بخشی از مقاله
چکیده:
در این تحقیق خواص خشک شدن میوه به - Cydonia oblonga - در یک خشک کن هواي داغ با استفاده از پیش تیمار فراصوت-اسمز مورد مطالعه قرار گرفت. یکی از مهم ترین تغییرات فیزیکی که در زمان خشک کردن مواد غذایی همراه با نفوذ رطوبت به خارج از ماده اتفاق می افتد، چروکیدگی می باشد.
به منظور پیش بینی میزان چروکیدگی میوه به، با استفاده از شبکه عصبی مصنوعی، آزمایشاتی در سه سطح دمایی از 60 تا 80، زمان خشک کردن بین 4 تا 6 ساعت و در سه بار تکرار در یک خشک کن لایه نازك انجام شد. پس از انجام آزمایش ها، داده ها به محیط شبکه عصبی منتقل شدند.
به منظور توسعه مدل هاي شبکه عصبی مصنوعی ابتدا داده ها به 3 بخش آموزش - 60 % - ، اعتبار سنجی - %15 - و آزمون - %25 - مدل ها تقسیم شدند. شبکه ها با ساختار پرسپترون چند لایه آموزش داده شدند. معیار انتخاب بهترین شبکه بیشترین ضریب تبیین و کمترین مقدار متوسط مربع خطا - MSE - بود. در پیش بینی میزان چروکیدگی میوه به، شبکه سه لایه با ساختار 3- 10-1 بهترین نتیجه را داد. این شبکه در لایه پنهان 10 نرون دارد. مقادیر ضریب تبیین و MSE آن به ترتیب 0/9828 و1.29 e‐4 می باشد. از نتایج این تحقیق می توان در طراحی خشک کن هاي صنعتی بهره گرفت.
مقدمه
خشک کردن یکی از قدیمی ترین روش هاي نگهداري میوه ها و سبزي ها می باشد و ایران از دیرباز به دلیل موقعیت آب و هوایی خاص خود یکی از بزرگترین تولیدکننده هاي بزرگ خشکبار در دنیا بوده است. چروکیدگی مواد غذایی یکی از رایجترین تغییرات فیزیکی طی فرایند خشک کردن میباشد.
کاهش آب و حرارت بالا باعث اعمال تنش به ساختار سلولی و میکروسکوپی مواد غذایی شده، در نتیجه موجب تغییر شکل و کاهش ابعاد ماکروسوپی می-گردد. تغییر شکل، کاهش حجم و افزایش سختی محصول طی فرایند خشک کردن باعث عدم تمایل مصرفکنندگان به مصرف این فراوردهها میشود. علاوه بر این چروکیدگی باعث کاهش انتقال جرم به دلیل کاهش سطح موثر و سخت شدن پوسته مواد غذایی میشود
بنابراین انتخاب روش مناسب براي خشک کردن و یا استفاده از پیش تیمارهاي مناسب قبل از فرایند خشک کردن می تواند تا حدود بسیار زیادي سبب بهبودي ویژگی هاي کیفی محصول نهایی خشک شده شود. یکی از مهم ترین معیارها براي انتخاب روش خشک کردن، نوع ماده اولیه، ویژگی ها و کاربرد فراورده هاي خشک شده نهاي می باشد. استفاده از پیش تیمار اسمز، یکی از متداول ترین روش ها براي خشک کردن میوه و سبزي ها می باشد
اعمال پیش تیمار قبل از خشک کردن، با استفاده از امواج فراصوت شامل غوطه وري ماده غذایی در آب یا در یک فاز آبی هایپرتونیک1 است.
فرناندز و همکاران در سال هاي 2006، 2007، 2008 و 2009؛ محبی و همکاران در سال 2010، آزوبل و همکاران در سال 2010، استفاده از امواج فراصوت بعنوان پیش تیمار را قبل از خشک کردن با هواي داغ در مورد محصولات مختلف بررسی کردند. نتایج حاصل از این تحقیقات نشان داده است که تغییرات ناشی از اعمال امواج فراصوت در نمونه هاي غوطه ور در آب نسبت به نمونه هاي غوطه ور در محلول ساکارز بسیارکمتر بوده است. نمونه هایی که در آب تحت تأثیر امواج فراصوت قرار گرفته اند نسبت به نمونه هایی که در محلول اسمزي تحت تأثیر امواج فراصوت قرار گرفته اند، در مدت زمان کمتري خشک شدند. همچنین نمونه هاي غوطه ور در محلول اسمزي که تحت تأثیر امواج فراصوت قرار گرفته اند نسبت به نمونه هایی که فقط اسمز شده اند دیرتر خشک گردیدند، احتمالاً استفاده از امواج فراصوت در محلول اسمزي سبب اتصال و بهم پیوستن مواد جامد محلول در بافت میوه شده که در نتیجه سبب ایجاد مانعی، در برابر خروج رطوبت از بافت گردیده است.
