ویژگی‌های خرمالو خشک شده با استفاده از خشک‌کن فروسرخ و مدل‌سازی فرآیند به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی

خشک کردن یکی از روش های نگهداری میوه خرمالو می باشد. در این پژوهش جهت افزایش زمان ماندگاری خرمالو و تولید محصولی با کیفیت بالا، از خشک کن فروسرخ استفاده و سینتیک انتقال جرم، دانسیته، آبگیری مجدد و رنگ نمونه ها اندازه گیری شد. نتایج نشان داد که توان لامپ پرتودهی و فاصله لامپ از نمونه تاثیر معنی داری بر سینتیک افت رطوبت و زمان خشک کردن دارند (p<0/05). با افزایش توان پرتودهی و همچنین کاهش فاصله نمونه ها از منبع پرتودهی، زمان خشک کردن کاهش یافت. میانگین چگالی و آبگیری مجدد برای نمونه های خشک شده در ساملنه فروسرخ به ترتیب برابر kg/m3 639؛ و 270 درصد به دست آمد. میانگین تغییرات رنگ (δe) محاسبه شده برای توان های 200، 300 و 400 وات به ترتیب برابر با 14.43، 10.09 و 20.04 به دست آمد. نتایج مدل سازی به روش الگوریتم ژنتیک شبکه عصبی مصنوعی نشان داد که ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک نتیجه بهتری ارائه می کند و با ترکیب آن ها سرعت تحلیل و دقت فرآیند مدل سازی افزایش می یابد. با استفاده از شبکه ای با تعداد 15 نرون در یک لایه پنهان و با استفاده از تابع فعال سازی تانژانت هیپربولیک و درصد داده های مورد استفاده برای تربیت/ آزمون / ارزیابی برابر 20.20/60 می توان به خوبی سینتیک خشک کردن خرمالو را پیشگویی نمود.

Characterization of Dried Persimmon using Infrared Dryer and Process Modeling using Genetic AlgorithmArtificial Neural Network Method

Drying is one of the ways of storing of persimmon. In this study, to increasing shelf life of persimmon and producing highquality products, infrared dryer was used and mass transfer kinetics, density, rehydration and color of samples were measured. The results showed that radiation lamp power and distance of lamp from sample had significant effect on the moisture loss kinetics and drying time (P<0.05). With increasing in radiation power, as well as reducing the distance of samples from the source of radiation, drying time decreased. The average density and rehydration for the dried samples in infrared were 639 kg /m3  and 270 %, respectively. The average calculated color changes (ΔE) for the power of 200, 300 and 400 w were 14.43, 10.09 and 20.04, respectively. The results of modeling by genetic algorithmartificial neural network showed that artificial neural network combined with genetic algorithm provides better results and with combine them the speed of analysis and accuracy of modeling process increases. Using a network with 15 neurons in the hidden layer and using the hyperbolic tangent activation function and percentage data used to training/validation/testing equal 20/20/60 may be predicted drying kinetics of persimmon.