مدل سازی شرایط استخراج ترکیبات آنتی اکسیدانی گیاه چای کوهی با روش پاسخ سطح، شبکه عصبی مصنوعی و هیبرید شبکه عصبی- الگوریتم ژنتیک

نویسندگان
محمد هادی موحدنژاد 1
احمد رجایی 2
سروش رحیمی خویگانی 3
1 استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران
2 دانشیار دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران
3 دانش آموخته کارشناسی ارشد دانشکده کشاورزی، دانشگاه صنعتی شاهرود، شاهرود، ایران
10.52547/fsct.19.122.285
چکیده
اکسیداسیون چربی ها یکی از مهمترین دلایل کاهش کیفیت روغن ها و چربی ها می باشد که لزوم استفاده از آنتی اکسیدان‌ها را به عنوان یک افزودنی در مواد غذایی مطرح می‌نماید. گیاه چای کوهی با نام علمی Stachys Lavandulifolia گیاهی دارویی با خواص آنتی اکسیدانی است. با توجه به اینکه تاثیر فناوری‌های جدید در مقایسه با روش‌های سنتی از نظر صرفه جویی در زمان، انرژی و همچنین افزایش بازده استخراج مشخص شده است. هدف از این مطالعه مدل سازی استخراج ترکیبات آنتی اکسیدانی از چای کوهی با روش استخراج با کمک امواج فراصوت بود. به همین منظور، برای مدل سازی راندمان استخراج ترکیبات آنتی اکسیدانی شبکه عصبی، هیبرید شبکه عصبی مصنوعی- الگوریتم ژنتیک و روش سطح پاسخ استفاده شد . بهترین مدل بر اساس نتایج مدل شبکه عصبی با روش بهینه سازی گرادیان، با تابع آموزش trainbr و تابع انتقال tansig و تعداد لایه های پنهان این ترکیب دو با تعداد نرون 8 در لایه اول و 4 در لایه دوم بدست آمد. برای این ساختار شبکه خطای 0128/0 و ضریب همبستگی 30/97 درصد تعیین گردید. با مقایسه این روش با سطح پاسخ دقت مدل از 92% به 68/94% ارتقا پیدا کرد. بهترین نتیجه برای مدل هیبریدی در الگوریتم یادگیری trainbr با تابع انتقال tansig با یک لایه پنهان و 18 نرون رخ داد. میزان خطا و ضریب همبستگی در این روش به ترتیب برابر با 0693/0 و 27/83 درصد گردید. با توجه به نتایج شبکه عصبی با روش گردیان بهتر جواب داد و روش هبیرید الگوریتم ژنتیک با شبکه عصبی مدل مناسبی برای پیش­بینی نبود. در نهایت می توان گفت که، چای کوهی می تواند به عنوان منبع بالقوه از ترکیبات آنتی اکسیدانی و شبکه عصبی مصنوعی می تواند به عنوان یک روش کاربردی موفق برای پیش بینی بازده استخراج ترکیبات آنتی اکسیدانی در نظر گرفته شود.
کلیدواژه‌ها
چای کوهی
شبکه عصبی مصنوعی
الگوریتم ژنتیک
ترکیبات آنتی اکسیدانی
مدل سازی

موضوعات

عنوان مقاله English

Modeling the extraction conditions of antioxidant compounds of Stachys lavandulifolia by surface response method, artificial neural network, and hybrid neural network - Genetic algorithm

نویسندگان English

Mohamad Hadi Movahednejad 1
Ahmad Rajaei 2
Soroush Rahimi Khoigani 3
1 Assistant Professor, Department of Biosystems Mechanical Engineering, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Iran
2 Associated professor, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Iran.
3 MS. Graduate Student, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Iran.
چکیده English

Lipid oxidation is important issues that can lead to the degradation and destruction of foods containing lipids. A number of antioxidants have been used to solve this problem. Stachys lavandulifolia is a medicinal herb with antioxidant properties. Given that the impact of new technologies compared to traditional methods in terms of saving time, energy, and increase the efficiency of extraction have been identified. The aim of this study was modeling the extraction of antioxidant compounds from Stachys lavandulifolia by ultrasound-assisted extraction method. For this purpose, to model the extraction efficiency of neural network antioxidant compounds, artificial neural network hybrids - genetic algorithm and response surface methodology were used. The best model was obtained based on the results of the neural network model with gradient optimization method, with trainbr training and tansig transfer function and the number of hidden layers of this combination with two neurons 8 in the first layer and 4 in the second layer. For this network structure, an error of 0.0128 and a correlation coefficient of 97.30% were determined. By comparing this method with the response level, the model accuracy increased from 92% to 94.68%. The best result for the hybrid model occurred in the trainbr learning algorithm with the tansig transfer function with a hidden layer and 18 neurons. The error rate and correlation coefficient in this method were equal to 0.0693 and 83.27%, respectively. According to the results of the neural network with the logger method, it answered better and the hybrid method of the genetic algorithm with the neural network was not a suitable model for prediction. Finally, it can be said that mountain tea can be considered as a potential source of antioxidant compounds and neural network can be considered as a successful application method to predict the extraction efficiency of antioxidant compounds.