به طور کلی براي مدل کردن پدیده هاي فیزیکی مانند میزان چروکیدگی محصولات کشاورزي از روش هاي معمول حل معادلات - موازنه جرم و انرژي - استفاده می شود اما به دلیل وقت گیر بودن حل این معادلات روش هاي سریع تري چون شبکه عصبی مصنوعی هم موجود است. شبکه هاي عصبی مصنوعی از عناصر عملیاتی ساده اي به صورت موازي ساخته می شوند. این عناصر از سیستم هاي عصبی زیستی الهام گرفته شده اند. شبکه هاي عصبی از دو ویژگی اساسی یادگیري براساس ارائه داده هاي تجربی و ساختار پذیري موازي برخوردار می باشند.
این شبکه ها براي مسائل کنترل، علی الخصوص سیستم هاي پیچیده که مدل سازي این سیستم ها میسر نیست یا به سختی انجام می شود مناسب می باشد. علیرغم مزایاي زیادروشهاي مدلسازي ریاضی، محدودیتهایی از قبیل انتخاب پارامترها، اعمال پیشفرضها براي حل معادلات دیفرانسیل و پیچیدگی حل معادلات سبب میشود استفاده ازروشهاي ناپارامتري مانند شبکههاي عصبی مصنوعی در حل مسائل خشککردن توسعهپیدا کند، زیرا روش حل در شبکههاي عصبی مصنوعی مبتنی بر ضرب ضرایب وزنی در قالب پردازش موازي است. از این رو سرعت دستیابی به جواب دراین روش نسبت بهروشهاي مدلسازي ریاضی بیشتر است. لذا براي اعمال سیستم کنترل، مناسبتر است. از سوي دیگر بهعلت توزیع اطلاعات در شبکههاي عصبی مصنوعی، خطاي ایجاد شدهدراطلاعاتورودي تأثیر نامطلوب بر پردازش دادهها نخواهد داشت.
همچنین با توجهبهدرنظر گرفتن پارامترهاي کیفی و عدم امکان محاسبهآن باروشهاي مدلسازي ریاضی،روش شبکههاي عصبی مصنوعی براي پیشبینی همزمان پارامترهاي خروجی مناسب است. شبکههاي عصبی مصنوعی بهدلیل وفقی بودن، قابلیت اعتماد بیشتري نسبت بهمدلهاي آماري دارند و قابلیت تعمیم و تقریب آنها بیشتر است.
هدف از این پژوهش پیش بینی میزان چروکیدگی اسلایس هاي به خشک شده با استفاده از پیش تیمار فراصوت- اسمز در طول فرایند خشک کردن با استفاده از شبکه هاي عصبی مصنوعی می باشد.
مواد و روش ها
در این مطالعه، میوه به مورد استفاده رقم نیشابور بود که از بازار مشهد تهیه گردید. به هاي مصرفی تا هنگام استفاده در دماي 4- 5 درجه سانتی گراد در یخچال نگهداري شدند. پس از پوست گیري، میوه ها به منظور جلوگیري از قهوه اي شدن در محلول 1 درصد متابی سولفیت سدیم به مدت
5 دقیقه غوطه ور شدند. سپس نمونه ها از محلول خارج شده، با استفاده از کاغذهاي جاذب آب اضافی آن ها گرفته شد. بعد از این مرحله به ها توسط قالب به شکل اسلایس هایی به ضخامت 9 میلی متر و قطر 28 میلی متر برش داده شدند.
