پديد آورندگان :
شايان، تينا دانشگاه آزاد اسلامي قوچان - گروه علوم و صنايع غذايي , حكيم زاده، وحيد دانشگاه آزاد اسلامي قوچان - گروه علوم و صنايع غذايي , شهيدي نوقابي، مصطفي پارك علم و فناوري خراسان رضوي - پژوهشكده علوم و صنايع غذايي - گروه شيمي مواد غذايي
كليدواژه :
اولترافيلتراسيون , تانژانت , شبكه عصبي مصنوعي , ضريب همبستگي , مدل سازي
چكيده فارسي :
فرآيند اولترافيلتراسيون به عنوان يكي از فرآيندهاي غشايي مبتني بر فشار مي-تواند به عنوان روشي نوين، جايگزين روش مرسوم در صنعت قند گردد. در اين تحقيق كاهش سختي، افزايش درصد دفع تركيبات غيرقندي و بهبود خلوص جريان تراوه طي تصفيه شربت خام چغندر با فرآيند اولترافيلتراسيون به روش شبكه عصبي مصنوعي مدل سازي شد. فرآيند اولترافيلتراسيون در سه درجه حرارت 30، 40 و 50 درجه سانتي گراد، سه فشار در عرض غشاء 1، 2 و 3 بار در هشت فاصله زمان مساوي از 1 تا 60 دقيقه انجام شد. بهترين مدل براي كاهش سختي با يك لايه پنهان ، تعداد 13 نورون، تابع انتقال تانژانت ، قانون يادگيري مومنتوم و درصد داده هاي 40 ، 35 و 25 به ترتيب براي آموزش، ارزيابي و آزمون بدست آمد. تغييرات درصد دفع تركيبات غيرقندي با يك لايه پنهان، تعداد 15 نورون، تابع انتقال تانژانت، قانون يادگيري لونبرگ و اختصاص50، 5 و 45 درصد از داده ها براي آموزش، ارزيابي و آزمون مدل كمترين خطا و بيشترين ضريب همبستگي را طي مدل سازي داشت. بهبود خلوص جريان تراوه طي اولترافيلتراسيون نيز با يك لايه پنهان، تعداد 18 نورون، تابع انتقال سيگموئيد، قانون يادگيري لونبرگ و درصد داده هاي 60، 15 و 25 براي آموزش، ارزيابي و آزمون بهترين شبكه را ايجاد نمود. همچنين بيشترين ضريب همبستگي بين داده هاي آزمايشگاهي و مقادير هاي پيش بيني شده با مدل براي تغييرات سختي، درصد دفع تركيبات غيرقندي و خلوص به ترتيب 892/0 ، 985/0 و 985/0 بدست آمد.
چكيده لاتين :
The ultrafiltration process as one of the membrane processes based on pressure can replace with the conventional method of liming-carbonation as a new method in sugar industry. In this research, reduction of hardness, increasing the non-sugar rejection components and improving the purity of permeate flow were modeled during the treatment of raw beet syrup with ultrafiltration by artificial neural network. The ultrafiltration process was carried out at three temperatures of 30, 40 and 50 ° C, three pressures in the membrane 1, 2 and 3 times in eight intervals of equal time of 1 to 60 minutes. The best model for reduction of hardness was obtained with a hidden layer, the number of 13 neurons, the tangent transfer function, the momentum learning law, and the percentage of data 40, 35, and 25 for training, evaluation, and test, respectively. The variation of non-sugar rejection compounds with a hidden layer, 15 neurons, tangent transfer function, Levenberg learning law, and assigning 50, 5 and 45 percent of the data to training, evaluating and testing with the least error and the highest correlation coefficient during modeling. Improvement of the purity of permeate flow during ultrafiltration with a hidden layer, 18 neurons, sigmoid transfer function, Levenberg learning law and data percentages 60, 15 and 25 for training, evaluation, and testing created the best network. Also, the highest correlation coefficient between laboratory data and predicted values with the model was obtained for hardness variation, non-sugar rejection compounds and purity, 0.892, 0.985 and 0.985 respectively.
