پیش‌بینی اثرات پوشش‌دهی با غلظت‌های مختلف صمغ دانه مرو بر خصوصیات برش‌های کدوخورشتی سرخ‌شده در دماهای مختلف با روش الگوریتم ژنتیک- شبکه عصبی مصنوعی

نویسندگان
فخرالدین صالحی 1
امیررضا روستایی 2
علیرضا حاصلی 2
1 استادیار دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
2 دانشجوی دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
10.52547/fsct.18.115.14
چکیده
محصولات غذایی سرخ‌شده با توجه به ویژگی‌های منحصربه‌فرد مانند رنگ، بو، طعم و بافت مطلوب بسیار مورد توجه می‌باشند. کنترل شرایط سرخ کردن و استفاده از پوشش‌های هیدروکلوئیدی خوراکی (صمغ‌ها) یکی از روش‌های مناسب برای کاهش جذب روغن، حفظ رطوبت و بهبود خصوصیات ظاهری مواد غذایی سرخ‌شده است. در این پژوهش از غلظت‌های مختلف صمغ دانه مرو (0، 5/0، 1 و 5/1 درصد) جهت پوشش‌دهی برش‌های کدوخورشتی هنگام سرخ شدن عمیق در دماهای 155، 170 و 185 درجه سلسیوس استفاده گردید و رابطه بین پارامترهای فرآیند و خصوصیات محصول نهایی به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی مدل‌سازی گردید. نتایج این پژوهش نشان داد که پوشش‌دهی با صمغ دانه مرو باعث کاهش جذب روغن محصول نهایی شده و از نظر ویژگی‌های ظاهری، نمونه‌های پوشش داده شده روشنتر بودند. پیش تیمار پوشش‌دهی باعث حفظ رطوبت محصول نهایی شد و اندازه نمونه‌های پوشش داده شده با 5/1 درصد صمغ از سایر نمونه‌ها بزرگتر بود (درصد تغییرات سطحی کمتر). این فرآیند توسط روش الگوریتم ژنتیک- شبکه عصبی مصنوعی با 2 ورودی شامل غلظت صمغ دانه مرو و دمای سرخ‌کن و 7 خروجی شامل درصد روغن، مقدار رطوبت، شاخص زردی (b*)، شاخص قرمزی (a*)، شاخص روشنایی (L*)، شدت تغییرات رنگ (EΔ) و تغییرات سطح مدل‌سازی شد. نتایج مدل‌سازی نشان داد شبکه‌ای با تعداد 5 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی سیگموئیدی می‌تواند خصوصیات فیزیکوشیمیایی برش‌های سرخ‌شده کدوخورشتی را پیش‌بینی نماید. نتایج آزمون آنالیز حساسیت نشان داد که تغییر غلظت صمغ دانه مرو بیشترین تأثیر را بر شاخص زردی و سپس بر روی شاخص شدت تغییرات رنگ سطحی برش‌های کدوخورشتی سرخ‌شده دارد. همچنین تغییر دمای سرخ‌کن نیز بیشترین تأثیر را بر شاخص‌های شدت تغییرات رنگ و روشنایی نمونه‌های سرخ‌شده دارد.
کلیدواژه‌ها
تغییرات رنگ
سرخ کردن
شاخص روشنایی
شاخص زردی
شاخص قرمزی
صمغ دانه مرو

موضوعات

عنوان مقاله English

Predicting the effects of coating with different concentrations of wild sage seed gum on the characteristics of fried zucchini slices at various temperature by genetic algorithm-artificial neural network method

نویسندگان English

Fakhreddin Salehi 1
Amirreza Roustaei 2
Alireza Haseli 2
1 Assistant Professor, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran
2 Student, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran
چکیده English

Fried food products are very popular due to their unique characteristics such as color, smell, taste and desirable texture. Controlling frying conditions and using edible hydrocolloid coatings (gums) is one of the best ways in reduction of oil uptake, moisture retention and improving the appearance properties of fried foods. In this study, different concentrations of wild sage seed gum (0, 0.5, 1 and 1.5%) were used to coating of zucchini slices during deep frying at 155, 170 and 185°C and the relationship between process parameters and the quality of final product were modeled by genetic algorithm-artificial neural network method. The results of this study showed that coating with wild sage seed gum reduced the oil uptake of the final product and in terms of appearance characteristics, the coated samples were lighter. Coating pretreatment maintained the final product moisture and the size of the samples coated with 1.5% gum was larger than the other samples (lower surface changes percent). This process was modeled by genetic algorithm-artificial neural network method with 2 inputs include wild sage seed gum concentration and frying temperature and 7 outputs include oil percentage, moisture content, yellowness index (b*), redness index (a*), lightness index (L*), color changes intensity (ΔE) and surface changes. The results of modeling showed that a network with 5 neurons in a hidden layer and using the sigmoid activation function can predict the physicochemical properties of fried zucchini slices. Sensitivity analysis results showed that the changes in the concentration of wild sage seed gum had the highest effect on the yellowness index and then on the surface color changes intensity index of fried zucchini slices. Also, the change of frying temperature has the highest effects on the color changes intensity and lightness indexes of fried samples.

