مدل‌سازي فرايند پخت در حين استخراج روغن از دانه‌هاي آفتابگردان با استفاده از شبكه‌هاي عصبي مصنوعي در مقياس صنعتي

Modeling the cooking process during the extraction of oil from Sunflower seeds using artificial neural networks on an industrial scale

مرسوم‌ترين روش‌هاي استخراج روغن از دانه‌هاي روغني، استفاده از پرس و حلال مي‌‌باشد كه موثرترين روش استخراج روغن آفتابگردان، مانند ساير دانه‌هاي با درصد روغن بالا نظير كلزا، پرس مكانيكي و به دنبال آن استخراج با حلال مي‌باشد. در اين تحقيق به منظور مدل‌سازي فرايند استخراج روغن از دانه‌هاي آفتابگردان در مقياس صنعتي از 3 سطح دماي پخت (70، 80 و 100 درجه سانتي‌گراد) و سه سطح رطوبت دانه‌هاي خروجي از ديگ پخت (7، 7/5 و 8 درصد) استفاده گرديد و ميزان روغن، رطوبت و پروتئين كنجاله و درصد مواد ريز نامحلول در روغن و اسيديته روغن مورد بررسي قرار گرفت. جهت پيش‌بيني روند تغييرات از ابزارشبكه‌هاي عصبي مصنوعي در نرم‌افزار MATLAB R2013a استفاده شد. با بررسي شبكه‌هاي مختلف شبكه‌ي پس‌انتشار پيشخور با توپولوژي‌هاي2-5-10 با ضريب همبستگي بيشتر از 0/999 و ميانگين مربعات خطاي كمتر از 0/003 و با بكارگيري تابع فعال‌سازي تانژانت سيگموئيد هيپربوليكي، الگوي يادگيري لونبرگ – ماركوات و چرخه يادگيري 1000 به عنوان بهترين مدل‌ عصبي مشخص گرديد. نتايج حاصل از مدل‌هاي بهينه‌ي انتخاب شده نيز ارزيابي گرديد و اين مدل‌ها با ضرايب همبستگي بالا (بيش از 0/96) قادر به پيش‌بيني روند تغييرات بودند.

The most common methods of extraction of oil from oils seeds are pressing and solvent methods that the most effective method of extracting sunflower oil, like other seeds with high oil content such as rapeseed, is mechanical press and then solvent extraction. In this research, to model the process of oil extraction from sunflower seeds on an industrial scale, three levels cooking temperature (70, 80 and 90 ° C) and three levels of moisture of the output seeds from the cooker (7, 7.5 and 8 %) was used and the amount of oil acidity, the contentt of oil, protein and moisture of meal and the percentage of insoluble fine partical in oil were studied. 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 topologies 2-10-5 with a correlation coefficient of more than 0.999 and the mean squared error of less than 0.003 and with using sigmoid hyperbolic of tangent activation function, the Levenberg–Marquardt learning algorithm and learning cycle of 1000 were specified as the best neural model. The results of the optimized and selected models were evaluated and these models with high correlation coefficients (over 0.96), were able to predict the changes' trend.