مدل سازي فرايند پخت در حين استخراج روغن از جوانه ذرت با استفاده از شبكه هاي عصبي مصنوعي

Modeling the Cooking Process During the Extraction of Oil from Corn Germ Seeds Using Artificial Neural Networks

در اين تحقيق به منظور مدل سازي فرايند استخراج روغن از جوانه ذرت در مقياس صنعتي از 3 سطح دماي پخت (80 85 و 90 درجه سانتي گراد) و سه سطح رطوبت دانه هاي خروجي از ديگ پخت (3، 3/5 و 4 درصد) استفاده گرديد و ميزان لرد و اسيديته روغن، ميزان روغن، پروتئين و رطوبت كنجاله مورد بررسي قرار گرفت. جهت پيش بيني روند تغييرات از ابزار شبكه هاي عصبي مصنوعي در نرم افزار متلب استفاده شد. با بررسي شبكه هاي مختلف شبكهي پس انتشار پيشخور با توپولوژي هاي 2-6-5 با ضريب همبستگي بيشتر از 984/. و ميانگين مربعات خطاي كمتر از 0/003 و با بكار گيري تابع فعال سازي تانژانت سيگموئيد هيپربوليكي، الگوي يادگيري لونبرگ - ماركوات و چرخه يادگيري 1000 به عنوان بهترين مدل عصبي مشخص گرديد. نتايج حاصل از مدل هاي بهينه ي انتخاب شده نيز ارزيابي گرديد و اين مدل ها با ضرايب همبستگي بالا (بيش از 0/953) قادر به پيش بيني روند تغييرات اين فرايند بودند. از طرفي نتايج نشان داد كه مدل هاي به دست آمده در اين مطالعه بيشترين دقت را در پيش بيني ميزان رطوبت كنجاله داشتند. در نهايت به صورت تجربي مشخص گرديد كه براي دستيابي به بهترين خصوصيات روغن و كنجاله جوانه ذرت، بايستي دماي پخت و رطوبت دانه هاي خروجي از ديگ پخت به ترتيب 80 درجه سانتي گراد و 3 درصد باشد.

In this investigation, to design the process of oil extraction from corn germ on an industrial scale, three cooking temperatures (80, 85 and 90 °C) and three different moisture contents of the output seeds from the cooking pot (3, 3.5 and 4%) were considered and the quantity of insoluble fine partial and oil acidity, oil, protein and moisture contents of the obtained meals were studied as responses. To predict the changes' trend the artificial neural network in MATLAB R2013a software was used. By studying the various networks of back propagation feed forward network with wide range of various topologies, the arrangement of 2-6-5 with a correlation coefficient (R2= 0.984) and the mean squared error (MSE=0.003) with using sigmoid hyperbolic of tangent activation function was selected as optimized design. Also Levenberg-Marquardt learning algorithm and learning cycle of 1000 were specified as the best neural model. The results of optimized selected models were evaluated and these models with high correlation coefficients (>0.953) were able to predict the variations process. On the other hand, the results showed that the models obtained in this study had the highest accuracy in predicting the moisture content of the meal. Finally, it was Experimentally determined that for the best properties of corn germ oil and meal, the cooker temperature and moisture contents of the output seeds from the cooking pot should be 80 ° C and 3%, respectively.