نمونه هاي تهیه شده درون آب مقطر غوطه ور شدند و با توجه به آزمایشهاي اولیه، بازه زمان 27 دقیقه براي این مرحله انتخاب شد. این آزمایش ها درون حمام فراصوت مدل - - SCHAPER Unique USC 25 kHz تحت دماي محیط صورت پذیرفت. فرکانس و شدت میدان مورد استفاده در این آزمایش به ترتیب 25 kHzو500W بود. نسبت میوه به آب مقطر در کل آزمایش ها 1 به 20 در نظر گرفته شد. پس از طی شدن زمان مورد نظر، برش هاي به از آب مقطر خارج گردیده، پس از حذف رطوبت سطحی بوسیله کاغذ صافی، نمونهها به درون محلول اسمزي منتقل شدند
محلول اسمزي ساکارز با غلظت 50 درصد - w/w - تهیه گردید و دماي آن توسط گرم کن مجهز به همزن مغناطیسی به 50 سانتی گراد رسانده شد. نمونه هاي آبگیري شده پس از طی زمان مورد نظر از درون محلول اسمزي خارج گردیدند و به منظور حذف شربت شکر از سطح آن توسط آب مقطر شسته و بلافاصله با کاغذ صافی خشک و مجدداً توزین شدند.
به منظور حصول شرایط پایدار در سیستم، خشک کن به مدت 30 دقیقه قبل از فرایند روشن و سپس سینی حاوي نمونه ها در محفظه خشک کن قرار داده میگرفت - نمونه هاي شاهد یعنی بدون پیش تیمار و نمونه هایی که تحت تأثیر پیش تیمار فراصوت -اسمز قرار گرفتند - . آزمایش در دماهاي 60، 70 و 80 درجه سانتی گراد و سرعت هواي ورودي 1/5 m/s انجام شد.
اندازه گیري درصد چروکیدگی
براي اندازه گیري چروکیدگی، نمونه ها در فواصل زمانی 5،4 و 6 ساعت از خشک کن خارج و تغییرات حجم نمونه ها با استفاده از روش جابجایی مایع توسط تولوئن تعیین گردید
مدل سازي شبکه عصبی
شبکه هاي عصبی مصنوعی به عنوان یکی از شاخه هاي هوش مصنوعی به دلیل دارا بودن ساختار پردازش موازي داراي سرعت پردازش بسیار بالایی هستند.
شبکه عصبی مصنوعی متشکل از مجموعه اي از نرون ها با ارتباطات داخلی بین یکدیگر می باشد که قادر است بر اساس اطلاعات و داده هاي ورودي، جواب هاي خروجی را تخمین بزند. در شبکه هاي عصبی، حافظه ي شبکه در مقادیر پیوندهاي موجود بین نرون ها و به شکل وزن هاي هر پیوند ذخیره می شود.
در این فرایند آموزش به معناي روند تغییر وزن ها تا حصول نتیجه ي مشخص - به دست آوردن خروجی مطلوب از شبکه - و یاد گیري به معناي مرحله ي نهایی آموزش و تثبیت وزن هاي سیناپسی است. به منظور بررسی و ارزیابی شبکه هاي مختلف، داده ها به صورت تصادفی به سه قسمت تقسیم شدند، به طوري که 60 درصد داده ها براي آموزش، 20 درصد داده ها براي ارزیابی و 20 درصد داده ها براي تست شبکه استفاده شد.
در حین آموزش شبکه، زمانی که خطاي بین داده هاي آموزش و ارزیابی در حال افزایش باشد، فرایند آموزش قطع می شود. در طی فرایند آموزش، شبکه هاي عصبی مصنوعی به کمک داده هاي آموزشی، ارتباط بین نرون ها را در هر چرخه ي آموزش یاد می گیرند تا که مقادیر پیش بینی شده به مقادیر خروجی مطلوب نزدیک شود و مقادیر خطاي حاصل از مقادیر خطاي مشخص شده کمتر گردد.
پارامترهاي ترکیبی مانند تعداد لایه هاي پنهان، تعداد نرون ها، تعداد چرخه ي آموزش - Epoch - در طی فرایند آموزش شبکه ي عصبی و به روش آزمون و خطا تعیین می شود. بررسی قابلیت تعمیم شبکه ي عصبی آموزش دیده، آخرین مرحله در توسعه ي مدل شبکه عصبی مصنوعی است.
در این مرحله مدل هاي شبکه ي عصبی آموزش دیده به وسیله ي مجموعه داده هاي ارزیابی که مستقل از دادههاي آموزش است مورد آزمون قرار می گیرد. براي یافتن شبکه اي با معماري مناسب از از شاخص هاي میانگین مربع خطا - MSE - ، میانگین خطاي مطلق - MAE - و ضریب همبستگی - R2 - استفاده گردید. در ذیل به این معادلات اشاره شده است:
در معادلات فوق T و O به ترتیب مقادیر پیشگویی شده توسط شبکه عصبی مصنوعی و واقعی داده i ام، N تعداد داده ها می باشد.
