مدل‌سازي فازي -عصبي و سطح پاسخ آبگيرى اسمزي دانه‌هاي انار

Neurofuzzy and response surface modeling of osmotic dehydration of pomegranate arils

در اين پژوهش دانه‌هاي انار به روش اسمزي، با محلول‌هاي40، 50 و 60 درصد ساكارز در دماهاي 45، 55 و 65 درجه سلسيوس فرايند شدند و مقدار جذب موادجامد، كاهش آب و كاهش وزن نمونه‌ها در زمان‌هاي 60، 120، 180 دقيقه اندازه‌گيري گرديد. فرايند آبزدايي اسمزي با تركيب تكنيك هاي منطق فازي و شبكه‌هاي‌ عصبي‌مصنوعي (مدل‌سازي فازي عصبي) و روش سطح پاسخ مدل‌سازي شد. براي مدل‌سازي، درون‌يابي و افزايش داده‌ها، از منطق فازي استفاده شد و با وارد كردن نتايج مدل فازي در شبكه‌هاي عصبي‌مصنوعي، شبكه پس‌انتشار پيشخور با توپولوژي 383، ضريب‌همبستگي 98344/0 و ميانگين مربعات خطاي 02278/0 با تابع فعال‌سازي لگاريتمي و الگوي يادگيري لونبرگ – ماركوات به عنوان بهترين مدل عصبي ارائه گرديد. مدل‌هاي رگرسيوني ايجاد شده با استفاده از روش سطح پاسخ نيز با ضريب همبستگي بيش از 91/0 توانايي بالايي براي پيش‌بيني فاكتورهاي پاسخ داشتند ولي در مقايسه با مدل‌ فازي عصبي از دقت پايين‌تري برخوردار بودند.

In this research, pomegranate arils are dehydrated by osmotic dehydration in 40, 50, and 60 % sucrose ‎solutions and at 45, 55 and 65 degrees C‎‏ ‏‎ and Weight Reduction, Solids grain and Water Loss of the products ‎were measured at 60, 120 and 180 minutes of process. Osmotic dehydration processes was modeled by ‎combination of neural network and fuzzy logic techniques (Neurofuzzy) and response surface methodology. ‎For modeling, interpolation and increase of the data’s, fuzzy logic was used. By entering the obtained results ‎from fuzzy model into the neural network tool, the FeedForwardBackPropagation network with the ‎topology of 383 and the correlation coefficient of 0.98344‎‏ ‏and mean square error of 0.02278‎‏ ‏with ‎application of Logsigmoid transfer function‏ ‏‎(logsig) and Levenberg–Marquardt learning algorithm was ‎determined as the best neural model. Regression models created by response surface methodology by ‎correlation coefficient of 0.90 were also capable for prediction of response factors but in comparison with ‎Neurofuzzy models have a lower accuracy.‎