كاربرد شبكه‌ي عصبي مصنوعي در پيش‌بيني نسبت رطوبت و بررسي خصوصيات حسي و تغذيه‌اي و گوجه فرنگي در طي خشك كردن

Application of artificial neural network to moisture ratio anticipation and investigation of sense and nutrition properties of tomato during dried

در اين پژوهش، خشك كردن لايه‌اي نازك گوجه فرنگي توسط خشك كن هواي داغ آزمايشگاهي شبيه‌سازي گرديد. فرآيند خشك كردن در دو دماي 60 و 70 انجام گرفت. داده‌هاي خشك كردن توسط 8 مدل سينتيكي برازش داده شد. بهترين مدل از طريق R2 ، RMSE و مشخص گرديد. فرآيند مدل‌سازي نشان داد كه مدل لگاريتمي، بهترين كارايي را داشت. همچنين، ويژگي‌هاي فيزيكوشيميايي گوجه فرنگي، نظير چروكيدگي، اسيديته، غلظت يون هيدروژن و رنگ در طي خشك كردن تعيين گرديد. نتايج، نشان داد كه دماي هواي خشك كردن تاثير معني داري روي رنگ برش‌هاي گوجه فرنگي داشت. علاوه بر اين، در اين تحقيق، مطلوبيت برگه‌هاي گوجه فرنگي تهيه شده به وسيله‌ي آزمون حسي مورد آزمايش قرار گرفت. در اين آزمون، كيفيت‌هاي حسي رنگ، عطر، طعم، شكل ظاهري و قابليت جويدن (تردي بافت) نمونه‌ها مد نظر قرار گرفت. نتايج، نشان داد كه دماي هواي خشك كردن تاثير معني‌داري روي شكل ظاهري داشت (P < 0.01). نتايج مدلسازي، نشان داد كه مدل شبكه‌ي عصبي پرسپترون همراه با تابع محرك لوگ سيگموييد به عنوان بهترين تابع محرك مدل، توانست نسبت رطوبت را با ضريب رگرسيون 996/0 پيش‌بيني نمايد.

In this research, thin-layer drying of tomato slices was simulated via a laboratory scale hot air dryer. The drying process was carried out at two different temperatures (60 and 70 oC). Drying data were fitted to 8 drying kinetic models. The goodness of fit was determined by means of R2, RMSE and ?2, it was concluded that Logarithmic model represented the best performance. Also, physicochemical properties of tomato slice such as shrinkage, acidity, pH and color were determined during drying. The result indicated that drying air temperature had a significantly affect on the color change of tomato slices. Furthermore, in this research, tomato slice favorite is evaluated by sensory evaluation. In this test sense qualities as color, aroma, flavor, appearance and chew ability (tissue brittleness) are considered. The results revealed that air temperature had a significant effect on the appearance (P < 0.01). The results showed that perceptron neural network with logsig activation function as a goodness activation function can be estimated moisture ratio with R2 value 0.996.