بررسی اثر پوشش‌دهی با صمغ‌های گزانتان و دانه بالنگو بر زمان خشک شدن برش‌های زردآلو در سامانه فروسرخ

نویسندگان
مریم ساترابی 1
فخرالدین صالحی 2
مجید رسولی 2
1 دانشجوی کارشناسی ارشد، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
2 استادیار، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
10.52547/fsct.18.111.295
چکیده
پوشش‌دهی میوه‌ها با استفاده از صمغ‌های خوراکی باعث افزایش کیفیت ظاهری، بهبود رنگ و کاهش چروکیدگی آنها در انتهای فرآیند خشک‌کردن می‌گردد. در این پژوهش صمغ‌های گزانتان و بالنگو جهت پوشش‌دهی برش‌های زردآلو هنگام خشک‌کردن در سامانه فروسرخ استفاده گردید و سینتیک خشک شدن نمونه‌ها مدل‌سازی گردید. در این مطالعه زردآلوها به سه گروه شاهد (بدون پوشش)، پوشش داده شده با صمغ گزانتان و پوشش داده شده با صمغ دانه بالنگو تقسیم شدند و سپس اثر توان لامپ فروسرخ (150، 250 و 375 وات) و فاصله نمونه از لامپ (5، 5/7 و 10 سانتی‌متر) بر زمان خشک شدن نمونه‌ها مورد بررسی قرار گرفت. غلظت صمغ استفاده شده 6/0 درصد (وزنی/وزنی) و ضخامت برش‌های زردآلو 5/0 سانتی‌متر در نظر گرفته شد. نتایج خشک‌کردن نمونه‌های زردآلوها با روش فروسرخ نشان داد با افزایش توان لامپ و کاهش فاصله نمونه‌ها از منبع حرارتی، زمان خشک‌کردن کاهش می‌یابد. پیش تیمار پوشش‌دهی باعث افزایش زمان خشک‌کردن زردآلوها شد و زمان خشک شدن نمونه‌های پوشش داده شده با صمغ دانه بالنگو طولانی‌تر بود. میانگین زمان خشک شدن نمونه‌های شاهد، پوشش داده شده با صمغ گزانتان و بالنگو به ترتیب برابر 11/73 دقیقه، 04/81 دقیقه و 74/83 دقیقه محاسبه گردید. این فرآیند توسط یک شبکه عصبی مصنوعی با 3 ورودی (نوع پوشش، توان لامپ پرتودهی و فاصله لامپ) و 1 خروجی (زمان خشک شدن) مدل‌سازی شد. نتایج مدل‌سازی به روش شبکه عصبی مصنوعی نشان داد شبکه‌ای با تعداد 7 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی سیگموئیدی می‌تواند زمان خشک شدن زردآلو پوشش داده شده را با استفاده از خشک‌کن فروسرخ را پیشگویی نماید (974/0r=).
کلیدواژه‌ها
پرتودهی
پوشش‌دهی
زمان خشک شدن
شبکه عصبی مصنوعی

موضوعات

عنوان مقاله English

Investigation of the effects of coating with xanthan and Balangu seed gums on the drying time of apricot slices in infrared system

نویسندگان English

Maryam Satorabi 1
Fakhreddin Salehi 2
Majid Rasouli 2
1 MSc Student, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran
2 Assistant Professor, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran
چکیده English

Coating of fruits with edible gums increases the appearance quality, improves the color and reduces their shrinkage at the end of the drying process. In this study, Xanthan and Balangu gums were used to coating of apricot slices during drying in the infrared system and the drying kinetics of the samples were modeled. In this study, apricots were divided into three groups: control (without coating), coated with xanthan gum and coated with balangu seed gum, and then the effect of infrared lamp power (150, 250 and 375 W) and distance of samples from lamps ( 5, 7.5 and 10 cm) on the drying time of the samples were investigated. The concentration of used gum was 0.6% (w/w) and the thickness of apricot slices was 0.5 cm. The results of drying the apricot samples by infrared method showed that with increase in lamps power and decrease in samples distance from the heat source, the drying time decreases. Coating pretreatment increased the drying time of apricots and the drying time of samples coated with balangu seed gum was longer. The average drying time of the control samples, coated with xanthan and balangu gum was 73.11 min, 81.04 min and 83.74 min, respectively. This process was modeled by an artificial neural network with 3 inputs (type of coating, radiation lamp power and lamp distance) and 1 output (drying time). The results of artificial neural network modeling showed that the network with 7 neurons in a hidden layer and using the sigmoid activation function can predict the drying time of coated apricots using an infrared dryer (r=0.974).

