مدل‌سازی فرایند پخت در حین استخراج روغن از جوانه ذرت با استفاده از شبکه‌های عصبی مصنوعی

محورهای موضوعی : اصول مهندسی صنایع غذایی-مدل سازی

ابولفضل بوژمهرانی ¹ , محسن وظیفه دوست ² , بهاره حاجی رستملو ³

1 - دانشجوی دکتری علوم و صنایع غذایی، واحد نیشابور، دانشگاه آزاد اسلامی، نیشابور، ایران
2 - استادیار، گروه علوم و صنایع غذایی، واحد نیشابور، دانشگاه آزاد اسلامی، نیشابور، ایران.
3 - استادیار، گروه علوم و صنایع غذایی، واحد نیشابور، دانشگاه آزاد اسلامی، نیشابور، ایران.

تاریخ دریافت : 1398/06/09 تاریخ پذیرش : 1398/10/07 تاریخ انتشار : 1401/04/01

کلید واژه: مدل‌سازی, دیگ پخت, جوانه ذرت, روغن کشی,

چکیده مقاله :

در این تحقیق به منظور مدل‌سازی فرایند استخراج روغن از جوانه ذرت در مقیاس صنعتی از 3 سطح دمای پخت (80، 85 و 90 درجه سانتی‌گراد) و سه سطح رطوبت دانه های خروجی از دیگ پخت (3، 5/3 و 4 درصد) استفاده گردید و میزان لرد و اسیدیته روغن، میزان روغن، پروتئین و رطوبت کنجاله مورد بررسی قرار گرفت. جهت پیش‌بینی روند تغییرات از ابزارشبکه‌های عصبی مصنوعی در نرم‌افزار متلب استفاده شد. با بررسی شبکه‌های مختلف شبکه‌ی پس‌انتشار پیشخور با توپولوژی‌های2-6-5 با ضریب همبستگی بیشتر از 984/0 و میانگین مربعات خطای کمتر از 003/0 و با بکارگیری تابع فعال‌سازی تانژانت سیگموئید هیپربولیکی، الگوی یادگیری لونبرگ– مارکوات و چرخه یادگیری 1000 به عنوان بهترین مدل‌ عصبی مشخص گردید. نتایج حاصل از مدل‌های بهینه‌ی انتخاب شده نیز ارزیابی گردید و این مدل‌ها با ضرایب همبستگی بالا )بیش از 953/0( قادر به پیش‌بینی روند تغییرات بودند. از طرفی نتایج نشان داد که مدل‌های به‌دست آمده در این مطالعه بیشترین دقت را در پیش‌بینی میزان رطوبت کنجاله داشتند.

منابع و مأخذ:

1. بخش آبادی، ح.، وحدانی، م.، مقیمی، م.، بذرافشان، م.، رشیدزاده، ش. و بوژمهرانی، ا. 1396. ‌مدل‌سازی فرایند پخت در حین استخراج روغن از دانه‌های آفتابگردان با استفاده از شبکه‌های عصبی مصنوعی در مقیاس صنعتی. مجله علوم و صنایع غذایی ایران، جلد14، شماره 69، 11-1.


2. پایان، ر. 1383. مقدمه‌ای بر تکنولوژی فراورده‌های غلات. نشر آییژ. 289-286.


3. ساجدی، ن. و اردکانی، م.ر. 1387. اثر مقادیر مختلف کود نیتروژن، روی و آهن بر شاخص‌های فیزیولوژیک ذرت علوفه‌ای در استان مرکزی. پژوهش‌های زراعی ایران، جلد6، دوره1، 110- 99.


4. 2008. Official methods of analysis of the association of official analytical chemists, Vol. II. Arlington, VA: Association of Official Analytical Chemists.


5. 1993. Official Methods and Recommended Practices of the American Oil Chemists’ Society, AOCS Press, Champaign, IL, 762p.


6. Bamgboye, A. and Adejumo, A. 2007. Development of a Sunflower Oil Expeller. Agricultural Engineering International: the CIGR E journal. Manuscript EE 06 015. Vol IX. September.


7. Blessin, C. W., Inglett, G. E., Garcia, J. and Deatherage, W. L. 1972. Defatted germ flour - Food ingredient from corn. Food Product Development, 5(3): 3: 34-39


8. Blessin, C. W., Deatherage, W. L., Cavins, J. F., Garcia, W. J. and Inglett, G. E. 1979. Preparation and properties of defatted flour from dry-milled yellow, white, and high- lysine corn germ. The American Association of Cereal Chemists, 56(2): 105-109.


9. Dolatabadi, Z., Elhami Rad, A.H., Farzaneh, V., Akhlaghi Feizabad, S.H., Estiri, S.H and Bakhshabadi, H. 2016. Modeling of the lycopene extraction from tomato pulps. Food Chemistry, 190: 968-973.


10. Farzaneh, V., Bakhshabadi, H., Gharekhani, M., Ganje, M., Farzaneh, F. and Carvalho, I.S. 2017 Application of an adaptive neuro_fuzzy inference system (ANFIS) in the modeling of rapeseeds’ oil extraction, Food process engineering,125: 1-8.


11. Fausett, L.V. 1998. Fundamentals of Neural Networks. Pearson. 470 p.


12. Ghavami, M. Gharachorloo, M. and Ezatpanah, H. 2003. Effect of frying on the oil quality properties used in the industry potato chips. Journal of Agricultural and Science, 9(1): 1-15.


13. Johnston, B., McAloon, A.J., Moreau, R.A., Hicks, K.B and Singh, V. 2005. Composition and economic comparison of germ fractions derived from modified corn processing technologies.  Journal of American Oil Chemist’s Society, 82: 603-608.


14. Rostami, M., Farzaneh, V., Boujmehrani, A., Mohammadi, M. and Bakhshabadi, H. 2014.

 

 Optimizing the extraction process of sesame seed’s oil using response surface method on the industrial scale. Industrial Crops and Products, 58, 160–165.

15. Sablani, S. S., Shafiur Rahman, M., Datta, A. K. and Mujumdar, A. S. 2007. Handbook of food and bioprocess modeling technology. CRC press. pp: 378-380.


16. Thakker, M.R., Parikh, J.K. and Desai, M.K. 2016. Microwave assisted extraction of essential oil from the leaves of Palmarosa: Multi-response optimization and predictive modelling. Industrial Crops and Products, 86: 311-319.


17. Vasseghian, Y., Zahedi, G,H. and Ahmadi , M. 2016. Oil Extraction from Pistacia Khinjuk - Experimental and Prediction by Computational Intelligence Models. Journal of Food Biosciences and Technology, 6(1): 1-112.


18. Wu, C. H. and McLarty, J.W. 2000. Neural Networks and Genome Informatics. Elsevier Publishing Co. USA. 220 p.