دوره 16، شماره 96 - ( 1398 )                   جلد 16 شماره 96 صفحات 119-103 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Zandi M, Ganjloo A, Bimakr M. Modelling medlar (Mespilus germanica) quality changes during cold storage using kinetics models and artificial neural network. FSCT 2020; 16 (96) :103-119
URL: http://fsct.modares.ac.ir/article-7-35326-fa.html
زندی محسن، گنجلو علی، بی مکر ماندانا. مدل‌سازی تغییرات کیفی ازگیل (Mespilus germanica) طی نگهداری در سردخانه با استفاده از مدل‌های سینتیکی و شبکه‌های عصبی مصنوعی. مجله علوم و صنایع غذایی ایران. 1398; 16 (96) :103-119

URL: http://fsct.modares.ac.ir/article-7-35326-fa.html


1- دکتری تخصصی، استادیار، گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران ، zandi@znu.ac.ir
2- دکتری تخصصی، دانشیار، گروه علوم و مهندسی صنایع غذایی، دانشگاه زنجان، زنجان، ایران
3- دکتری تخصصی، دانشیار، گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
چکیده:   (3573 مشاهده)
هدف از انجام این پژوهش بررسی سینتیک تخریب خصوصیات کیفی اصلی ازگیل طی نگهداری در سردخانه می‌باشد. ازگیل (Mespilus germanica) بطور گسترده و بیشتر به صورت وحشی در شمال ایران می‌روید و کاربرد فراوانی به سبب خواص تغذیه‌ای و درمانی دارد. در میوه‌ها خصوصیات کیفی به عنوان معیار مهم پذیرش توسط مصرف کننده است، از اینرو ارزیابی پارامترهای موثر بر کیفیت ازگیل حائز اهمیت می‌باشد. از آنجائی­که اندازه‌گیری این پارامترها بسیار هزینه‌بر و زمان‌بر است، بنابراین پیش‌بینی آنها بسیار ضروری می‌باشد. در پژوهش حاضر مدل‌های ریاضی و شبکه‌های عصبی مصنوعی (ANNs) برای مدل‌سازی ارتباط بین خصوصیات فیزیکی و شیمیایی و ویژگی‌های رنگی با زمان نگهداری در سردخانه بکار برده شد. از پنج مدل سینتیکی درجه صفر، درجه اول، درجه دوم، تبدیل جزء و ویبال برای مدل‌سازی با کمک نرم افزار متلب استفاده شد. از بین این مدل‌ها، مدل ویبال به عنوان بهترین مدل در پیش‌بینی تغییرات پارامترهای فیزیکی و شیمیایی (  و ) و رنگی (  و ) انتخاب گردید. در مدل‌سازی ANN از شبکه پرسپترون چند لایه‌ای (MLP) با تعداد مختلفی نورون استفاده گردید. ورودی‌های شبکه شامل زمان نگهداری، رطوبت ازگیل و درجه رسیدگی و خروجی آن نیز مقادیر خصوصیات فیزیکی و شیمیایی و رنگی بود. همچنین از الگوریتم لونبرگ-مارکوآرت به منظور آموزش شبکه و از تابع‌های آستانه‌ای سیگموئید لگاریتمی، خطی و تانژانت هایپربولیک سیگموئید استفاده گردید. نتایج نشان داد که شبکه MLP با تابع آستانه‌ای خطی و پیکربندی‌های 3-4-8-3 و 2-3-7 بهترین دقت را به ترتیب برای پیش‌بینی ویژگی‌های فیزیکی و شیمیایی (  و ) و خصوصیات رنگی (  و ) دارند.
متن کامل [PDF 677 kb]   (1510 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: آمار،مدل سازی و سطح پاسخ در صنایع غذایی
دریافت: 1398/5/7 | پذیرش: 1398/11/14 | انتشار: 1398/11/10

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.