کلیدواژه‌ها English

artificial neural network
Coating
Drying time
Radiation
[1] 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, 65-76.
[2] Hassan-Beygi, S. R. 2009. Some physico-mechanical properties of apricot fruit, pit and kernel of ordubad variety, Agricultural Engineering International: CIGR Journal.
[3] Salehi, F. 2020. Physicochemical characteristics and rheological behaviour of some fruit juices and their concentrates, Journal of Food Measurement and Characterization.
[4] Salehi, F. 2020. Recent applications and potential of infrared dryer systems for drying various agricultural products: A review, International Journal of Fruit Science. 1-17.
[5] Hosseini Ghaboos, S. H. Production of pumpkin powder with vacuum-infrared system and its use in the formulation of spong cake. in: Food science and technology, Islamic Azad University, Science and Research Brach, Tehran, 2016, pp. 122.
[6] Gholipour Shahraki, P., Fazel, M. 2019. Effect of edible coating and time and temperature of drying on properties of dried fig, Iranian Food Science and Technology Research Journal. 15, 77-89.
[7] Salehi, F. 2020. Edible coating of fruits and vegetables using natural gums: A review, International Journal of Fruit Science. 1, 1-20.
[8] Doymaz, İ. 2004. Effect of pre-treatments using potassium metabisulphide and alkaline ethyl oleate on the drying kinetics of apricots, Biosystems Engineering. 89, 281-287.
[9] Salehi, F. 2020. Recent advances in the modeling and predicting quality parameters of fruits and vegetables during postharvest storage: a review, International Journal of Fruit Science. 1, 1-15.
[10] Ramzi, M., Kashaninejad, M., Salehi, F., Sadeghi Mahoonak, A. R., Ali Razavi, S. M. 2015. Modeling of rheological behavior of honey using genetic algorithm–artificial neural network and adaptive neuro-fuzzy inference system, Food Bioscience. 9, 60-67.
[11] Salehi, F., Razavi, S. M. A. 2016. Modeling of waste brine nanofiltration process using artificial neural network and adaptive neuro-fuzzy inference system, Desalination and Water Treatment. 57, 14369-14378.
[12] Salehi, F., Razavi, S. M. A. 2012. Dynamic modeling of flux and total hydraulic resistance in nanofiltration treatment of regeneration waste brine using artificial neural networks, Desalination and Water Treatment. 41, 95-104.
[13] 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.
[14] Pan, Z., Shih, C., McHugh, T. H., Hirschberg, E. 2008. Study of banana dehydration using sequential infrared radiation heating and freeze-drying, LWT-Food Science and Technology. 41, 1944-1951.
[15] Doymaz, İ. 2012. Infrared drying of sweet potato (Ipomoea batatas L.) slices, Journal of Food Science and Technology. 49, 760-766.
[16] Hebbar, H. U., Vishwanathan, K., Ramesh, M. 2004. Development of combined infrared and hot air dryer for vegetables, Journal of Food Engineering. 65, 557-563.
[17] Bahramparvar, M., Salehi, F., Razavi, S. 2014. Predicting total acceptance of ice cream using artificial neural network, Journal of Food Processing and Preservation. 38, 1080–1088.
[18] Rasouli, M. 2018. Convective drying of garlic (Allium sativum L.): Artificial neural networks approach for modeling the drying process, Iranian Food Science and Technology Research Journal. 14, 53-62.
مجله علوم و صنایع غذایی ایران
دوره 18، شماره 111 - شماره پیاپی 111
اردیبهشت 1400
صفحه 295-303