 9586/0، 9775/0 و 9457/0بودند. همچنین شاخص رفتار جریان سوسپانسیون‌های نانوذرات‌ کیتوزان کمتر از 1 بود که نشان دهنده رفتار سودوپلاستیک نمونه‌ها بود.

https://fsct.modares.ac.ir/article_26379_eaef056473008c7fe947a09daeb8f592.pdf