ششمین همایش ملی بررسی ضایعات محصولات کشاورزي پیشبینی چروکیدگی میکروویو-همرفتی زالزالک پس از خشککردن به کمک شبکههاي عصبی مصنوعی محمد کاوه رضا امیري چایجان و ساسان خیاطی دانشجوي کارشناسی ارشد گروه مهندسی بیوسیستم دانشگاه بوعلی سینا- همدان (skaweh@yahoo.com) دانشیار گروه مهندسی بیوسیستم دانشگاه بوعلی سینا- همدان چکیده هدف از این پژوهش به دست آوردن و پیش بینی تغییرات چروکیدگی زالزالک در طی فرآیند خشککردن با روش میکروویو همرفتی و پیشبینی تغییرات آن به کمک شبکههاي عصبی مصنوعی است. سه عامل موثر براي چروکیدگی (دما هواي ورودي سرعت هواي ورودي توان میکروویو) در عملکرد خشککن میکروویو همرفتی به عنوان متغیرهاي مستقل براي شبکه عصبی مصنوعی در نظر گرفته شد. دادههاي لازم براي ایجاد الگوهاي آموزش ارزیابی و آزمون با انجام آزمایشهاي خشککردن براي دماها سرعتها و توانهاي مختلف با استفاده از یک خشککن آزمایشگاهی میکروویو همرفتی جمع آوري شد. از شبکههاي پس انتشار پیشرو و پس انتشار پیشخور با الگوریتمهاي یادگیري لونبرگ- مارکوارت و تنظیم بیزي براي آموزش الگوهاي موجود استفاده شد. نتایج نشان داد که بیشترین چروکیدگی به میزان %64 که در دماي 7 درجه سلسیوس و توان 63 وات به دست آمد. شبکه پس انتشار پیشرو با توپولوژي 3-3-4- و الگوریتم آموزش لونبرگ - مارکوات و تابع آستانه شبکه انتخاب شد. TANSIG-PURELIN-TANSIG با ضریب تعیین /9887 براي پیشبینی چروکیدگی به عنوان بهترین کلمات کلیدي: زالزالک خشککن میکروویو همرفتی چروکیدگی و شبکههاي عصبی مصنوعی مقدمه زالزالک میوهاي پاییزي است. این میوه اگر چه ظاهري کوچک دارد ولی بسیار پرفایده و مغذي است و به رنگهاي زرد و نارنجی در اکثر نواحی معتدل جهان از جمله اروپا چین و ایران میروید. در هنگام رسیدن آن این میوه شیرین گوشتی و داراي هستههاي زرد رنگ فراوان است. این میوه علاوه بر ویتامینهاي B و C و A جوهر مازو یعنی تانن داراي کلسیم و مختصري ترشی و پکتین است که براي تقویت قلب و معده بسیار توصیه میشود. مهمترین اثر زالزالک روي قلب تنظیم کردن حرکات نامنظم آن است و از تپش قلب و ضربان شدید آن جلوگیري میکند (6) ١٩٧
خواص فیزیکی میوه زالزالک ششمین همایش ملی بررسی ضایعات محصولات کشاورزي (چروکیدگی) براي طراحی یک ماشین خاص یا تعیین رفتار محصول براي جابجایی اهمیت دارند. در طی فرآیند خشککردن شکل و اندازه محصولات تغییر محسوسی میکند. تاثیر در خواص فیزیکی آنها به نوبه خود باعث اصلاح بافت نهایی و خواص حمل و نقل غذاهاي خشک میشود. چروکیدگی در طول خشکشدن نقش مهمی در تعیین سرعت خشکشدن و کیفیت محصول خشک دارد( 7 ). خشککردن یکی از قدیمیترین متداولترین و اقتصاديترین روشهاي نگهداري مواد غذایی و محصولات کشاورزي میباشد. هدف خشککردن محصولات کشاورزي و مواد غذایی حذف حداکثر آب از محصول به منظور افزایش مدت ماندگاري است. در این روش انتقال جرم و حرارت انجام میگیرد و آن میتواند تغییرات معنیداري در