مدل‌سازی استخراج روغن از دان سیاه به کمک پیش تیمار ترکیبی ریزموج – میدان الکتریکی پالسی با شبکه‌های عصبی مصنوعی

در این تحقیق به منظور مدل سازی فرایند استخراج روغن از دان سیاه با استفاده از پیش تیمار ترکیبی ریزموج میدان الکتریکی پالسی از 3 سطح زمان ریزموج (0، 100 و 200 ثانیه) و سه سطح شدت میدان الکتریکی (0، 2.5 و 5 kv/cm) استفاده گردید و بعد از اعمال این پیش تیمارها، روغن دانه ها با پرس مارپیچی و با سرعت های متفاوت (11 تا 57 دور در دقیقه) استخراج گردید و میزان کارایی فرایند استخراج روغن، دانسیته، رنگ، پایداری اکسیداتیو، ترکیبات فنولی و پروتئین کنجاله مورد بررسی قرار گرفت. جهت پیش بینی روند تغییرات از ابزارشبکه های عصبی مصنوعی استفاده شد. با بررسی شبکه های مختلف شبکه ی پس انتشار پیشخور با توپولوژی های 396 با ضریب همبستگی بیشتر از 0.995 و میانگین مربعات خطای کمتر از 0.001 و با بکارگیری تابع فعال سازی لگاریتم سیگموئیدی، الگوی یادگیری جهنده و چرخه یادگیری 1000 به عنوان بهترین مدل عصبی مشخص گردید. از طرفی نتایج نشان داد که افزایش زمان ریزموج و همچنین شدت میدان الکتریکی در ابتدا منجر به افزایش میزان کارایی فرایند استخراج روغن گردید ولی با افزایش بیشتر این دو پارامتر میزان کارایی فرایند استخراج روغن کاهش یافت. میزان اسیدیته روغن ها نیز با افزایش زمان ریزموج، شدت میدان الکتریکی و سرعت دورانی پرس مارپیچی افزایش یافت. یافته های حاصل از مدل های بهینه ی انتخاب شده نیز ارزیابی گردید و این مدل ها با ضرایب همبستگی بالا (بیش از 0.918)قادر به پیش بینی روند تغییرات نمونه های روغن تولیدی با پیش تیمار ریزموج میدان الکتریکی پالسی بودند.

Modeling the oil extraction from Niger seeds using the combinational pretreatment of Microwave pulsed electric field with artificial neural networks

In this research to model the process of extracting oil from Niger seeds using the combinational pretreatment of microwavepulsed electric field three microwave time levels of (0, 100, and 200 seconds) and three electric field intensity levels of (0, 2.5 and 5 kV/cm) were used and after applying these pretreatments, the oil of seeds were extracted using the screw press with different speeds (11 to 57 rpm) and the efficiency of oil extraction process, density, color, oxidative stability, phenolic compounds and protein amount of meal were considered. The artificial neural network tool was used to predict the variations process. Through studying and examining various networks, the feed forward back propagation network with 693 topologies and with correlation coefficient of more than 0.995 and mean squared error less than 0.001 using logarithm sigmoid activation function, resilient learning pattern and learning process of 1000 were determined as the best neural method. On the other hand the results indicated that an increase in the microwave time and also in the electric field intensity at first led to increase in the efficiency of oil extraction process but with more increase in these two parameters the efficiency amount of oil extraction process was decreased. Also with increase in the microwave time, electric field intensity and the rotational speed of screw press the acidity amount of oils was increased too. The results obtained from selected optimized models were evaluated too and these models with high correlation coefficient (over 0.918) were able to predict the variation process of oil samples produced using microwavepulsed electric field pretreatment.