استخراج تركيبات فنلي از برگ‌هاي درخت اكاليپتوس (Eucalyptus camaldulensis Dehn.) به كمك مايكروويو و پيش گويي روند

روش‌هاي استخراج جديد همچون استخراج به كمك مايكروويو، روش‌هاي سريع و موثر براي استخراج تركيب‌هاي موثره از بافت‌هاي گياهي هستند. با انتخاب صحيح و مناسب روش استخراج مي‌توان حداكثر غلظت تركيب‌هاي فنلي را با خلوص بالا از ماده مورد نظر در مقايسه با روش‌هاي سنتي استخراج كرد. در اين تحقيق تاثير غلظت اتانول (10، 20، 30، 40، 50، 60، 70، 80، 90 و 100درصد ) و زمان استخراج (5/0، 1، 2، 5، 7، 9، 11، 13 و 15 دقيقه) بر روي ميزان استخراج تركيبات فنلي از برگ‌هاي اكاليپتوس به كمك مايكروويو بررسي گرديد و از روش شبكه عصبي براي پيش بيني روند استخراج استفاده شد. نتايج نشان داد كه غلظت 50درصد اتانول بيشترين ميزان استخراج را داشت. شبكه مورد استفاده براي شبيه سازي، شبكه پس انتشار پيشخور با الگوريتم يادگيري لونبرگ- ماركوات براي آموزش الگو‌ها استفاده شد. متغير‌هاي شبكه عصبي مصنوعي، تعداد نرون در لايه پنهان (4 تا 30) و نوع تابع محرك (تانژانت‌هايپربوليك و سيگموييد) در لايه پنهان بود. براي توسعه مدل‌هاي شبكه عصبي مصنوعي، بردار ورودي شامل غلظت اتانول و زمان استخراج و بردار خروجي ميزان تركيبات فنلي برگ‌هاي اكاليپتوس در نظر گرفته شد. نتايج نشان داد كه شبكه پس انتشار پيشخور با تابع محرك تانژانت‌هايپربوليك و با 16 نرون در لايه پنهان قادر است كه ميزان تركيبات فنلي را با ضريب تعيين 9632/0 و ميانگين مربعات خطاي برابر با 00069/0 در مقايسه با ساير شبكه‌ها پيش بيني كند. واژگان كليدي: اكاليپتوس، تابع محرك، تركيبات فنلي، شبكه‌هاي عصبي مصنوعي، مايكروويو

Novel extraction methods such as microwave-assisted extraction are fast and effective methods for extraction of nutraceutical from plant tissues. Correct selection of extraction method caused to extract the most concentration of phenolic compounds from certain material in compared to traditional methods. In this study, effect of ethanol concentration (10, 20, 30, 40, 50, 60, 70, 80, 90 and 100%) and extraction time (0.5, 1, 2, 5, 7, 9, 11 and 13 min) evaluated on extraction of phenolic compounds from eucalyptus leaves by microwave and neural network used to estimate of process extraction. Results showed that 50% ethanol had maximum extraction content. Multi-layer perceptron (MLP) with Levenberg-Marquardt alghoritm used to education of patterns. Variables of artificial neural network included neuron number in hidden layer (4-30) and activation function type (TANSIG and LOGSIG) in hidden layer. In order to develop ANNʹs models, ethanol concentration and extraction time are used as input vectors and phenolic compounds content of eucalyptus leaves as the output. The results showed that MLP with TANSIG activation function and 16 neuron in hidden layer can estimate phenolic compounds with R2 of 0.9632 and MSE of 0.00069, in compared with other networks. Key words: Activation function, Artificial Neural Networks, Eucalyptus, Microwave, Phenolic compounds