بررسی کارایی شبکه‌های عصبی مصنوعی در پیش‌بینی ویژگی‌های فیزیکی، رئولوژیکی و رنگ‌سنجی نانوذرات کیتوزان

تشکیل نانوذرات کیتوزان با پایداری بالا به منظور استفاده در سیستم های تحویل مواد مغذی و دارویی، همچنان یک چالش عمده در صنایع غذایی و دارویی است. همچنین متغیرهای زیادی می توانند اندازه، مورفولوژی و سایر ویژگی های نانوذرات کیتوزان را در طی فرایند ژله ای شدن یونی و با استفاده از سدیم تری پلی فسفات (به عنوان متداول ترین عامل اتصال عرضی)، تحت تاثیر قرار دهند. لذا در این پژوهش، پس از تولید نانوذرات کیتوزان تحت تاثیر متغیرهای مستقل غلظت کیتوزان، غلظت سدیم تری پلی فسفات و نسبت کیتوزان به سدیم تری پلی فسفات، در گام بعدی، ویژگی های فیزیکی، رئولوژیکی، کدورت و رنگ سنجی نانوذرات تولیدی مورد اندازه گیری قرار گرفتند. در نهایت، از دو شبکه عصبی مصنوعی مدل پرسپترون چند لایه و شبکه تابع پایه ی شعاعی با یک لایه پنهان و با توابع آستانه، الگوریتم های یادگیری و ... مختلف، به منظور پیش بینی ویژگی های نانوذرات کیتوزان استفاده شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه برای ویژگی های فیزیکی، ویسکوزیته، شاخص b* و chroma و شبکه تابع پایه شعاعی برای دیگر ویژگی های مورد بررسی (با بکارگیری الگوریتم یادگیری لونبرگ مارکوارت و تعداد تکرار 1000)، قادر به پیش بینی آن ها با ضرایب تعیین بسیار بالا و میانگین مربعات خطای پایین بود. ضرایب تعیین برای اندازه نانوذرات، شاخص پراکندگی، پتانسیل زتا، ویسکوزیته و ضریب هدایت الکتریکی سوسپانسیون های نانوذرات کیتوزان به ترتیب برابر با 0.9881، 0.9534، 0.9431، 0.9212 و 0.9636 بودند. این در حالی بود که شبکه ی تابع پایه شعاعی با یک لایه پنهان، چیدمانی با 3 ورودی، 4 نرون در لایه پنهان و 3 خروجی، با تابع انتقال سیگموئید سیگموئید، بهترین نتیجه را برای پیش بینی ویژگی های l*، δe و wi سوسپانسیون های نانوذرات کیتوزان داشت. ضرایب تعیین برای پیش بینی l*، δe و wi نانوذرات کیتوزان به ترتیب برابر با 0.9586، 0.9775 و 0.9457بودند. همچنین شاخص رفتار جریان سوسپانسیون های نانوذرات کیتوزان کمتر از 1 بود که نشان دهنده رفتار سودوپلاستیک نمونه ها بود.

Evaluating the performance of artificial neural networks (ANNs) for predicting the physical, rheological, and colorimetric properties of chitosan nanoparticles (CSNPs)

The formation of chitosan nanoparticles (CSNPs) with a high stability still remains a main challenge in terms of applying the produced particles in the field of nutraceutical and drug delivery systems. Giving that there are many variables parameters which could affect the size, morphology, and other properties of fabricated CSNPs during ionic gelation process along with using sodium tripolyphosphate (STPP) as the most common crosslinking agent. In this study, after the production of CSNPs under the influence of various independent variables such as chitosan (CS) concentration, STPP concentration, and CS to STPP ratio, in the next step, the physical, rheological, turbidity, and colorimetric properties of the produced nanoparticles were measured. Finally, two artificial neural networks (ANNs) – multilayer perceptron (MLP) and radial basis function (RBF) – with a single hidden layer and different threshold functions, learning algorithms, etc. were employed to predict the CSNPs properties. The results revealed that MLP for the physical, viscosity, b*, and chroma properties and RBF for other properties – with a LevenbergMarquardt (LM) learning algorithm of 1000 epochs – well predict them with a very high determination coefficients (R2) and low mean square error (MSE). R2 for nanoparticle size, poly dispersity index (PDI), zeta potential, viscosity, and electrical conductivity of CSNPs suspensions were determined 0.9881, 0.9534, 0.9431, 0.9212, and 0.9636, respectively. However, RBF with a single hidden layer comprising a set of 3 inputs, 4 neurons in hidden layer, and 3 outputs with the SigmoidAxon SigmoidAxon transfer function presented the best results for predicting the L*, ΔE, and WI properties of CSNPs suspensions. In addition, R2 for L*, ΔE, and WI of CSNPs were calculated 0.9586, 0.9775, and 0.9457, respectively. Also, the flow behavior index of CSNPs suspensions was determined less than 1, which indicates the pseudoplastic behavior of the samples.