استفاده از روش انفیس برای مدل‌سازی فرآیند خشک‌کردن صمغ دانه "به" با خشک‌کن فروسرخ

نویسندگان
نوید گودینی 1
اشرف گوهری اردبیلی 2
فخرالدین صالحی 3
1 دانشجوی کارشناسی ارشد، گروه علوم و صنایع غذایی، دانشگاه بوعلی سینا، همدان، ایران.
2 استادیار گروه مهندسی ‌علوم و صنایع غذایی، دانشکده صنایع غذایی بهار، دانشگاه بوعلی سینا، همدان، ایران.
3 ، گروه مهندسی ‌علوم و صنایع غذایی، دانشکده صنایع غذایی بهار، دانشگاه بوعلی سینا، همدان، ایران
10.22034/FSCT.19.131.83
چکیده
انفیس (سیستم استنتاج تطبیقی فازی- عصبی) یک روش ترکیبی عصبی- فازی برای مدل‌سازی پدیده‌های انتقال (جرم و حرارت) در فرآوری مواد غذایی است. در این مطالعه ابتدا جهت خشک‌کردن صمغ استخراج شده از دانه "به"، از یک خشک‌کن فروسرخ استفاده گردید. سپس از روش انفیس برای مدل‌سازی و پیش‌بینی درصد تغییرات وزن این صمغ هنگام خشک شدن در خشک‌کن فروسرخ استفاده شد. در خشک‌کن فروسرخ اثر فاصله نمونه‌ها از لامپ پرتودهی و اثر ضخامت صمغ درون ظرف بر زمان خشک شدن و درصد کاهش وزن صمغ دانه "به" در طی زمان خشک‌کردن، مورد بررسی قرار گرفت. نتایج خشک‌کردن این صمغ با روش فروسرخ نشان داد با کاهش فاصله نمونه‌ها از منبع حرارتی از 10 به 5 سانتی‌متر، میانگین زمان خشک شدن صمغ دانه "به" از 0/58 دقیقه به 3/29 دقیقه کاهش یافت (ضخامت 5/1 سانتی‌متر). همچنین با کاهش ضخامت صمغ موجود در ظرف نمونه از 5/1 به 5/0 سانتی‌متر نیز میانگین زمان خشک‌کردن صمغ استخراج شده از 7/45 دقیقه به 3/19 دقیقه کاهش یافت (فاصله 5/7 سانتی‌متر). مدل انفیس با 3 ورودی زمان خشک‌کردن، فاصله نمونه‌ها از منبع حرارتی و ضخامت صمغ موجود در ظرف نمونه برای پیش‌بینی درصد تغییرات وزن این صمغ هنگام خشک شدن در خشک‌کن فروسرخ، توسعه یافت. مقادیر ضریب تبیین محاسبه‌شده برای پیش‌بینی درصد کاهش وزن صمغ با استفاده از الگوریتم خوشه‌بندی کاهشی مبتنی بر انفیس برابر 983/0 بود. در مجموع می‌توان بیان داشت که میزان ضریب تبیین بالای بین نتایج تجربی و خروجی‌های مدل انفیس بیانگر دقت قابل قبول و قابلیت استفاده از این روش در مدل‌سازی فرایندهای انتقال جرم و حرارت در صنایع غذایی است.
کلیدواژه‌ها
انتقال جرم
خوشه‌بندی کاهشی
درصد کاهش وزن
سیستم استنتاج تطبیقی فازی- عصبی
صمغ دانه "
به"

موضوعات

عنوان مقاله English

Application of ANFIS approach for modeling of drying process of quince seed gum using infrared dryer

نویسندگان English

Navid Godini 1
Ashraf Gohari Ardabili 2
Fakhreddin Salehi 3
1 MSc Student, Department of Food Science and Technology, Bahar Faculty of Food Science and Technology, Bu-Ali Sina University, Hamedan, Iran.
2 Assistant Professor, Department of Food Science and Technology, Bahar Faculty of Food Science and Technology, Bu-Ali Sina University, Hamedan, Iran.
3 Associate Professor, Department of Food Science and Technology, Bahar Faculty of Food Science and Technology, Bu-Ali Sina University, Hamedan, Iran.
چکیده English

