دوره 22، شماره 161 - ( 1404 )                   جلد 22 شماره 161 صفحات 136-121 | برگشت به فهرست نسخه ها

‎ 10.22034/FSCT.22.161.121

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Maroufpour B, Ziaiifar A M, Sabbaghi H, Ghorbani M, Yalghi S. Prediction of moisture and density in shrimp during hot air frying with artificial neural networks model. FSCT 2025; 22 (161) :121-136
URL: http://fsct.modares.ac.ir/article-7-76585-fa.html
معروف پور بهاره، ضیائی فر امان محمد، صباغی حسن، قربانی محمد، یلقی سعید. پیش‌بینی رطوبت و دانسیته در میگو طی سرخ‌کردن هوای داغ با مدل شبکه‌های عصبی مصنوعی. مجله علوم و صنایع غذایی ایران. 1404; 22 (161) :121-136

URL: http://fsct.modares.ac.ir/article-7-76585-fa.html

پیش‌بینی رطوبت و دانسیته در میگو طی سرخ‌کردن هوای داغ با مدل شبکه‌های عصبی مصنوعی
بهاره معروف پور1 ، امان محمد ضیائی فر* 2، حسن صباغی3 ، محمد قربانی4 ، سعید یلقی5
1- علوم کشاورزی و منابع طبیعی گرگان، گرگان
2- دانشگاه علوم کشاورزی و منابع طبیعی گرگان ، ziaiifar@gau.ac.ir
3- استادیار، گروه علوم و مهندسی صنایع غذایی، دانشکده کشاورزی و دامپروری، مجتمع آموزش عالی تربت جام، تربت جام، استان خراسان رضوی، ایران
4- دانشگاه علوم کشاورزی و منابع طبیعی گرگان
5- مرکز تحقیقات شیلات استان گلستان
چکیده:   (120 مشاهده)
در این پژوهش، شبکه‌های عصبی مصنوعی (ANN) برای پیش‌بینی تغییرات رطوبت و دانسیته میگو طی فرآیند سرخ‌کردن هوای داغ (در سه دمای 140، 160 و 180 درجه سانتی‌گراد به مدت  15 دقیقه) ارائه گردید. شبکه‌های عصبی به صورت پرسپترون چند لایه (MLP) با تابع انتقال تانژانت سیگموئید در لایه پنهان و تابع انتقال خطی در لایه خروجی برای پیش‌بینی رطوبت (با دو ورودی: دما و زمان) و دانسیته (با سه ورودی: دما، زمان و رطوبت) در نرم افزار MATLAB طراحی شد. الگوریتم­های مختلف پس­انتشار شامل لونبرگ-مارکوارت، گرادیان نزولی، گرادیان نزولی با نرخ تطبیقی یادگیری، انتشار برگشتی با نرخ یادگیری متغییر، گرادیان نزولی با مومنتم وگرادیان مزدوج مقیاس‌شده بودند. ساختار مدل‌ها با محاسبه ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) اعتبار سنجی شد. در نهایت، اهمیت ورودی‌ها از نظر تاثیر بر متغیر خروجی برای پیش‌بینی رطوبت و دانسیته با طراحی شبکه‌های عصبی پیش فرض تانژانت هایپربولیک در نرم افزار SPSS  بررسی گردید. نتایج نشان داد که با کاهش رطوبت و توسعه منافذ در میگو، دانسیته محصول نیز طی سرخ‌کردن هوای داغ به تدریج کاهش یافت و با افزایش دمای فرآیند کاهش بیشتری در دانسیته مشاهده شد. در مدل رطوبت، الگوریتم پس انتشار گرادیان نزولی با مومنتم (R2=0.989, RMSE=0.171, MAE=0.131) و در مدل دانسیته، الگوریتم لونبرگ-مارکوارت (R2=0.974, RMSE=0.0096, MAE=0.0066) کمترین میزان خطا را در آزمون نشان دادند. در محاسبات عصبی رطوبت، اهمیت متغیر زمان و دما به ترتیب برابر با 883/0 و 117/0 بود. در محاسبات عصبی دانسیته نیز اهمیت متغیر رطوبت، زمان و دما به ترتیب برابر با 588/0، 278/0 و 134/0 بود. از یافته‌های این پژوهش در طراحی هوش مصنوعی برای کنترل و ایجاد اتوماسیون در سرخ‌کن‌های هوای داغ می‌توان استفاده کرد.
واژه‌های کلیدی: شبکه‌های عصبی مصنوعی، رطوبت، دانسیته، میگو، سرخ کردن هوای داغ
متن کامل [PDF 874 kb]   (47 دریافت)    
نوع مقاله: پژوهشی اصیل | موضوع مقاله: شیمی مواد غذایی
دریافت: 1403/5/24 | پذیرش: 1403/7/16 | انتشار: 1404/4/1
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.