مدل‌سازي تغييرات كيفي ازگيل (Mespilus germanica) طي نگهداري در سردخانه با استفاده از مدل‌هاي سينتيكي و شبكه‌هاي عصبي مصنوعي

Modelling medlar (Mespilus germanica) quality changes during cold storage using kinetics models and artificial neural network

هدف از انجام اين پژوهش بررسي سينتيك تخريب خصوصيات كيفي اصلي ازگيل طي نگهداري در سردخانه مي‌باشد. ازگيل (Mespilus germanica) بطور گسترده و بيشتر به صورت وحشي در شمال ايران مي‌رويد و كاربرد فراواني به سبب خواص تغذيه‌اي و درماني دارد. در ميوه‌ها خصوصيات كيفي به عنوان معيار مهم پذيرش توسط مصرف كننده است، از اينرو ارزيابي پارامترهاي موثر بر كيفيت ازگيل حائز اهميت مي‌باشد. از آنجائي­كه اندازه‌گيري اين پارامترها بسيار هزينه‌بر و زمان‌بر است، بنابراين پيش‌بيني آنها بسيار ضروري مي‌باشد. در پژوهش حاضر مدل‌هاي رياضي و شبكه‌هاي عصبي مصنوعي (ANNs) براي مدل‌سازي ارتباط بين خصوصيات فيزيكي و شيميايي و ويژگي‌هاي رنگي با زمان نگهداري در سردخانه بكار برده شد. از پنج مدل سينتيكي درجه صفر، درجه اول، درجه دوم، تبديل جزء و ويبال براي مدل‌سازي با كمك نرم افزار متلب استفاده شد. از بين اين مدل‌ها، مدل ويبال به عنوان بهترين مدل در پيش‌بيني تغييرات پارامترهاي فيزيكي و شيميايي ( و ) و رنگي ( و ) انتخاب گرديد. در مدل‌سازي ANN از شبكه پرسپترون چند لايه‌اي (MLP) با تعداد مختلفي نورون استفاده گرديد. ورودي‌هاي شبكه شامل زمان نگهداري، رطوبت ازگيل و درجه رسيدگي و خروجي آن نيز مقادير خصوصيات فيزيكي و شيميايي و رنگي بود. همچنين از الگوريتم لونبرگ-ماركوآرت به منظور آموزش شبكه و از تابع‌هاي آستانه‌اي سيگموئيد لگاريتمي، خطي و تانژانت هايپربوليك سيگموئيد استفاده گرديد. نتايج نشان داد كه شبكه MLP با تابع آستانه‌اي خطي و پيكربندي‌هاي 3-4-8-3 و 2-3-7 بهترين دقت را به ترتيب براي پيش‌بيني ويژگي‌هاي فيزيكي و شيميايي ( و ) و خصوصيات رنگي ( و ) دارند.

The aim of this research was to investigate the degradation kinetics of the major quality properties of medlar (Mespilus germanica) during cold storage. Medlar is a widely growth in northern Iran and its fruit is used as a nutritional component and as a medicinal remedy. In fruits, quality properties are used as a consumer-based criteria of acceptability. So it is important to evaluate parameters that affected the medlar quality. Measurement of these parameters is an expensive and time-consuming process. Therefore, parameter prediction due to affecting factors will be more useful. In the present research, mathematical models and artificial neural networks (ANN) were used for modelling the relationship between physicochemical properties and color attributes with cold storage time. Five kinetic models viz. zero order, first order, Second order, fractional conversion and Weibull models were used for modelling using MATLAB. Among the kinetics models, the Weibull model was found to be more suitable to predict the changes in all physicochemical ( , ) and color ( , ) parameters. In ANN, multi-layer perception (MLP) used with different number of neurons. The network’s inputs include storage time, medlar moisture content and ripening stage and the network’s output were the values of the physicochemical and color properties. The training rule was Momentum Levenberg-Marquardt. The transfer functions were Tansig, Purelin and Logsig. The results showed that MLP network with Levenberg-Marquardt training function, Purelin transfer function and 3-8-4-3 and 3-7-2 topologies had the best accuracy for prediction of for physicochemical and color properties. This network can predict physicochemical and color properties of the medlar with coefficient of 0.9983 and 0.9992 and MSE of 0.021, 0.000008 and 0.000059 respectively.