مدل‌سازی سینتیکی و رویکرد شبکه عصبی مصنوعی فرایند استخراج به روش ‌حرارت‌دهی مقاومتی عصاره غازیاغی

تجزیه‌وتحلیل مدل‌سازی استخراج از ترکیبات طبیعی در کاربرد صنعتی ضروری است. در مقاله حاضر، استخراج عصاره از  گیاه غازیاغیfalcaria vulgaris) ) به روش حرارت‌دهی مقاومتی مورد بررسی قرار گرفت. این مطالعه به منظور بیان تاثیر برخی از متغیرهای مشخص (نظیر گرادیان ولتاژ، نسبت اتانول به آب، زمان و دمای استخراج) بر بازده استخراج و محتوای فنلی کل (tpc) انجام شد. مدل‌های سینتیک (مدل‌های مرتبه اول، مرتبه دوم و پلگ) و شبکه عصبی مصنوعی برای مدل‌سازی فرآیند استخراج به به روش حرارت‌دهی مقاومتی استفاده شد. مطالعه سینتیکی نقش بسیار مهمی در ارزیابی فرآیند استخراج بازی می‌کند، زیرا امکان تخمین مقرون‌به‌صرفه بودن فرآیند از نظر صرفه‌جویی در زمان، هزینه و انرژی را فراهم می‌نماید. نتایج نشان داد که مدل‌های سینتیکی مرتبه دوم و پلگ توانستند به‌ترتیب مقادیر محتوای فنل کل عصاره و راندمان استخراج را با موفقیت پیش‌بینی نمایند. ضریب همبستگی بین بازده استخراج تجربی به‌دست‌آمده و محتوای فنلی کل و مقادیر پیش‌بینی‌شده توسط شبکه عصبی مصنوعی (2 16 4) برای آموزش برابر 0.995، برای اعتبارسنجی برابر 0.963 و برای آزمایش برابر 0.979 بود، که نشان‌دهنده توانایی پیش‌بینی خوب مدل است. مدل شبکه عصبی مصنوعی کارایی پیش‌بینی بالاتری نسبت به مدل‌های جنبشی داشت. شبکه عصبی مصنوعی می‌تواند فرآیند را با به‌طور مطمئن‌تری نسبت به مدل‌های سینتیکی با قابلیت‌های پیش‌بینی و تخمین بهتری مدل کند. 

kinetic modeling and artificial neural network approach for the modelling of ohmic assisted extraction of falcaria vulgaris extract

analysis of the extraction modelling for natural compounds is essential for industrial application. in the present paper, ohmic assisted extraction was investigated for the extraction of falcaria vulgaris extract. this study was performed in order to express the effect of some pecific parameters (as: voltage gradiant, ethanol to water ratio, extraction time and temperature) on the extraction yield and total phenolic content (tpc). kinetics models (first order, second’s order and pelleg models) and artificial neural network were used for modeling ohmic assisted extraction process. kinetic study plays a very important role in evaluating the extraction process because it allows estimation of the cost effectiveness of the process in saving time, money and energy. the results showed that the second order and plleg’s kinetic models respectively, were successfully predicted the value of the total phenol content of the extract and extraction yield in all experiments. the correlation coefficient between experimentally obtained extraction yield and total phenolic content and values predicted by artificial neural network (4 16 2) were 0.995 for training, 0.963 for validation, and 0.979 for testing, indicating the good predictive ability of the model. the artificial neural network model had a higher prediction efficiency than the kinetic models. artificial neural network can reliably model the process with better predictive and estimation capabilities than the kinetic’s models.