بررسی و مدل‌سازی خواص لیموشیرین با پوشش‌های مختلف در شرایط انبارمانی با مدل‌های شبکه عصبی مصنوعی و رگرسیونی

استفاده از پوشش‌های خوراکی یکی از موثرترین راه‌ها در حفظ کیفیت میوه‌ها است. در این پژوهش کیفیت میوه لیموشیرین در قالب طرح فاکتوریل کاملاً تصادفی با پوشش خوراکی نانوکامپوزیت کیتوسان -رس در سه سطح، روغن زیتون و واکس کارنوبا در مقایسه با نمونه بدون پوشش در طی عمر سردخانه‌ای در مدت 4 ماه مورد ارزیابی قرار گرفت. در طی دوره انبارمانی میوه‌های لیموشیرین ویژگی‌های اسیدیته، بریکس و اسید اسکوربیک و ویژگی‌های مکانیکی شامل حداکثر نیروی کشش پوست و مدول پانچ پوست میوه اندازه‌گیری شدند. نتایج نشان داد که واکس کارنوبا و نانو کامپوزیت کیتوسان -رس در حفظ خواص کیفی و مکانیکی نسبت به حالت بدون پوشش عملکرد بهتری داشتند. هم‌چنین در بین پوشش های به‌کاربرده شده پوشش نانو کامپوزیت کیتوسان -رس 5% موفقیت بالاتری در حفظ خواص نسبت به سایر پوشش ها داشت. در این پژوهش، شبکه‌های عصبی مصنوعی، روش‌های رگرسیون خطی، غیرخطی نیز برای پیش‌بینی خواص لیموشیرین با پوشش‌های مختلف در شرایط انبارمانی مورداستفاده قرار گرفت. نتایج نشان داد که شبکه عصبی در مقایسه با رگرسیون خطی و غیرخطی، قدرت بهتری برای پیش‌بینی خواص لیموشیرین داشت و الگوریتم یادگیری لونبرگ مارکوارت lonberg-marquardt algorithm ( lm ) با تابع انتقال (tansig) tangent sigmoid بهترین نتیجه را داشت. بهترین برازش برای پارامتر کیفی، میزان اسیدیته با ضریب تبیین (r) ، 95% به دست آمد. همچنین نتایج آنالیز حساسیت نشان داد بالاترین ضریب حساسیت برای پارامتر مدول پانچ در ویژگی زمان با مقدار 47/96% می باشد.

Investigation and modeling of lemon properties with different coatings under storage conditions with artificial neural network and regression models

The application of edible coatings is one of the most effective ways to maintain the quality of fruits. In this study, the quality of sweet lemon fruit was evaluated in a completely randomized factorial design with edible coating of chitosanclay nanocomposite in three levels, olive oil and carnauba wax in comparison with uncoated samples during refrigeration for 4 months. During the storage period of sweet lemon fruits, chemical characteristics (acidity, brix and ascorbic acid) as well as mechanical properties (maximum skin tensile force, fruit skin punch modulus) were measured. The results showed carnauba wax and chitosanclay nanocomposite had better performance in maintaining lemon quality and mechanical properties than samples without coating. Moreover, among the coatings used, 5%chitosanclay nanocomposite coating had higher preference than other coatings. In this research, Artificial Neural Networks (ANN) , linear and nonlinear regression method were used to predict the quality of lemon The results showed that the ANN has a better forecasting accuracy to predict the lemon properties compared to linear and nonlinear regression models and the LM learning algorithm with tansig transfer function had the best result. The best fit for the qualitative parameter was acidity with the coefficient of determination (R|) of 95%. The result of sensivity analysis indicated that the highest sensitivity coefficient was obtained for the punch modulus against the time feature with 47.96%.