مدل سازي و پيش بيني پايداري اكسيداسيون روغن زيتون طي نگهداري در شرايط محيطي با استفاده از مدل شبكه عصبي مصنوعي

Modeling and Predicting the Oxidative Stability of Olive Oil during the Storage Time at Ambient Conditions Using Artificial Neural Network

سابقه و هدف: پايداري اكسيداسيون يكي از پارامترهاي مهم در حفظ كيفيت روغن زيتون طي نگهداري مي باشد اطمينان از ثبات كيفيت روغن زيتون يكي از مسائل و نگراني هاي مهم توليدكنندگان و مصرف كنندگان است. لذا اين مطالعه با هدف مدل سازي پايداري اكسيداسيون روغن زيتون با استفاده شبكه هاي عصبي مصنوعي به منظور به بهبود فرآيند كنترل كيفيت اين محصول انجام شد. مواد و روشها: در اين مطالعه از روش شبكه عصبي پيش خور براي پيش بيني پايداري اكسيداسيوني روغن زيتون در طي نگهداري استفاده شد. در ساختار شبكه عصبي پارامترهاي اسيديته، عدد پراكسيد، تركيبات فنلي، ضريب خاموشي k 232 و ساختار اسيدهاي چرب اشباع و غيراشباع به عنوان ورودي و ضريب خاموشي k270 به عنوان خروجي در نظر گرفته شد. يافته ها: بهترين مدل شبكه عصبي پيش خور با استفاده از تابع فعال سازي لگاريتم سيگموئيد، الگوريتم آموزش لونبرگ ماركوارت، ده نرون در لايه پنهان ارائه گرديد كه داراي كمترين ميانگين مربعات خطا و بهترين ضريب رگرسيون (R2) بود. مقدار ضريب تبيين (Coefficient of Determination) بهترين مدل شبكه عصبي پيش خور در روزهاي (30-120-210-300-420) به ترتيب 0/936 ،0/955، 0/957، 0/974 و 0/9769 و ميانگين مربعات خطا 0/0057، 0/0015، 0/0012، 0/0046و 0/0062 بود. نتيجه گيري: تجزيه و تحليل مدل نشان داد كه شبكه عصبي پيش خور يك ابزار قدرتمند براي پيش بيني پايداري اكسيداسيوني روغن زيتون در طول نگهداري است.

Background and Objectives: Oxidative stability is one of the most significant parameters in maintaining the quality of olive oil during the storage time. The confidence of the stability and quality of olive oil is a great concern for producers and sellers. Therefore، this study aimed at modeling of the oxidation stability of olive oil by using artificial neural network (ANN) in order to improve the quality control process of this product. Materials and Methods: In the present study، a Feed-forward Neural Network)FF-ANN(was used to estimate the oxidative stability of olive oils during storage. In the neural network structure، the parameters of acidity، peroxide value (PV) specific extinction coefficient K232، phenolic compounds، structure of saturated and unsaturated fatty acids were used as input variables، and the extinction coefficient k270 was used as the output variable. Results: The Feed-Forward-Back-Propagation network using the Tangent Sigmoid transfer function، Levenberg–Marquardt learning algorithm، and ten neurons in the hidden layer with lowest mean square error، and the best regression coefficient was determined as the best neural model. The regression coefficients of the best FF-ANN model in (30-120-210-300-420) days were 0.936 ،0.955، 0.957، 0.974 and 0.9769، respectively and the mean square errors were 0.0057، 0.0015، 0.0012، 0.0046، and 0.0062، respectively. Conclusion: Our analysis demonstrated that FF-ANN was a powerful tool capable to predict oxidative stability of olive oils during the storage time.