مدل سازی فرآیند برشته شدن اسنک سویا تحت سامانه مادون قرمز با استفاده از شبکه عصبی مصنوعی

مقدمه: دانه سویا به عنوان یک منبع غنی از ترکیبات مغذی ضروری همچون پروتئین ها، روغن ها و ترکیبات زیست فعال شناخته می شود و دانه سویا این قابلیت را دارد که به عنوان یک اسنک و مغز برشته شده استفاده شود، اما وجود محدودیت های مثل طعم سویا، بافت سخت و طعم لوبیای گس مانند منجر به کاهش مصرف این منبع غنی گشته است، بنابراین برای بهبود و افزایش مصرف دانه سویا، باید این محدودیت ها برطرف گردد. برشته کردن می تواند منجر به ایجاد یک طعم مطلوب بدون هیچ گونه طعم لوبیایی و تلخ شود و به طور معنی داری باعث افزایش طعم، رنگ و بهبود بافت دانه سویا گردد.مواد و روش ها: برای این مطالعه برشته کن مادون قرمز طراحی و ساخته شد و نمونه آماده شده دانه سویا (فرآوری شده) با توجه به شرایط آزمایش برشته شد. در این بررسی، مدل شبکه عصبی مصنوعی برای مدل سازی سینتیک کاهش رطوبت در اسنک سویا در طول برشته کردن با استفاده از سامانه مادون قرمز توسعه داده شد. برای این منظور، توان لامپ مادون قرمز (250، 350 و 450 وات)، فاصله سطح لامپ از نمونه (4، 7 و 10 سانتی متر) و زمان برشته کردن (25 دقیقه) به عنوان ورودی در نظر گرفته شد و مقدار نسبت رطوبت (mr) به عنوان خروجی تخمین زده شد. علاوه بر این سه مدل ریاضی مختلف برای برازش داده ها مورد استفاده قرار گرفت و در نهایت داده های برازش شده این سه مدل ریاضی با داده های برازش شده مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت.یافته ها: براساس نتایج حاصل از به کار گیری شبکه عصبی مصنوعی، مدل شبکه عصبی مصنوعی برای داده های نسبت رطوبت با یک لایه مخفی، تابع انتقال سیگموئید، قاعده یادگیری لیونبرگ مارکوآرت و تعداد 4 نرون، با 55 درصد برای زیر گروه آموزشی و 25 و20 درصد به ترتیب برای هر یک از زیر گروه های ارزیابی و آزمایشی بهترین برازش را به همراه داشت. ضریب تبین و ریشه متوسط مربع خطای داده‎ها بدست آمده برای مدل شبکه عصبی مصنوعی به ترتیب 0/9992 و 0/01099 و برای بهترین مدل ریاضی به ترتیب 0/9776 و 0/02758 بود.نتیجه گیری: این استنتاج وجود دارد که مدل شبکه عصبی مصنوعی به مراتب بهتر از مدل های ریاضی می تواند نسبت رطوبت را در اسنک سویا طی فرایندبرشته شدن مورد برازش قرار دهد.

Modeling of Soybean Snack Roasting by Infrared Heating Using Artificial Neural Network (ANN)

ntroduction: Soybean is recognized as a good source of essential nutrients including protein, oil and several bioactive compounds and soybean has the potential to be used as snack and roasted nut, but most significant factor responsible for such limitation is probably considered as the characteristic flavor of soybean. Raw soybean has beany, bitter and astringent flavors. Therefore to improve its consumption, the particular flavor of raw soybean must be removed. Roasting might be considered as one of the best methods for this object. Materials and Methods: In this study, the infrared roaster is designed and soybean has been prepared and roasted according to the experimental condition. In this work, an artificial neural network model was developed for modeling of moisture content of soybean snack during infrared roasting. In order to do this, infrared lamp powers of 250, 350 and 450 W, distance between lamp and sample of 4, 7 and 10 cm and roasting time of 30 min were considered as the inputs and the amount of moisture ratio (MR) was estimated as the output. In addition, three different mathematical models were fitted to the experimental data and compared with the ANN model. Results: Based on these results, artificial neural network model for MR with one hidden layer, Sigmoid function as the transfer function, LevenbergMarquardt method as the learning rule, 4 hidden neurons, 55% for training subset and 25 and 20 percent for each of validation and test subsets respectively had the best over fitting. The determination coefficient (R2) and root mean square error (RMSE) computed for the ANN model were 0.9992 and 0.01099and for the best mathematical model (Two term model) were 0.9776 and 0.02758, respectively. Conclusion: It was concluded that the artificial neural network model satisfied the work better than the mathematical model concerned with soybean snack roasting.