مدل‌سازی اثر آسکوربات کلسیم بر خصوصیات پس از برداشت قارچ دکمه‌ای با استفاده از الگوریتم ژنتیک -شبکه عصبی مصنوعی

در این پژوهش مدل‌سازی اثر آسکوربات کلسیم بر خصوصیات قارچ دکمه‌ای به روش الگوریتم ژنتیک شبکه عصبی مصنوعی مورد‌‌بررسی قرار گرفت. آسکوربات کلسیم در حفظ کیفیت و کاهش ضایعات محصولات کشاورزی در دوره پس از برداشت موثر می‌باشد. لذا در این مطالعه ابتدا قارچ‌های دکمه‌ای توسط محلول آسکوربات کلسیم با دمای 45 درجه سانتی‌گراد در سه سطح 0، 0.4 و 0.8 درصد تیمار شدند و بعد از خشک شدن در دمای اتاق و 1 درجه سانتی‌گراد با رطوبت نسبی 90 درصد نگه‌داری گردیدند. صفات کیفی قارچ دکمه‌ای پس از برداشت در روزهای صفر، 10، 15، 20 و 25 اندازه‌گیری شدند. مدل‌سازی اثر آسکوربات کلسیم بر خصوصیات قارچ دکمه‌ای به روش الگوریتم ژنتیک شبکه عصبی مصنوعی با دو ورودی (غلظت آسکوربات کلسیم و عمر قفسه‌ای) و 9 خروجی (کاهش وزن، سفتی، مواد جامد محلول کل، ph، کروما، زاویه هیو، eδ، شاخص قهوه‌ای شدن و فنل کل) با استفاده از شبکه عصبی پرسپترون چند لایه انجام شد. نتایج نشان‌ داد شبکه‌ای با تعداد 12 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی تانژانت هیپربولیک می‌تواند اثر آسکوربات کلسیم بر ویژگی‌های قارچ دکمه‌ای را با میانگین ضریب همبستگی برابر با 0.95 تخمین زند. نتایج آنالیز حساسیت با شبکه عصبی بهینه (9122)، عمر قفسه‌ای را به‌عنوان موثرترین عامل در پیش‌بینی صفات قارچ دکمه‌ای طی پس از برداشت مشخص نمود.

Modeling of Calcium Ascorbate Effect on Button Mushroom Characteristics During Postharvest Using Genetic Algorithmartificial Neural Network

Modeling of calcium ascorbate effects on characteristics of button mushroom was investigated by Genetic Algorithm–Artificial Neural Network (GAANN). Calcium ascorbate is effective in maintaining the quality and reducing the waste of agricultural products after harvest.  In this study button mushrooms were treated by calcium ascorbate solutions in 45°C temperature at three levels of 0, 0.4 and 0.8 %, and after drying at room temperature, kept at 1°C and 90% relative humidity. Qualitative characteristics of button mushroom during postharvest period were evaluated after 0, 10, 15, 20 and 25 days. Modeling of calcium ascorbate effects on button mushroom characteristics were undertaken by GAANN method with 2 inputs (calcium ascorbate concentration and shelf life) and 9 output (weight loss, firmness, TDS, pH, chroma, hue angle, ΔE, browning index and total phenol) using multilayer perceptron. The results showed that networks with 12 neurons in a hidden layer using tangent activation function could predict effect of calcium ascorbate on button mushroom characteristics with correlation coefficient equal to 0.95. Results of sensitivity analysis by optimum neural network (2129), was defined shelf life as the most effective factor in predicting button mushroom attributes during postharvest period.