دوره 18، شماره 113 - ( 1400 )                   جلد 18 شماره 113 صفحات 90-77 | برگشت به فهرست نسخه ها

‎ 10.52547/fsct.18.113.77

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Alehosseini E, Jafari S M, Shahiri Tabarestani H. Evaluating the performance of artificial neural networks (ANNs) for predicting the physical, rheological, and colorimetric properties of chitosan nanoparticles (CSNPs). FSCT 2021; 18 (113) :77-90
URL: http://fsct.modares.ac.ir/article-7-48586-fa.html
آل‌حسینی الهام، جعفری سید مهدی، شهیری طبرستانی هدی. بررسی کارایی شبکه‌های عصبی مصنوعی در پیش‌بینی ویژگی‌های فیزیکی، رئولوژیکی و رنگ‌سنجی نانوذرات کیتوزان. مجله علوم و صنایع غذایی ایران. 1400; 18 (113) :77-90

URL: http://fsct.modares.ac.ir/article-7-48586-fa.html

بررسی کارایی شبکه‌های عصبی مصنوعی در پیش‌بینی ویژگی‌های فیزیکی، رئولوژیکی و رنگ‌سنجی نانوذرات کیتوزان
الهام آل‌حسینی1 ، سید مهدی جعفری 2، هدی شهیری طبرستانی3
1- گروه مهندسی مواد و طراحی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
2- استاد، گروه مهندسی مواد و طراحی صنایع غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران ، Smjafari@gau.ac.ir
3- استادیار، گروه شیمی مواد غذایی، دانشکده صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
چکیده:   (1892 مشاهده)
تشکیل نانوذرات کیتوزان با پایداری بالا به منظور استفاده در سیستم‌های تحویل مواد مغذی و دارویی، همچنان یک چالش عمده در صنایع غذایی و دارویی است. همچنین متغیرهای زیادی می‌توانند اندازه، مورفولوژی و سایر ویژگی‌های نانوذرات کیتوزان را در طی فرایند ژله‌ای شدن یونی و با استفاده از سدیم تری‌پلی‌فسفات (به عنوان متداول‌ترین عامل اتصال عرضی)، تحت تأثیر قرار دهند. لذا در این پژوهش، پس از تولید نانوذرات کیتوزان تحت تأثیر متغیرهای مستقل غلظت کیتوزان، غلظت سدیم تری‌پلی‌فسفات و نسبت کیتوزان به سدیم تری‌پلی‌فسفات، در گام بعدی، ویژگی‌های فیزیکی، رئولوژیکی، کدورت و رنگ‌سنجی نانوذرات تولیدی مورد اندازه‌گیری قرار گرفتند. در نهایت، از دو شبکه عصبی مصنوعی مدل پرسپترون چند لایه و شبکه تابع پایه‌‌ی شعاعی با یک لایه پنهان و با توابع آستانه، الگوریتم‌های یادگیری و ... مختلف، به منظور پیش‌بینی ویژگی‌های نانوذرات کیتوزان استفاده شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه برای ویژگی‌های فیزیکی، ویسکوزیته، شاخص b* و chroma و شبکه تابع پایه شعاعی برای دیگر ویژگی‌های مورد بررسی (با بکارگیری الگوریتم یادگیری لونبرگ- مارکوارت و تعداد تکرار 1000)، قادر به پیش‌بینی آن‌ها با ضرایب تعیین بسیار بالا و میانگین مربعات خطای پایین بود. ضرایب تعیین برای اندازه نانوذرات، شاخص پراکندگی، پتانسیل زتا، ویسکوزیته و ضریب هدایت الکتریکی سوسپانسیون‌های نانوذرات کیتوزان به ترتیب برابر با 9881/0، 9534/0، 9431/0، 9212/0 و 9636/0 بودند. این در حالی بود که شبکه‌ی تابع پایه شعاعی با یک لایه پنهان، چیدمانی با 3 ورودی، 4 نرون در لایه پنهان و 3 خروجی، با تابع انتقال سیگموئید- سیگموئید، بهترین نتیجه را برای پیش‌بینی ویژگی‌های L*، ΔE و WI سوسپانسیون‌های نانوذرات کیتوزان داشت. ضرایب تعیین برای پیش‌بینی L*، ΔE و WI نانوذرات کیتوزان به ترتیب برابر با 9586/0، 9775/0 و 9457/0بودند. همچنین شاخص رفتار جریان سوسپانسیون‌های نانوذرات‌ کیتوزان کمتر از 1 بود که نشان دهنده رفتار سودوپلاستیک نمونه‌ها بود.
واژه‌های کلیدی: نانوذرات کیتوزان، مدل پرسپترون چند لایه، مدل تابع پایه شعاعی، ویژگی‌های فیزیکی، پارامترهای رنگ‌سنجی
متن کامل [PDF 2414 kb]   (1569 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: فناوری نانو در صنایع غذایی(نانو فرآوری،نانوکپسولاسیون،نانوامولسیون و...)
دریافت: 1399/10/3 | پذیرش: 1399/11/18 | انتشار: 1400/4/10
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.