بهينه سازي فرآيند آبگيري اسمزي پرتقال با روش سطح پاسخ و تخمين پارامترهاي آبگيري با كمك شبكه‌ي عصبي مصنوعي

Optimization of Orange Osmotic Dehydration Process Using Response Surface Method and Estimation of Dehydration Parameters by Artificial Neural Network

در اين تحقيق بهينه سازي فرآيند خشك كردن اسمزي برش هاي پرتقال با هدف بيشينه كردن كاهش آب و كمينه نمودن جذب مجدد آب و مقدار رطوبت نهايي توسط روش سطح پاسخ انجام گرفت. اثرات سه فاكتور دماي محلول اسمزي در محدوده ي 30 تا 60 درجه سانتي گراد ، مدت زمان تماس محصول و محلول اسمزي در محدوده 0 تا 300 دقيقه و غلظت ساكارز در محلول اسمزي در محدوده 35 تا 65 درجه بريكس با كمك طرح مركب مركزي بر روي پارامترهاي كاهش آب، جذب مواد جامد، نسبت كاهش آب به جذب مواد جامد، ميزان رطوبت نهايي و اختلاف بريكس بررسي گرديد. بررسي نتايج نشان داد شرايط بهينه براي فرآيند آبگيري اسمزي زماني ايجاد مي شود كه دماي محلول اسمزي °C30، مدت زمان تماس محصول و محلول اسمزي 2/229 دقيقه و غلظت محلول اسمزي 65 درصد ساكارز باشد. در شرايط بهينه شاخص هاي كاهش آب، درصد جذب مواد جامد، نسبت كاهش آب به درصد جذب مواد جامد، محتواي رطوبت نهايي (مبناي خشك) و اختلاف بريكس به ترتيب 316/30 %، 51/13%، 45/ ، 77/2 و 79/15 درجه بريكس محاسبه گرديد. همچنين نتايج مدلسازي شبكه عصبي مصنوعي نشان داد كه شبكه‌ي عصبي پرسپترون با يك لايه ي پنهان نتايج بهتري را در پيش بيني پارامترهاي آبگيري داشته و اين شبكه توانست مقادير جذب مواد جامد و محتوي رطوبت را با 5 نرون در لايه ي پنهان (ضريب تبيين به ترتيب 937/0 و 959/0) و اختلاف بريكس و كاهش آب را با 30 نرون در لايه ي پنهان (ضريب تبيين به ترتيب 961/0 و 942/0) پيش بيني نمايد.

In this study, Response Surface Methodology (RSM) was used to optimize osmo-dehydration of orange slice. Effect of osmotic solution temperature in the range of 30 to 60 °C, immersion time from 0 to 300 min and sucrose concentration from 35 to 65 brix degree on water loss, solid gain, moisture content, water loss to solid gain ratio and brix change were investigated by Central Composite Design (CCD). Applying response surface and contour plots optimum for osmotic dehydration were found to be at temperature of 30 °C, immersion time of 229.2 minute and sucrose concentration of 65%. At this optimum point, water loss, solid gain, WL/SG ratio, moisture content (dry base) and brix difference were found to be 30.316 (g/100 g initial sample), 13.51 (g/100 g initial sample), 2.45, 2.77 % and 15.79, respectively. The result of artificial neural network indicated that the perceptron neural network with one hidden layer is able to anticipate the dehydration characteristics. This network predicted solid gain and moisture content with 5 neuron per hidden layers with R2 values of 0.937 and 0.959, respectively and brix difference and water loss with 30 neuron per hidden layer with R2 values of 0.961 and 0.942, respectively.