مدل‌سازی فرآیند خشک‌کردن موسیلاژ دانه ریحان با خشک‌کن فروسرخ توسط شبکه عصبی مصنوعی

امروزه صمغ های گیاهی و تجاری به منظور بهبود خصوصیات رئولوژیکی، بافتی و حسی مواد غذایی استفاده می شوند. دانه های ریحان دارای مقادیر قابل توجهی صمغ (موسیلاژ) با خواص عملکردی مناسب هستند که بعد از استخراج از دانه ها و خشک شدن، می توانند به صورت پودر در فرمولاسیون محصولات مختلف استفاده شود. در این مطالعه جهت خشک کردن موسیلاژ دانه ریحان، از روش پرتودهی فروسرخ استفاده گردید. اثر توان لامپ فروسرخ (150، 250 و 375 وات)، فاصله نمونه از لامپ (4، 8 و 12 سانتی متر) و ضخامت موسیلاژ (0.5، 1.0 و 1.5 سانتی متر) بر زمان خشک شدن موسیلاژ دانه ریحان مورد بررسی قرار گرفت. نتایج خشک کردن موسیلاژ دانه ریحان با روش فروسرخ نشان داد با افزایش توان لامپ و کاهش فاصله نمونه ها از منبع حرارتی، زمان خشک کردن کاهش می یابد. با افزایش فاصله لامپ ها از 4 به 12 سانتی متر، میانگین زمان خشک شدن موسیلاژ دانه ریحان از 131.37 دقیقه به 336.41 دقیقه افزایش یافت. با افزایش ضخامت نمونه ها از 0.5 به 1.5 سانتی متر، میانگین زمان خشک شدن موسیلاژ دانه ریحان از 103.67 دقیقه به 367.67 دقیقه افزایش یافت. این فرآیند توسط یک شبکه عصبی مصنوعی با 3 ورودی (توان لامپ ، فاصله لامپ و ضخامت) و 1 خروجی (زمان خشک شدن) مدل سازی شد. نتایج مدل سازی به روش شبکه عصبی مصنوعی نشان داد شبکه ای با تعداد 8 نرون در یک لایه پنهان و با استفاده از تابع فعال سازی سیگموئیدی می تواند زمان خشک شدن موسیلاژ دانه ریحان با استفاده از خشک کن فروسرخ را پیشگویی نماید (0.96=r). نتایج آنالیز حساسیت توسط شبکه عصبی بهینه نشان داد که ضخامت نمونه به عنوان موثرترین عامل در کنترل زمان خشک شدن موسیلاژ دانه ریحان می باشد.

Drying process modeling of basil seed mucilage by infrared dryer using artificial neural network

Today, plant and commercial gums are used to improve the rheological, textural and sensorial properties of food. Basil seeds have significant amounts of gum (mucilage) with good functional properties that after extracting from the seeds and drying, can be used as a powder in the formulation of various products. In this study, to drying of basil seed mucilage, infrared radiation (IR) method was used. The effect of infrared lamp power (150, 250 and 375 W), the distance of sample from lamp (4, 8 and 12 cm) and mucilage thickness (0.5, 1 and 1.5 cm) on drying time of basil seed mucilage were investigated. The results of basil seed mucilage drying using infrared method showed that with increasing lamp power and decreases in sample distance from the heat source, drying time was decreased. With increasing in the lamps distance from 4 to 12 cm, the average drying time of basil seed mucilage increased from 131.37 minutes to 336.41 minutes. With increasing sample thickness from 0.5 to 1.5 cm, the average drying time of basil seed mucilage increased from 103.67 to 367.67 minutes. The process was modeled by an artificial neural network with 3 inputs (lamp power, lamp distance and thickness) and 1 output (drying time). The results of artificial neural network modeling showed that a network with 8 neurons in a hidden layer and using the sigmoid activation function could predict the drying time of basil seed mucilage using the infrared dryer (r=0.96). The results of sensitivity analysis by optimal neural network showed that sample thickness is the most effective factor in controlling the drying time of basil seed mucilage.