محمدجواد خلف پور؛ لاله رومیانی
چکیده
هدف از این مطالعه ارزیابی و پیش‌بینی تغییرات میزان کل باکتریایی، سودوموناس، سایکروتروف، انتروباکتریاسه‌آ، باکتری‌های اسید لاکتیکی و شاخص‌های شیمیایی شامل بازهای نیتروژنی فرار و مالون‌دی‌آلدئید در برگر ماهی پخته‌شده در دماهای 45، 55، 65، 75 و 85 درجۀ سانتی‌گراد با استفاده از شبکۀ عصبی مصنوعی بود. مدت زمان پخت 20 و 30 دقیقه و طول دورۀ ...
بیشتر
هدف از این مطالعه ارزیابی و پیش‌بینی تغییرات میزان کل باکتریایی، سودوموناس، سایکروتروف، انتروباکتریاسه‌آ، باکتری‌های اسید لاکتیکی و شاخص‌های شیمیایی شامل بازهای نیتروژنی فرار و مالون‌دی‌آلدئید در برگر ماهی پخته‌شده در دماهای 45، 55، 65، 75 و 85 درجۀ سانتی‌گراد با استفاده از شبکۀ عصبی مصنوعی بود. مدت زمان پخت 20 و 30 دقیقه و طول دورۀ نگهداری 18 روز بود. نتایج نشان داد دمای پخت 55 درجۀ سانتی‌گراد به مدت 30 دقیقه به‌جز در غیرفعال‌سازی سودوموناس در سایر گروه‌ها بی‌تأثیر بود. دمای پخت 65 درجۀ سانتی‌گراد به مدت 20 دقیقه موجب کنترل باکتری‌های سایکروتروف‌ها و انتروباکتریاسه‌آ شد. میزان سودوموناس در زمان پخت 20 دقیقه در دو دمای 45 و 55 درجۀ سانتی‌گراد، باکتری‌های اسید لاکتیکی در زمان پخت 20 دقیقه در دمای 45 درجۀ سانتی‌گراد در محدودۀ استاندارد بار باکتریایی نبودند و نتایج نشان داد که برگر ماهی به‌جز در این تیمارها، در سایر تیمارها تا انتهای دورۀ نگهداری قابل‌مصرف بود. دمای پخت 85 درجۀ سانتی‌گراد در هر دو زمان پخت، موجب غیرفعال‌سازی باکتری‌های سودموناس، انتروباکتریاسه‌آ و لاکتوباسیلوس شد. دما بیشترین و مدت زمان کمترین تأثیر بر مدل ارائه‌شده برای مالون‌دی‌آلدئید را داشت. فیش‌برگرها در طول زمان نگهداری در محدودۀ مجاز برای بازهای نیتروژنی فرار قرار داشتند. با افزایش زمان نگهداری، شاخص L* روند افزایشی و رنگ فیش‌برگرها تمایل به سفیدی داشت. باتوجه‌به دامنۀ تغییرات داده‌های خروجی‌ها و مقایسۀ داده‌های ورودی و خروجی، می‌توان عنوان کرد که نتایج شبکۀ عصبی (پرسپترون چندلایه) قابل اعتماد بوده و می‌توان از آن برای کاهش هزینه‌های آزمایش‌ها در صنعت تولید برگر استفاده کرد.
محسن مختاریان؛ مجتبی حیدری مجد؛ امیر دارائی گرمه‌خانی؛ الهام زایرزاده
چکیده
امروزه، استفاده از شبیه‌ساز ریاضی و مدل‌سازی منحنی‌های خشک‌کردن، ابزار مفیدی برای بهبود سیستم‌های کنترل کیفیت محصول نهایی در شرایط مختلف است. این روش‌ها معمولاً برای مطالعۀ عوامل موجود در فراآیند، بهینه‌سازی شرایط و فاکتورهای کاری و پیش‌بینی سینتیک خشک‌شدن محصول اعمال می‌شود. در مقالۀ حاضر به‌منظور پیش‌بینی نسبت رطوبت ورقه‌های ...
بیشتر
امروزه، استفاده از شبیه‌ساز ریاضی و مدل‌سازی منحنی‌های خشک‌کردن، ابزار مفیدی برای بهبود سیستم‌های کنترل کیفیت محصول نهایی در شرایط مختلف است. این روش‌ها معمولاً برای مطالعۀ عوامل موجود در فراآیند، بهینه‌سازی شرایط و فاکتورهای کاری و پیش‌بینی سینتیک خشک‌شدن محصول اعمال می‌شود. در مقالۀ حاضر به‌منظور پیش‌بینی نسبت رطوبت ورقه‌های گوجه‌فرنگی خشکشده از دو ابزار هوشمند ازجمله شبکۀ عصبی مصنوعی (ANN) و الگوریتم ژنتیک (GA) استفاده شده است. برایاینمنظور، ابتدا 4 مدل ریاضی از سایر مطالعهها گرفته شد و سپس با داده‌های تجربی مطابقت داده شدند. سپس بهترین مدل برازش برای منحنی خشک‌کردن گوجه‌فرنگی انتخاب شد. طبق نتایج، مدلی که توسط آغباشلو و همکاران پیشنهاد شده است، عملکرد بسیار خوبی به‌منظور پیش‌بینی نسبت رطوبت ورقه‌های گوجه‌فرنگی خشکشده نشان داد. علاوهبر این، از الگوریتم ژنتیک برای بهینه‌سازی بهترین مدل تجربی استفاده شد. درنهایت، نتایج این تحقیق با نتایج مشاهدهشده در مدلهای شبکۀ عصبی مصنوعی و الگوریتم ژنتیک مقایسه شد. نتایج نشان داد که مدل الگوریتم ژنتیک دقت بالاتری را به‌منظور پیش‌بینی نسبت رطوبت گوجه‌فرنگی خشک با ضریب همبستگی (R2) 0/9987 ارائه میدهد.
