تاثیر پیش تیمار فراصوت و آنزیم بری بر روی کیفیت فیزیکی و ترمودینامیکی هویج سرخ شده تحت شرایط عمیق و مدل سازی چروکیدگی به کمک شبکه عصبی مصنوعی

سرخ کردن عمیق یک روش رایج در آماده سازی سریع ماده غذایی با ویژگی های حسی مطلوب می باشد. میزان جذب روغن، تحت تاثیر عوامل مختلفی مانند شرایط فرایند (دما و زمان)، پیش تیمارها، ویژگی های فیزیکوشیمیایی ماده غذایی، منشاء روغن، ترکیب شیمیایی روغن و موارد دیگر می باشد. هدف از این پژوهش بررسی پیش تیمار فراصوت و آنزیم بری بر روی کیفیت فیزیکی و ترمودینامیکی هویج سرخ شده تحت شرایط عمیق می باشد. در این پژوهش رطوبت، محتوای روغن، دانسیته ظاهری، ضریب انتشار موثر رطوبت مورد بررسی قرار گرفت و میزان چروکیدگی توسط شبکه عصبی نیز مدل سازی شد. نتایج نشان داد که استفاده از پیش تیمارهای تلفیقی فراصوت و آنزیم بری باعث کاهش چروکیدگی، کاهش جذب روغن، افزایش دانسیته ظاهری در دمای 160 درجه سانتی گراد و افزایش ضریب انتشار موثر رطوبت در دمای 180 درجه سانتی گراد می باشد. همچنین مدل سازی چروکیدگی با شبکه عصبی نیز نشان دهنده همبستگی و همپوشانی بسیار خوب مقادیر پیش بینی شده توسط شبکه در مقابل مقادیر واقعی است.

Effect of ultrasound and blanching on the quality, physical and thermodynamic properties of deep fried carrots and modeling of shrinkage by artificial neural network

Deep frying is a common practice in fast food preparation with optimal sensory properties. various factors such as process conditions (temperature and time), pH, physicochemical properties of the food, the origin of the oil, the chemical composition of the oil have affected on the amount of oil absorption. The purpose of this study was to investigate the ultrasound and blanching pretreatment on the physical and thermodynamic quality of fried carrots under deep conditions. In this study, moisture content, oil content, bulk density, effective moisture diffusion coefficient were investigated and the rate of modeling of shrinkage was done by the neural network. The results showed that the use of a combination of ultrasound and blanching pretreatment resulted in reduced shrinkage, decreased oil absorption, increased apparent density at 160 °C, and an increase in the effective emission factor of moisture content at 180 °C. Moreover the modeling of neural network shrinkage showed a good correlation and overlap between the values predicted by the network versus actual values.