ترکیبات شیمیایی ساختار و خصوصیات فیزیکی و مکانیکی مواد غذایی و محصولات کشاورزي ایجاد کند. بنابراین علاوه بر افزایش ماندگاري محصولات هزینههاي بستهبندي انبارداري و حمل و نقل محصولات نیز کاهش مییابد (4). شبکههاي عصبی مصنوعی شامل یک الگوي پردازش اطلاعات و ابزاري قدرتمند به منظور شبیه سازي الهام گرفته از نرونهاي بیولوژیک است. با این رویکرد شبکههاي عصبی مصنوعی همانند ساختار بیولوژیکی مغز انسان با ترکیب ویژگیهایی همچون قدرت یادگیري تعمیمدهی پردازش موازي و تصمیمگیري قابلیت حل کامل مساي لی پیچیده با ماهیتی خطی یا غیر خطی را خواهند داشت (8). محققین بسیاري از شبکههاي عصبی مصنوعی براي پیشبینی خواص فیزیکی مورد نظر در خشککنها استفاده کردهاند. نیامنوي و همکاران () براي پیشبینی چروکیدگی میگو شفافی زنوزیان و دواهاستین (9) براي پیشبینی تغییرات رنگ و چروکیدگی کدو از شبکههاي عصبی استفاده کردند. هدف از این پژوهش پیشبینی چروکیدگی زالزالک بعد از خشککردن با خشککن میکروویو همرفتی با استفاده از شبکه عصبی مصنوعی میباشد. C دماي مواد و روشها زالزالک تازه از جنگل هاي سردشت استان آذربایجانغربی تهیه شد و براي انجام آزمایشها در یخچال در 4 نگهداري شد. مقدار رطوبت اولیه زالزالک با استفاده از آون به دست آمد. نمونههاي 3 گرمی در آون در دماي 7± C به مدت 4 ساعت قرار گرفتند. این روند 3 مرتبه تکرار شد و مقدار رطوبت اولیه زالزالک /53 بر پایه خشک به دست آمد. براي انجام آزمایشات از یک خشککن میکروویو همرفتی آزمایشگاهی استفاده شد. آزمایشها در سه سطح سرعت /4 و /6 در سه سطح دمایی 55 4 و 7 و سه توان میکروویو 45 7 و 63 وات در C شرایط آزمایشگاهی که مقدار رطوبت نسبی محیط آزمایشگاه در طی آزمایشها 3/45- %9/6 و دماي محیط آزمایشگاه بین 6/5 تا 5/45 اندازه گیري شده بود انجام شد. C ١٩٨
چروکیدگی ششمین همایش ملی بررسی ضایعات محصولات کشاورزي براي محاسبه چروکیدگی ابتدا قطر میانگین هندسی میوه زالزالک را محاسبه میکنیم. چون میوه زالزالک شبیه کره است پس قطر میانگین هندسی آن از رابطه زیر به دست میآید. 3 () که در آن (m) است. () که A (m) قطر میانگین هندسی میوه بنه D D = ( A B C ) قطر بزرگ (m) B قطر متوسط (m) و C قطر کوچک حجم زالزالک را قبل از خشک کردن (حجم اولیه) از رابطه زیر محاسبه میکنیم: V 4 D 3 است. 3 = π ( ) V حجم اولیه یا حجم قبل از خشککردن محصول در شرایط متفاوت دما توانهاي (m 3 ) (3) میکروویو و سرعتهاي ورودي مختلف خشک شد. سپس قطر میانگین هندسی و حجم زالزالک (حجم ثانویه) به ترتیب با استفاده از معادلات و محاسبه شد. حجم بعد از خشکشدن (V) نیز محاسبه شد. درصد چروکیدگی به کمک معادله زیر محاسبه شد (). ( V V ) M = V M درصد چروکیدگی و V حجم ثانویه یا حجم بعد از خشککردن است. ) 3 (m شبکه عصبی شبکه پس انتشار پیشخور :(FFBP) براي آموزش این شبکه از الگوریتم یادگیري پس انتشار خطا شامل یک لایه ورودي یک یا چند لایه مخفی و یک لایه