پیش‌بینی اثرات پوشش‌دهی با غلظت‌های مختلف صمغ دانه مرو بر خصوصیات برش‌های کدوخورشتی سرخ‌شده در دماهای مختلف با روش الگوریتم ژنتیک-شبکه عصبی مصنوعی

محصولات غذایی سرخ شده با توجه به ویژگی های منحصربه فرد مانند رنگ، بو، طعم و بافت مطلوب بسیار مورد توجه می باشند. کنترل شرایط سرخ کردن و استفاده از پوشش های هیدروکلوئیدی خوراکی (صمغ ها) یکی از روش های مناسب برای کاهش جذب روغن، حفظ رطوبت و بهبود خصوصیات ظاهری مواد غذایی سرخ شده است. در این پژوهش از غلظت های مختلف صمغ دانه مرو (0، 0.5، 1 و 1.5 درصد) جهت پوشش دهی برش های کدوخورشتی هنگام سرخ شدن عمیق در دماهای 155، 170 و 185 درجه سلسیوس استفاده گردید و رابطه بین پارامترهای فرآیند و خصوصیات محصول نهایی به روش الگوریتم ژنتیک-شبکه عصبی مصنوعی مدل سازی گردید. نتایج این پژوهش نشان داد که پوشش دهی با صمغ دانه مرو باعث کاهش جذب روغن محصول نهایی شده و از نظر ویژگی های ظاهری، نمونه های پوشش داده شده روشنتر بودند. پیش تیمار پوشش دهی باعث حفظ رطوبت محصول نهایی شد و اندازه نمونه های پوشش داده شده با 1.5 درصد صمغ از سایر نمونه ها بزرگتر بود (درصد تغییرات سطحی کمتر). این فرآیند توسط روش الگوریتم ژنتیک-شبکه عصبی مصنوعی با 2 ورودی شامل غلظت صمغ دانه مرو و دمای سرخ کن و 7 خروجی شامل درصد روغن، مقدار رطوبت، شاخص زردی (b*)، شاخص قرمزی (a*)، شاخص روشنایی (l*)، شدت تغییرات رنگ (eΔ) و تغییرات سطح مدل سازی شد. نتایج مدل سازی نشان داد شبکه ای با تعداد 5 نرون در یک لایه پنهان و با استفاده از تابع فعال سازی سیگموئیدی می تواند خصوصیات فیزیکوشیمیایی برش های سرخ شده کدوخورشتی را پیش بینی نماید. نتایج آزمون آنالیز حساسیت نشان داد که تغییر غلظت صمغ دانه مرو بیشترین تاثیر را بر شاخص زردی و سپس بر روی شاخص شدت تغییرات رنگ سطحی برش های کدوخورشتی سرخ شده دارد. همچنین تغییر دمای سرخ کن نیز بیشترین تاثیر را بر شاخص های شدت تغییرات رنگ و روشنایی نمونه های سرخ شده دارد.

Predicting the effects of coating with different concentrations of wild sage seed gum on the characteristics of fried zucchini slices at various temperature by genetic algorithmartificial neural network method

Fried food products are very popular due to their unique characteristics such as color, smell, taste and desirable texture. Controlling frying conditions and using edible hydrocolloid coatings (gums) is one of the best ways in reduction of oil uptake, moisture retention and improving the appearance properties of fried foods. In this study, different concentrations of wild sage seed gum (0, 0.5, 1 and 1.5%) were used to coating of zucchini slices during deep frying at 155, 170 and 185°C and the relationship between process parameters and the quality of final product were modeled by genetic algorithmartificial neural network method. The results of this study showed that coating with wild sage seed gum reduced the oil uptake of the final product and in terms of appearance characteristics, the coated samples were lighter. Coating pretreatment maintained the final product moisture and the size of the samples coated with 1.5% gum was larger than the other samples (lower surface changes percent). This process was modeled by genetic algorithmartificial neural network method with 2 inputs include wild sage seed gum concentration and frying temperature and 7 outputs include oil percentage, moisture content, yellowness index (b*), redness index (a*), lightness index (L*), color changes intensity (ΔE) and surface changes. The results of modeling showed that a network with 5 neurons in a hidden layer and using the sigmoid activation function can predict the physicochemical properties of fried zucchini slices. Sensitivity analysis results showed that the changes in the concentration of wild sage seed gum had the highest effect on the yellowness index and then on the surface color changes intensity index of fried zucchini slices. Also, the change of frying temperature has the highest effects on the color changes intensity and lightness indexes of fried samples.