بهينه يابي تركيبات پلي فنلي عصاره مادون بحراني آب پوست بنه با شبكه عصبي مصنوعي

Optimization of Polyphenolic Compounds from Bene Hull (Pistacia atlantica) Using Subcritical Water by Artificial Neural Network

بخش عمده اي از قدرت آنتي اكسيداني پوست پسته وحشي مربوط به تركيبات پلي فنلي آن مي باشد. يكي از روش هاي جديد استخراج تركيبات پلي فنلي، استفاده از آب مادون بحراني است. در اين تحقيق ميزان تركيبات پلي فنلي پوست بنه رقم موتيكا، با بهره گيري از شبكه عصبي انتشار معكوس مدل سازي شد. مدل سازي اين فرايند به كمك 27 مجموعه از داده هاي تجربي انجام شده و متغيرهاي ورودي شبكه عصبي شامل سه پارامتر دما (110 الي °C200)، زمان فرايند (30 الي60 دقيقه) و نسبت اختلاط حلال (1:10 الي 1:50) بودند. به علاوه، ميزان تركيبات پلي فنلي (ميلي گرم اسيد گاليك بر كيلوگرم) به عنوان پارامتر خروجي شبكه عصبي انتخاب گرديد. نتايج نشان داد كه شبكه عصبي انتشار معكوس با تعداد 12 نرون در لايه پنهان همراه با تابع فعال سازي سيگموييدي به عنوان بهترين شبكه، توانست ميزان تركيبات پلي فنلي پوست بنه را با ضريب تبيين 95 درصد پيش بيني نمايد. در ادامه با بررسي تمام جواب ها، سطوح بهينه فرايند تعيين گرديد. نتايج بهينه-سازي نشان داد كه انجام فرآيند استخراج تركيبات پلي فنلي در دماي °C166، مدت زمان 60 دقيقه و نسبت اختلاط 36:1 پوست بنه-آب (وزني-حجمي) بيشترين ميزان تركيب استخراج شده را بدست مي دهد. نتايج تجربي حاصل از آزمايشات با شرايط بهينه نشان دهنده عملكرد مناسب روش پيشنهادي مي باشد.

Bene hull antioxidant activity is mainly related to polyphenolic compounds. One of the new methods to extract polyphenolic compounds is subcritical water extraction. The present study focused on modelling the amount of bene hull (Pistacia atlantica) polyphenolic compounds extracted with subcritical water method, using back propagation neural network. Process modelling is done with 27 sets of experimental data and temperature (110-200°C), process time (30-60 min) and solvent mixing ratio (1:10 - 1:50) were selected as neural network input variables. Also, the amount of polyphenolic contents (mg gallic acid/kg) was considered as the output of the process. The results showed that Back propagation Neural Network (BPNN) with 12 neurons in the hidden layer by sigmoid activation function, as the best network, could predict the amount of polyphenolic compounds with a correlation coefficient of 95%. In the next stage developed model was optimized using Enumeration method. Optimization results indicated that phenolic compounds extraction process can be achieved at 166 °C for 60 min and the ratio of 36:1 for water to Bene hull (w/v). Experimental results obtained from experiments with optimal conditions indicates proper function of the proposed method.