خروجی است. (BP) استفاده میشود. که ابتدا وزنهاي لایه خروجی با مقادیر مطلوب مقایسه شده در صورتی که خطا بیش از حد تعیین شده باشد وزنهاي لایه خروجی بر اساس قاعدههاي به هنگام سازي تعدیل میشود و هنگامی که خطاي آموزش کمتر از خطاي از پیش تعیین شده باشد فرآیند یادگیري پایان مییابد. شبکه پس انتشار پیشرو :() مانند شبکه پس انتشار پیشخور از الگوریتم BP براي اصلاح وزنها استفاده میکند ولی خصوصیت اصلی شبکه مذکور این است که نرونهاي هر لایه به همه نرونهاي لایههاي قبل متصل است. الگوریتمهاي آموزش الگوریتم لونبرگ-مارکوارت :(LM) الگوریتم LM براي آموزش شبکه عصبی مصنوعی از طریق توزیع محاسبات و فضاي مورد نیاز موازي عمل میکند و از این رو سریعترین روش براي آموزش شبکههاي عصبی پس انتشار با ابعاد متوسط (حداکثر چند صد اتصال وزنی و بایاس) است. الگوریت LM اساسا بر مبناي ماتریس هسین که براي بهینهسازي غیر خطی بر مبناي حداقل مربعات استفاده میشود. ١٩٩
الگوریتم تنظیم بیزي ششمین همایش ملی بررسی ضایعات محصولات کشاورزي :(BR) فرایند آموزش شبکه پس انتشار با تنظیم بیزي با توزیع تصادفی وزنهاي اولیه آغاز میشود. توزیع تصادفی این پارامترها جهتگیري اولیه را قبل از اراي ه دادهها به شبکه تعیین میکند. بعد از اراي ه دادهها به شبکه بهنگامسازي وزنهاي اولیه آغاز میشود تا توزیع ثانویه با استفاده از تنظیم بیزي حاصل شود (3). شبکه عصبی مصنوعی با سه نرون لایه ورودي (زمان خشککردن سرعت و دماي خشککن) و یک نرون در لایه خروجی (چروکیدگی) طراحی شد. تجزیه و تحلیل اطلاعات به دست آمده با استفاده از Neural Network Toolbox (ver. 5) از نرمافزار Matlab (PURELIN) (4) استفاده شد. براي بهینهسازي ساختار شبکه از سه تابع زیر استفاده شد (): Y = Y = X ( + exp( X ) Y = + exp ( X ) (TANSIG) (LOGSIG) (5) (6) X که (7) از رابطه زیر محاسبه میشود: X = m i= W i Y + b i m ام است. تعداد نرون لایه خروجی حدود و i وزن بین لایه W i Yخروجی i نرون ام و b مقدار بایاس نرون لایه %75 دادهها براي %5 آموزش و دادهها به طور تصادفی براي ارزیابی شبکه آموزش دیده مورد استفاده قرار گرفت. براي یافتن شبکهاي با توپولوژي مناسب به کمک الگوریتمهاي آموزشی از معیار میانگین مربع خطا استفاده شده است. M ( S p= i= MSE = NM خروجی شبکه در نرون N ip T ) ip (8) MSE که خروجی مطلوب در نرون میانگین مربع خطا در مرحله آموزش i S ip ام و الگوي pام T ip ام و الگوي i p ام N تعداد نرونهاي خروجی و M تعداد الگوهاي آموزشی است. نتایج و بحث درصد تغییرات چروکیدگی میوه زالزالک در خشککن میکروویو همرفتی در دما و توانهاي میکروویو به دست آمد. همانطور که در شکل () نشان داده شده است بیشترین درصد تغییرات چروکیدگی میوه زالزالک در سرعت هواي ورودي /4 متر بر ثانیه دماي 7 درجه سلسیوس و توان میکروویو 63 وات به میزان %64 بود و کمترین مقدار تغییرات چروکیدگی در سرعت /6 متر بر ثانیه دماي 4 درجه سلسیوس و توان 7 وات به میزان %35 درصد به دست آمد. نتایج نشان میدهد که با افزایش دما و توان میکروویو در خشککن میزان تغییرات چروکیدگی هم افزایش مییابد. دما و توان میکروویو باعث تغییرات نامناسبی در ظاهر میوه زالزالک می- ٢٠٠
