بررسی کارایی شبکه‌های عصبی مصنوعی در پیش‌بینی تاثیر غلظت پلیمر و ولتاژ فرایند الکتروپاشش بر ویژگی‌های فیزیکی ذرات

با توجه به حساسیت ترکیبات زیست فعال، به تازگی استفاده از روش نوین پاشش الکتروهیدرودینامیکی جهت ریزپوشانی این ترکیبات پیشنهاد شده است. پارامترهای موثر بر اندازه و مورفولوژی ذرات تولیدی به دلیل تاثیری که بر حفاظت ترکیبات زیست فعال و رهایش کنترل شده آنها در مکان و زمان مناسب دارند، از اهمیت فراوانی برخوردارند. از اینرو در مطالعه حاضر ابتدا اثرات میزان غلظت کنسانتره پروتئین آب پنیر، صمغ عربی، شیر خشک و ولتاژ روی برخی از ویژگی‌های فیزیکی محلول پلیمری و اندازه ذرات تولیدی به روش پاشش الکتروهیدرودینامیکی تعیین شد و سپس توسط مدل شبکه‌ی عصبی مصنوعی پرسپترون چند لایه و شبکه با تابع پایه‌ی شعاعی شبیه‌سازی گردید. این دو مدل همراه با توابع آستانه‌ی مختلف در پیش‌بینی مقادیر ویسکوزیته، کشش سطحی، هدایت الکتریکی محلول پلیمری و اندازه کپسول‌های تولیدی مورد استفاده قرار گرفتند. نتایج نشان داد که مدل شبکه‌ی پرسپترون چند لایه متشکل از چیدمانی با پنج ورودی و یک لایه مخفی حاوی 4 نرون با تابع فعال‌سازی تانژانت هیپربولیک که با استفاده از الگوریتم یادگیری لونبرگمارکوارت و تعداد تکرار 1000 آموزش دیده بود، بهترین نتیجه را برای پیش‌بینی این ویژگی‌ها در مقایسه با شبکه‌ی تابع پایه‌ی شعاعی بدست داد. ضرایب تبیین اندازه ذرات تولیدی، ویسکوزیته، کشش سطحی و هدایت الکتریکی محلول به ترتیب برابر با 958/0، 991/0، 996/0 و 967/0 بودند. آنالیز حساسیت مقادیر پیش‌بینی شده توسط شبکه‌ی عصبی پرسپترون چند لایه در برابر مقادیر تجربی حاکی از قرار گرفتن داده‌ها به طور تصادفی در اطراف خط رگرسیونی با ضریب تبیین بالا بود که دلیلی بر دقت بالای شبکه‌ی عصبی در پیش‌بینی داده‌های خروجی می‌باشد. شایان ذکر است که اندازه ذرات تولیدی، ویسکوزیته و هدایت الکتریکی محلول پلیمری با بالا رفتن غلظت پلیمرهای به کار رفته افزایش یافت و تمامی سطوح اختلاف آماری معنی‌دار (05/0< p) داشتند. نتایج به دست آمده در این مطالعه، به منظور پیش‌بینی اثرات عوامل اشاره شده بر ویژگی‌های فیزیکی محلول هیدروکلوئیدی و ذرات تولیدی در جهت انتخاب مناسبترین ترکیب دیواره، با در نظر داشتن هدف از ریزپوشانی ترکیب زیست فعال، اهمیت کاربردی دارند.