کلیدواژه‌ها English

Color changes
frying
Lightness index
Redness index
Wild sage seed gum
Yellowness index
[1] Abtahi, M. S., Hosseini, H., Fadavi, A., Mirzaei, H., Rahbari, M. 2016. The optimization of the deep-fat frying process of coated zucchini pieces by response surface methodology, Journal of culinary science & technology. 14, 176-189.
[2] Gohari Ardabili, A., Aghajani, N., Daraei Garmakhany, A. 2021. Response surface optimization of low fat fried zucchini slices production conditions (Balangu seed gum concentration, frying time and temperature), Food science and technology. 17, 129-142.
[3] Jorjani, S., Hamrahi, V. 2015. Effect of Guar and xanthan hydrocolloids on uptake of oil in eggplant rings during deep frying, Journal of Food Research. 25, 231-238.
[4] Khazaei, N., Esmaiili, M., Emam-Djomeh, Z. 2016. Effect of active edible coatings made by basil seed gum and thymol on oil uptake and oxidation in shrimp during deep-fat frying, Carbohydrate Polymers. 137, 249-254.
[5] Kurek, M., Ščetar, M., Galić, K. 2017. Edible coatings minimize fat uptake in deep fat fried products: A review, Food Hydrocolloids. 71, 225-235.
[6] Salehi, F. 2020. Effect of coatings made by new hydrocolloids on the oil uptake during deep‐fat frying: A review, Journal of Food Processing and Preservation. 44, 1-12.
[7] Naji Tabasi, S., Mahdian, E. 2017. The investigation of sage seed and persian gum coating effect on oil mass transfer and quality attributes of potato chips, Research and Innovation in Food Science and Technology. 6, 171-184.
[8] Hassan Pour, N., Mohebi, M., Varidi, M. 2015. Evaluation of coating and frying conditions on physicochemical properties of deep fat fried Falafel, mdrsjrns. 12, 53-63.
[9] 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.
[10] 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. 20, 506-520.
[11] Salehi, F. 2017. Rheological and physical properties and quality of the new formulation of apple cake with wild sage seed gum (Salvia macrosiphon), Journal of Food Measurement and Characterization. 11, 2006-2012.
[12] Hosseini, Z.2006. Common Methods in Food Analysis, Shiraz University Pub,
[13] Amini, G., Salehi, F., Rasouli, M. 2021. Drying kinetics of basil seed mucilage in an infrared dryer: Application of GA-ANN and ANFIS for the prediction of drying time and moisture ratio, Journal of Food Processing and Preservation.
[14] Salehi, F. 2018. Color changes kinetics during deep fat frying of carrot slice, Heat and Mass Transfer. 54, 3421-3426.
[15] Ashrafi Yorganloo, R., Gheybi, N. 2019. Effect of okra mucilage and cmc on the oil uptake and physicochemical properties of french fries during deep-fat frying, Iranian Journal of Biosystems Engineering. 50, 203-211.
[16] Choe, E., Min, D. 2007. Chemistry of deep‐fat frying oils, Journal of Food Science. 72, 77-86.
[17] Mestdagh, F., De Wilde, T., Castelein, P., Németh, O., Van Peteghem, C., De Meulenaer, B. 2008. Impact of the reducing sugars on the relationship between acrylamide and Maillard browning in French fries, European Food Research and Technology. 227, 69-76.
[18] Bouaziz, F., Koubaa, M., Neifar, M., Zouari-Ellouzi, S., Besbes, S., Chaari, F., Kamoun, A., Chaabouni, M., Chaabouni, S. E., Ghorbel, R. E. 2016. Feasibility of using almond gum as coating agent to improve the quality of fried potato chips: Evaluation of sensorial properties, LWT - Food Science and Technology. 65, 800-807.
[19] 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.