page contents google-site-verification=IMPxc80Ko8aMAqomw3axo11WILpmIE0RjwZ5gz4rwdA
ORCID iD iconhttps://orcid.org/0000-0002-3006-8220

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد گروه علوم و صنایع غذایی، دانشگاه آزاد اسلامی واحد قوچان

2 استاد گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه فردوسی مشهد

3 استادیار گروه شیمی مواد غذایی، پژوهشکده علوم و صنایع غذایی، مشهد

چکیده

در این تحقیق از سیستم استنتاج فازی (ANFIS) جهت پیشگویی شار تراوه به عنوان تابعی از عوامل فیزیکوشیمیایی و پارامتر‌های عملیاتی در طی اولترافیلتراسیون شیر استفاده شده است. برای انجام آزمایشات از یک سیستم پایلوتی اولترافیلتراسیون مجهز به مدول فیبر توخالی با غشاء پلی‌اترسولفون و MWCO حدود 10 کیلو ‌دالتون استفاده شد و شیر با خصوصیات فیزیکو‌شیمیایی مختلف شامل pH در پنج سطح (5/6، 6، 6/6، 6/9 و 6/7) و غلظت کلرید ‌سدیم در سه سطح (0/03، 0/06 و 0/12) و تحت شرایط عملیاتی مختلف شامل فشار در عرض غشاء (TMP) در سه سطح (0/3، 0/6 و 1 اتمسفر)، دمای فرایند در سه سطح (30 ، 40 و 50 درجه سانتی‌گراد)، و سرعت جریان در سه سطح (10 ، 30 و 46 متر بر ثانیه) توسط این غشاء فراوری گردید. برای مدلسازی اثر پارامترهای عملیاتی و خصوصیات فیزیکوشیمیایی شیر بر شار تراوه اولترافیلتراسیون ابتدا داده‌های تجربی تصادفی شد. سپس 30 درصد داده‌ها برای یادگیری، 30 درصد داده‌ها برای ارزیابی و 40 درصد داده‌ها برای آزمون مدل مورد استفاده قرار گرفت. نتایج مدلسازی شار تراوه اولترافیلتراسیون شیر نشان داد که روش مدلسازی نروفازی به خوبی قادر است شار تراوه را در شرایط عملیاتی و خصوصیات فیزیکوشیمیایی مختلف پیش‌بینی نماید و نتایج مدلسازی نشان داد که همبستگی خوبی (به طور متوسط R=0.93 ) بین داده‌های پیشگویی شده و داده‌های تجربی وجود دارد.

کلیدواژه‌ها

Decloux, M., Tatoud, L., Mersad, A. 2000. Removal of colorants an polysaccharides from raw cane sugar remelts by ultrafiltration. Zuckerindustrie, 125: 106.

Eckner, K.F. & E.A. Zottola. 1992. Partitioning of skim milk components as a function of pH, acidulant and temperature during membrane processing. Journal of Dairy Science, 75(8): 2092-2097.

Eerikainen, T., Linko, P., Linko, C., Siimes, T., & Zhu, Y. H. 1993. Fuzzy logic and neural network applications in food science and technology. Trends in Food Science and Technology, 4: 237-242.

Entchev, E., & Yang, L. 2007. Application of adaptive neuro-fuzzy inference system techniques and artificial neural networks to predict solid oxide fuel cell performance in residential microgeneration installation. Journal of Power Sources, 170: 122-129

Hertz, J., Krogh, A., & Palmer, R.G. 1991. Introduction to the Theory of Neural Computation. Addison-Wesley publisher.

Hilal, N., H. Al-Zoubi, N.A. Darwish, A.W. Mohammad, M. Abu Arabi .2004. A comprehensive review of nanofiltration membranes: Treatment, pretreatment, modelling, and atomic force microscopy. Desalination, 170: 281-308.

Mashrei, M. A., Abdulrazzaq, N. Andalla, T.Y. and Rahman, M.S., 2010. Neural net works model and adaptive neuro-fuzzy inference system for predicting the moment capacity of ferrocement members. Engineering Structures, 32: 1723-1734.

Mohebbi, M., Barouei, J., Akbarzadeh-T, M.R., Rowhanimanesh, A.R., Habibi-Najafi, M.B., & Yavarmanesh, M. 2008. Modeling and optimization of viscosity in enzyme-modified cheese by fuzzy and genetic algorithm. Computers and Electronics in Agriculture, 62: 260–265.

Patel, R.S. & H. Reuter. 1985. Fouling of hollow fiber membrane during ultrafiltration of skim milk. Milchwissenschaft, 40 (12): 731-733.

Perrot, N., Ioannou, I., Allais, I., Curt, C., Hossenlopp, J., & Trystram, G. 2006. Fuzzy concepts applied to food product quality control: a review. Fuzzy Sets and Systems, 157: 1145–1154.

Pouliot, 2008. Membrane processes in dairy technology- From a simple idea to world wide panacea. International Dairy Journal, 18: 735-740.

Razavi, S.M.A., 2005, The study of ultrafiltration performance as a function of milk pH, Iranian Journal of Agriculture Science, 36 (2): 415-424.

Razavi, M. A. 2006. Effect of process temperature on milk ultrafiltration performance. The Agricultural science, 16: 85-94.

Razavi, M.A., Mortazavi, A.& Mousavi, M. 2004. Application of neural networks for crossflow milk ultration sim uktration. International Dairy Journal, 14: 69-80.

Razavi, M.A., Mortazavi, A., Mousavi, M. 2003. Dynamic modeling of milk ultrafiltration by artifical neural networks. Journal of Membrane Science, 220: 47-58.

Rinaldoni, A., Tarazaga, C., Campderros, M.E. & Padilla, A. 2009. Assessing performance of skim milk ultrafiltration by using technical parameters. Journal of Food Engineering, 92: 226-232.