استخراج ترکیبات فنلی از برگ‌های درخت اکالیپتوس (Eucalyptus camaldulensis Dehn.) به کمک مایکروویو و پیش گویی روند استخراج با استفاده از شبکه‌های عصبی مصنوعی

الموضوعات :

مهدی قره‌خانی ¹ , امیر‌احمد دهقانی ² , احمد قره‌خانی ³ , شاهرخ جبرائیلی ⁴ , محمد قربانی ⁵

1 - دانشجوی دکتری، دانشگاه آزاد اسلامی، واحد تبریز، تبریز، ایران.
2 - استادیار، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع‌طبیعی گرگان، گرگان، ایران.
3 - مربی، گروه دامپزشکی، دانشگاه آزاداسلامی واحد ماکو، ماکو، ایران.
4 - کارشناس ارشد، دانشگاه علوم کشاورزی و منابع‌طبیعی گرگان،‌ گرگان، ایران.
5 - دانشیار، دانشگاه علوم کشاورزی و منابع‌طبیعی گرگان،‌ گرگان، ایران.

تاريخ الإرسال : 30 الأربعاء , ربيع الأول, 1433 تاريخ التأكيد : 06 الثلاثاء , شعبان, 1433 تاريخ الإصدار : 09 الخميس , جمادى الأولى, 1434

الکلمات المفتاحية: اکالیپتوس, شبکه‌های عصبی مصنوعی, مایکروویو, ترکیبات فنلی, تابع محرک,

ملخص المقالة :

روش‌های استخراج جدید همچون استخراج به کمک مایکروویو، روش‌های سریع و مؤثر برای استخراج ترکیب‌های موثره از بافت‌های گیاهی هستند. با انتخاب صحیح و مناسب روش استخراج می‌توان حداکثر غلظت ترکیب‌های فنلی را با خلوص بالا از ماده مورد نظر در مقایسه با روش‌های سنتی استخراج کرد. در این تحقیق تاثیر غلظت اتانول (10، 20، 30، 40، 50، 60، 70، 80، 90 و 100درصد) و زمان استخراج (5/0، 1، 2، 5، 7، 9، 11، 13 و 15 دقیقه) بر روی میزان استخراج ترکیبات فنلی از برگ‌های اکالیپتوس به کمک مایکروویو بررسی گردید و از روش شبکه عصبی برای پیش بینی روند استخراج استفاده شد. نتایج نشان داد که غلظت 50درصد اتانول بیشترین میزان استخراج را داشت. شبکه مورد استفاده برای شبیه‌سازی، شبکه پس انتشار پیشخور با الگوریتم یادگیری لونبرگ- مارکوات برای آموزش الگو‌ها استفاده شد. متغیر‌های شبکه عصبی مصنوعی، تعداد نرون در لایه پنهان (4 تا 30) و نوع تابع محرک (تانژانت‌هایپربولیک و سیگموئید) در لایه پنهان بود. برای توسعه مدل‌های شبکه عصبی مصنوعی، بردار ورودی شامل غلظت اتانول و زمان استخراج و بردار خروجی میزان ترکیبات فنلی برگ‌های اکالیپتوس در نظر گرفته شد. نتایج نشان داد که شبکه پس انتشار پیشخور با تابع محرک تانژانت‌هایپربولیک و با 16 نرون در لایه پنهان قادر است که میزان ترکیبات فنلی را با ضریب تعیین 9632/0 و میانگین مربعات خطای برابر با 00069/0 در مقایسه با سایر شبکه‌ها پیش‌بینی کند.