مدل سازی فرآیند خشک کردن هلو توسط خشک کن فروسرخ به روش الگوریتم ژنتیک

الموضوعات :

فخرالدین صالحی ¹ , سیدحسین حسینی قابوس ²

1 - استادیار دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
2 - استادیار گروه علوم و مهندسی صنایع غذایی، واحد آزادشهر، دانشگاه آزاد اسلامی، آزادشهر، ایران

تاريخ الإرسال : 29 الثلاثاء , شوال, 1440 تاريخ التأكيد : 29 الثلاثاء , شوال, 1440 تاريخ الإصدار : 19 السبت , شوال, 1440

الکلمات المفتاحية: الگوریتم ژنتیک, آنالیز حساسیت, فروسرخ, هلو,

ملخص المقالة :

مقدمه: به دلیل بهره‌وری پایین انرژی و مدت‌زمان طولانی خشک‌کردن محصولات کشاورزی با روش‌های متداول، استفاده از روش‌های نوین نظیر پرتودهی فروسرخ لازم است مورد بررسی قرار گیرد. مواد و روش‌ها: در این مطالعه جهت خشک‌کردن و افزایش زمان ماندگاری هلو، از روش پرتودهی فروسرخ استفاده گردید. اثر توان لامپ فروسرخ در سه سطح 150، 250 و 375 وات، فاصله نمونه از لامپ در سه سطح 5، 5/7 و 10 سانتی‌متر و در فاصله زمانی 1 دقیقه‌ای تا مدت زمان 120 دقیقه بر خشک‌کردن هلو مورد بررسی قرار گرفت. مدل‌سازی فرآیند به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی با 3 ورودی (توان لامپ، فاصله لامپ و زمان) و 1 خروجی (کاهش وزن) انجام شد. یافته‌ها: نتایج خشک‌کردن هلو به روش فروسرخ نشان داد با افزایش توان لامپ و کاهش فاصله نمونه‌ها از منبع حرارتی، سرعت خشک‌کردن افزایش می‌یابد. با افزایش توان لامپ فروسرخ از 150 به 375 وات مقدار کاهش وزن از 4/39 به 50/87 درصد افزایش یافت. با افزایش فاصله لامپ 250 وات از 5 به 10 سانتی‌متر، درصد کاهش وزن از 6/87 به 5/73 درصد برای نمونه هلو کاهش یافت. نتایج مدل‌سازی به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی نشان داد شبکه‌ای با تعداد 13 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی تانژانت هیپربولیک می‌تواند درصد کاهش وزن در طی فرآیند خشک‌کردن هلو به روش فروسرخ را پیشگویی نماید (9990/0R=). نتیجه‌گیری: نتایج آنالیز حساسیت توسط شبکه عصبی بهینه نشان داد که زمان خشک‌کردن به‌عنوان مؤثرترین عامل در کنترل کاهش وزن برش‌های هلو می‌باشد.

المصادر:

Afzal, T., Abe, T. & Hikida, Y., (1999). Energy and quality aspects during combined FIR-convection drying of barley. Journal of Food Engineering 42(4), 177-182.

Erenturk, S. & Erenturk, K., (2007). Comparison of genetic algorithm and neural network approaches for the drying process of carrot. Journal of Food Engineering 78(3), 905-912.

Germer, S. P. M., Queiroz, M. R., Aguirre, J. M., Berbari, S. A. G. & Anjos, V. D. (2010). Process variables in the osmotic dehydration of sliced peaches. Food Science and Technology (Campinas) 30(4), 940-948.

Hebbar, H. U., Vishwanathan, K. & Ramesh, M. (2004). Development of combined infrared and hot air dryer for vegetables. Journal of Food Engineering 65(4), 557-563.

Kingsly, R. P., Goyal, R. K., Manikantan, M. R. & Ilyas, S. M. (2007). Effects of pretreatments and drying air temperature on drying behaviour of peach slice. International Journal of Food Science & Technology 42(1), 65-69.

Lertworasirikul, S. & Saetan, S. (2010). Artificial neural network modeling of mass transfer during osmotic dehydration of kaffir lime peel. Journal of Food Engineering 98(2), 214-223.

Nimmol, C. (2010). Vacuum far-infrared drying of foods and agricultural materials. The Journal of the King Mongkut’s University of Technology North Bangkok 20, 37-44.

Pan, Z., Shih, C., McHugh, T. H. & Hirschberg, E. (2008). Study of banana dehydration using sequential infrared radiation heating and freeze-drying. LWT-Food Science and Technology 41(10), 1944-1951.

Ramzi, M., Kashaninejad, M., Salehi, F., Sadeghi Mahoonak, A. R. & Ali Razavi, S. M. (2015). Modeling of rheological behavior of honey using genetic algorithm–artificial neural network and adaptive neuro-fuzzy inference system. Food Bioscience 9, 60-67.

Rastogi, N. K. (2012). Recent trends and developments in infrared heating in food processing. Critical Reviews in Food Science and Nutrition 52(9), 737-760.

Sahari, M., Souti, M. & Emam-Jomeh, Z. (2006). Improving the dehydration of dried peach by osmotic method. Journal of Food Technology 4(3), 189-193.

 

Salehi, F. (2019). Recent applications and potential of infrared dryer systems for drying various agricultural products: a review. International Journal of Fruit Science.

Salehi, F., Abbasi Shahkoh, Z. & Godarzi, M. (2015). Apricot Osmotic Drying Modeling Using Genetic Algorithm - Artificial Neural Network. Journal of Innovation in Food Science and Technology 7(1), 65-76.

Salehi, F., Kashaninejad, M., Akbari, E., Sobhani, S. M. & Asadi, F. (2016). Potential of Sponge Cake Making using Infrared–Hot Air Dried Carrot. Journal of Texture Studies 47(1), 34-39.

Salehi, F. & Razavi, S. M. A. (2012). Dynamic modeling of flux and total hydraulic resistance in nanofiltration treatment of regeneration waste brine using artificial neural networks. Desalination and Water Treatment 41(1-3), 95-104.

Salehi, F. & Razavi, S. M. A. (2016). Modeling of waste brine nanofiltration process using artificial neural network and adaptive neuro-fuzzy inference system. Desalination and Water Treatment 57(31), 14369-14378.

Souti Khiabani, M., Sahari, M. & Emam-Djomeh, Z. (2003). Improving the dehydration of dried peach by applying osmotic method. Iranian Journal of Agricultural Science 34(2), 283-291.

Yazdani, M., Borghaee, A. M., Rafiee, S., Minaei, S. & Beheshti, B. (2013). Mathematical and neural networks modeling of thin-layer drying of peach (Prunus persica) slices and their comparison. European Journal of Experimental Biology 3(3), 712-721.