مدل‌سازی تغییرات کیفی ازگیل (Mespilus Germanica) طی نگهداری در سردخانه با استفاده از مدل‌های سینتیکی و شبکه‌های عصبی مصنوعی

هدف از انجام این پژوهش بررسی سینتیک تخریب خصوصیات کیفی اصلی ازگیل طی نگهداری در سردخانه می باشد. ازگیل (mespilus germanica) بطور گسترده و بیشتر به صورت وحشی در شمال ایران می روید و کاربرد فراوانی به سبب خواص تغذیه ای و درمانی دارد. در میوه ها خصوصیات کیفی به عنوان معیار مهم پذیرش توسط مصرف کننده است، از اینرو ارزیابی پارامترهای موثر بر کیفیت ازگیل حائز اهمیت می باشد. از آنجائی که اندازه گیری این پارامترها بسیار هزینه بر و زمان بر است، بنابراین پیش بینی آنها بسیار ضروری می باشد. در پژوهش حاضر مدل های ریاضی و شبکه های عصبی مصنوعی (anns) برای مدل سازی ارتباط بین خصوصیات فیزیکی و شیمیایی و ویژگی های رنگی با زمان نگهداری در سردخانه بکار برده شد. از پنج مدل سینتیکی درجه صفر، درجه اول، درجه دوم، تبدیل جزء و ویبال برای مدل سازی با کمک نرم افزار متلب استفاده شد. از بین این مدل ها، مدل ویبال به عنوان بهترین مدل در پیش بینی تغییرات پارامترهای فیزیکی و شیمیایی ( r2≥0.9402و rmse ≤ 0.578 ) و رنگی ( r2≥0.8250 و rmse ≤ 0.578 ) انتخاب گردید. در مدل سازی ann از شبکه پرسپترون چند لایه ای (mlp) با تعداد مختلفی نورون استفاده گردید. ورودی های شبکه شامل زمان نگهداری، رطوبت ازگیل و درجه رسیدگی و خروجی آن نیز مقادیر خصوصیات فیزیکی و شیمیایی و رنگی بود. همچنین از الگوریتم لونبرگمارکوآرت به منظور آموزش شبکه و از تابع های آستانه ای سیگموئید لگاریتمی، خطی و تانژانت هایپربولیک سیگموئید استفاده گردید. نتایج نشان داد که شبکه mlp با تابع آستانه ای خطی و پیکربندی های 3-4-8-3 و 2-3-7 بهترین دقت را به ترتیب برای پیش بینی ویژگی های فیزیکی و شیمیایی ( r2 ≥0.9983 و (rmse ≤ 0.016 ) و خصوصیات رنگی ( 0.9992≤r2و 0.037 ≥rmse) دارند.

Modelling medlar (Mespilus germanica) quality changes during cold storage using kinetics models and artificial neural network

The aim of this research was to investigate the degradation kinetics of the major quality properties of medlar (Mespilus germanica) during cold storage. Medlar is a widely growth in northern Iran and its fruit is used as a nutritional component and as a medicinal remedy. In fruits, quality properties are used as a consumerbased criteria of acceptability. So it is important to evaluate parameters that affected the medlar quality. Measurement of these parameters is an expensive and timeconsuming process. Therefore, parameter prediction due to affecting factors will be more useful. In the present research, mathematical models and artificial neural networks (ANN) were used for modelling the relationship between physicochemical properties and color attributes with cold storage time. Five kinetic models viz. zero order, first order, Second order, fractional conversion and Weibull models were used for modelling using MATLAB. Among the kinetics models, the Weibull model was found to be more suitable to predict the changes in all physicochemical ( , ) and color ( , ) parameters. In ANN, multilayer perception (MLP) used with different number of neurons. The network’s inputs include storage time, medlar moisture content and ripening stage and the network’s output were the values of the physicochemical and color properties. The training rule was Momentum LevenbergMarquardt. The transfer functions were Tansig, Purelin and Logsig. The results showed that MLP network with LevenbergMarquardt training function, Purelin transfer function and 3843 and 372 topologies had the best accuracy for prediction of for physicochemical and color properties. This network can predict physicochemical and color properties of the medlar with coefficient of 0.9983 and 0.9992 and MSE of 0.021, 0.000008 and 0.000059 respectively.