كاربرد روش تركيبي سطح پاسخ و شبكه‌ي عصبي مصنوعي در پيش بيني سينتيك خشك كردن يك ماده‌ي غذايي تحت شرايط مختلف خشك كردن

Application of response surface methodology coupled with artificial neural network to predict kinetic of food product under different drying conditions

خشك كردن مواد غذايي به عنوان روشي جهت بهبود ماندگاري، ارايه شده است. به منظور پايش اين فرايند از مدل‌هاي مختلف شبكه‌ي عصبي نظير شبكه‌ي عصبي پرسپترون، تابع پايه‌ي شعاعي و مدل تركيبي شبكه‌ي عصبي و روش شناسي سطح پاسخ به همراه توابع فعال سازي مختلف به عنوان يك ابزار پيش بيني كننده‌ي پارامترهاي خشك كردن كدوي سبز استفاده گرديد. پارامترهاي زمان خشك كردن، دماي هواي خشك كردن و ضخامت نمونه به عنوان ورودي شبكه و از طرف ديگر، عدد فوريه، انرژي اكتيواسيون، ضريب انتشار رطوبت و چروكيدگي به عنوان خروجي شبكه در نظر گرفته شد. نتايج مدلسازي نشان داد كه مدل شبكه‌ي عصبي پرسپترون همراه با تابع محرك لوگ سيگموييد- لوگ سيگموييد به عنوان بهترين تابع محرك مدل، توانست مقادير انرژي اكتيواسيون، عدد فوريه، چروكيدگي و ضريب انتشار رطوبت را به ترتيب با ضرايب رگرسيون 999/0، 992/0، 999/0 و 991/0 پيش بيني نمايد.

Drying has been used to extend the shelf life of foods. For monitoring the drying process of zucchini, different models of neural networks such as percentron, radial basis function and hybrid model of neural network and response surface methodology were utilized. Drying time, air drying temperature and thickness were considered as input parameters. On the other hand, furrier number, activation energy, effective moisture diffusivity and shrinkage were as network output. The results showed that perceptron neural network with logsig-logsig activation function as a goodness activation function can be estimated activation energy, furrier number, effective moisture diffusivity and shrinkage with R2 value 0.999, 0.992, 0.999 and 0.991, respectively.