ANFIS (Adaptive neuro-fuzzy inference system) is a combined neuro-fuzzy method for modeling transport phenomena (mass and heat) in the food processing. In this study, first, an infrared dryer was used to dry the extracted gum from quince seed. Then, ANFIS method was used to modeling and predicting the weight changes percentage of this gum when drying in infrared dryer. In the infrared dryer, the effect of samples distance from the radiation lamp and the effect of the gum thickness inside the container on the drying time and the weight loss percentage of quince seed gum during drying time were investigated. The results of drying of this gum by infrared method showed that by reducing the samples distance from the heat source from 10 to 5 cm, the average drying time of quince seed gum decreased from 58.0 minutes to 29.3 minutes (thickness 1.5 cm). Also, by reducing the gum thickness in the sample container from 1.5 to 0.5 cm, the average drying time of the extracted gum decreased from 45.7 minutes to 19.3 minutes (distance 7.5 cm). The ANFIS model was developed with 3 inputs of drying time, samples distance from heat source and gum thickness in the sample container to predict the weight changes percentage of this gum when drying in infrared dryer. The calculated coefficients of determination values for predicting the weight loss percentage of gum using the ANFIS-based subtractive clustering algorithm was 0.983. In general, it can be said that the high coefficients of determination between the experimental results and the outputs of the ANFIS model indicate the acceptable accuracy and usability of this method in modeling heat and mass transfer processes in the food industry.

کلیدواژه‌ها English

Adaptive Neuro-Fuzzy Inference System
mass transfer
Quince seed gum
Subtractive clustering
Weight loss percentage
[1] Amini, G., Salehi, F., Rasouli, M. 2020. Drying process modeling of basil seed mucilage by infrared dryer using artificial neural network, Journal of Food Science and Technology (Iran). 17, 23-31.
[2] Salehi, F. 2020. Edible coating of fruits and vegetables using natural gums: A review, International Journal of Fruit Science. 20, S570-S589.
[3] Gheybi, N., Ashrafi, R. 2020. The effect of inulin and quince seed gum powder on the physicochemical and qualitative properties of low fat yogurt, Iranian Journal of Biosystems Engineering. 50, 963-975.
[4] Farokhpour, F., Roomiani, L., Zarinabadi, S. 2021. Experimental investigation of fish fillet drying process using IR radiation, Research and Innovation in Food Science and Technology. 10, 83-94.
[5] Salehi, F. 2020. Recent applications and potential of infrared dryer systems for drying various agricultural products: A review, International Journal of Fruit Science. 20, 586-602.
[6] Hasanipanah, M., Jahed Armaghani, D., Khamesi, H., Bakhshandeh Amnieh, H., Ghoraba, S. 2016. Several non-linear models in estimating air-overpressure resulting from mine blasting, Engineering with Computers. 32, 441-455.
[7] 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.
[8] Satorabi, M., Salehi, F., Rasouli, M. 2021. The influence of xanthan and balangu seed gums coats on the kinetics of infrared drying of apricot slices: GA-ANN and ANFIS modeling, International Journal of Fruit Science. 21, 468-480.
[9] 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. 45, e15258.
[10] Ojediran, J. O., Okonkwo, C. E., Adeyi, A. J., Adeyi, O., Olaniran, A. F., George, N. E., Olayanju, A. T. 2020. Drying characteristics of yam slices (Dioscorea rotundata) in a convective hot air dryer: application of ANFIS in the prediction of drying kinetics, Heliyon. 6, e03555.
[11] Abbaspour-Gilandeh, Y., Jahanbakhshi, A., Kaveh, M. 2020. Prediction kinetic, energy and exergy of quince under hot air dryer using ANNs and ANFIS, Food science & nutrition. 8, 594-611.
[12] Nasiri, A., Mobli, H., Rafiee, S., Rezaei, K. 2014. Kinetic model simulation of thin-layer drying of thyme (Thymus vulgaris L.) using adaptive neuro-fuzzy inference system (ANFIS), Journal of Agricultural Engineering Soil Science and Agricultural Mechanization. 36, 37-48.
[13] Sivanandam, S., Sumathi, S., Deepa, S.2007. Introduction to fuzzy logic using MATLAB, Springer,
[14] Azimi-Nejadian, H., Moradi, M. 2020. Comparison of mathematical models, artificial neural networks and adaptive neuro-fuzzy inference system (ANFIS) in prediction of instantaneous drying curves of potato slices in a microwave dryer, Food Engineering Research. 19, 137-154.
[15] Sabzealipour, F., Bagherpour, H. 2019. Modeling energy consumption of strawberries on the basis of energy consumption pattern using artificial neural network and ANFIS and regression in dezfoul county, Plant Production Technology. 11, 207-219.
[16] Zengqiang, M., Cunzhi, P., Yongqiang, W. Road safety evaluation from traffic information based on ANFIS. in: 2008 27th Chinese Control Conference, IEEE, 2008, pp. 554-558.
[17] Rahman, M. S., Rashid, M. M., Hussain, M. A. 2012. Thermal conductivity prediction of foods by Neural Network and Fuzzy (ANFIS) modeling techniques, Food and Bioproducts Processing. 90, 333-340.