کلیدواژه‌ها English

Stachys lavandulifolia
artificial neural network
genetic algorithms
Antioxidant compounds
Modeling
Aghajani, N., Kashaninejad, M., Dehghani, A.A. and Daraei Garmakhany. A., 2012. Comparison between artificial neural networks and mathematical models for moisture ratio estimation in two varieties of green malt. Quality Assurance and Safety of Crops & Foods 4: 93-101.
Cabrera A. C. and Prieto J. M., 2010. Application of artificial neural networks to the prediction of the antioxidant activity of essential oils in two experimental in vitro models. Food Chemistry. 118: 141–146.
Ferreira Zielinski A. A., Granato D., Alberti A., Nogueira A., Demiate I. M., Isidoro Haminiuk C. W. 2015. Modelling the extraction of phenolic compounds and in vitro antioxidant activity of mixtures of green, white and black teas (Camellia sinensis L. Kuntze). Journal of Food Science and Technology 52: 6966–6977
Hatamnia A. A. Abbaspour N. and Darvishzadeh R. 2014. “Antioxidant activity and phenolic profile of different parts of Bene (Pistacia atlantica subsp. kurdica) fruits” Food Chemistry., 145, pp 306-311.
Hayouni, E. A., Abedrabba, M., Bouix, M., Hamdi, M.,2007. The effects of solvents and extraction method on the phenolic "contents and biological activities in vitro of Tunisian Quercus coccifera L. and Juniperus phoenicea L. fruit extracts, Food Chemistry, 105, 1126-1134.
Golpour I., Ferrão A. C., Gonçalves F., Correia P. M. R., Blanco-Marigorta A. M. and Guiné R. P. F. 2018. Extraction of Phenolic Compounds with Antioxidant Activity from Strawberries: Modelling with Artificial Neural Networks (ANNs). Foods. 10(2228): 1-13.
Guine R. P. F., Barroca M. J., Goncalves F. J., Alves M., Oliveira S., Mendes M. 2015. Artificial neural network modelling of the antioxidant activity and phenolic compounds of bananas submitted to different drying treatments. Food Chemistry 168: 454–459.
Raquel P.F. G., Christophe G., Susana M., Fernando G., Daniela C. V. T. A., Mateus M. 2018. Modelling through artificial neural networks of the phenolic compounds and antioxidant activity of blueberries. 37(2): 193-212.
Kashiri, M., Daraei Garmakhany, A. and Deghani, A.A., 2012. Modeling of sorghum soaking using artificial neural networks (MLP). Quality Assurance and Safety of Crops & Foods 4: 179-184.
Khadivi-Khub A. Aghaei Y. and Mirjalili M. H. 2014. “Phenotypic and phytochemical diversity among different populations of Stachys lavandulifolia” Journal of Biochemical Systematics and Ecology., 54, pp 272-278.
Mizubuti, I.Y., Junior, O.B., de Olivia souza L.W., dos Santos Ferrera da Silva R.S., ida E.I. 2000. “Rsponse surface methodology for extraction optimization of pigeon pea protein” Food Chemistry, 70, 259-265.
Morimoto, T., 2006. Genetic algorithm. In: Sablani, S.S., Datta, A.K., Rehman, M.S. and Mujumdar, A.S. (ed.). Handbook of food and bioprocess modeling techniques. CRC press, New York, NY, USA.
Pan, G., Yu, G., Zhu, C., Qiao, J., 2012. Optimization of ultrasound-assisted extraction (UAE) of flavonoids compounds (FC) from hawthorn seed (HS). Ultrasonics Sonochemistry 19, 486-490.
Şahin, S. Aybastıer, Ö. & Işık, E. (2013) “Optimisation of ultrasonic-assisted extraction of antioxidant compounds from Artemisia absinthium using response surface methodology”. Food Chemistry, 141, 1361-1368.
Salarbashi, D., Fazly Bazzaz, B. S., Karimkhani, M. M., Sabeti Noghabi, Z., Khanzadeh, F. and Sahebkar, A., 2014. Oil stability index and biological activities of Achillea biebersteinii and Achillea wilhelmsii extracts as influenced by various ultrasound intensities. Industrial Crops and Products, 55: 163-172.
Salarbashi, D, Khanzadeh, F, Hosseini, S.M, Mohamadi, M, Rajaei, A. Draei Garamkhani, A. (2014). Prediction of the extraction yield using artificial neural network and response surface methodology: ultrasound-assisted extraction from Achillea berbresteinii L. Quality Assurance and Safety of Crops & Foods 6: 431-438.
Shahabi Ghahfarrokhi, I., Daraei Garmakhany, A., Kashaninejad, M. and Dehghani, A. A., 2012. Estimation of peroxidase activity in red cabbage by artificial neural network. Quality Assurance and Safety of Crops & Foods 5: 163-167.
Shahidi, F. 1997. Natural antioxidants chemistry, health effects, and application. AOCS Rress, Champaign, I LLinois, pp 414.
Susi, E. Asmah, Rahmat., 2002. Anticarcinogenic properties and antioxidant activity of henna. Journal of Medical Science, 2, 194-197.
Tao, Y., Zhang, Z., Sun, D.-W., (2014). Kinetic modeling of ultrasound-assisted extraction of phenolic compounds from grape marc: Influence of acoustic energy density and temperature. Ultrasonics Sonochemistry 21, 1461-1469.