ششمین همایش ملی بررسی ضایعات محصولات کشاورزي شود چون زالزالک در دما و توانهاي بالاتر زودتر رطوبت خود را از دست میدهد و چروکیدگی بیشتر میشود. از اینرو دما و توان میکروویو پایینتر باعث تغییرات نامناسب کمتري در بافت محصول میشود بنابراین کمترین میزان چروکیدگی را خواهیم داشت. این نتایج مطابق با یافتههاي کوروزاوا و همکاران () براي محصول پاپایا است. چروکیدگی (%) 9 8 7 6 5 4 3.4 m/s m/s.6 m/s 4c-7 4c-45 4c-63 55c-7 55c-45 55c-63 7c-7 7c-45 7c-63 شکل : Air temprature ( C)- Microwave power (W) درصد تغییرات چروکیدگی در دما و توان هاي مختلف میکروویو چروکیدگی زالزالک در شرایط میکروویو- همرفتی به کمک شبکههاي پس انتشار پیشخور انتشار پیش رو (FFBP) () الگوریتمهاي یادگیري و توپولوژيهاي مختلف بررسی شد. و پس کاربرد الگوریتم LM به همراه شبکههاي FFBP و نشان داد که توپولوژي 3-3-4- با چرخه آموزش 8 و با تابع آستانه TANSIG-PURELIN-TANSIG در شبکه (جدول ). خطاي نسبی میانگین آن (/38) به دست آمد. داراي کمترین خطاي آموزشی (/87) است جدول : نتایج آرایشهاي مختلف شبکه عصبی مصنوعی (ANN) در برآورد تغییرات چروکیدگی MAE R MSE توابع شبکه آموزش توابع محرك آرایش شبکه چرخه آموزش 5 /38 /9774 /44 3-3-3- LOGSIG-PURELIN-TANSIG LM FFBP /5 /9548 /446 3--4- TANSIG BR 8 /38 /9887 /87 3-3-4- TANSIG-PURELIN-TANSIG LM 9 /378 /9784 /9 3-3-3- TANSIG-LOGSIG-PURELIN BR کاربرد الگوریتم BR به همراه شبکههاي FFBP و نشان داد که توپولوژي 3-3-3- با چرخه آموزش 9 و با تابع آستانه TANSIG-LOGSIG-PURELIN در شبکه (جدول ). و خطاي نسبی میانگین آن (/378) است. داراي کمترین خطاي آموزشی (/9) است ٢٠١
ششمین همایش ملی بررسی ضایعات محصولات کشاورزي با توجه به آزماش شبکههاي مختلف و بررسی نتایج آن میتوان دریافت که به کارگیري الگوریتم LM تابع 3-3-4- آستانه TANSIG-PURELIN-TANSIG شده است. با توپولوژي واجد بهترین نتیجه از نظر معیارهاي در نظر گرفته نتیجهگیري پس از خشککردن زالزالک با استفاده از خشککن میکروویو- همرفتی بیشترین درصد تغییرات چروکیدگی %64 به دست آمد. شبکه عصبی مصنوعی چروکیدگی میوه زالزالک را به کمک سه پارامتر ورودي دماي خشککن سرعت جریان هوا توان میکروویو پیشبینی میکند. بهترین شبکه براي آموزش دادهها شبکه پس انتشار پیشرو با الگوریتم آموزش لونبرگ- مارکوارت وتابع فعالسازي TANSIG-PURELIN-TANSIG براي لایههاي با توپولوژي 3-3-4- و ضریب تعیین /9887 براي چروکیدگی در شرایط مختلف خشککردن می - باشد. در نهایت میتوان نتیجه گرفت که شبکههاي عصبی مصنوعی ابزاري بسیار مناسب جهت پیشبینی چروکیدگی در مبحث خشککردن محصولات کشاورزي میباشد. - Amiri Chayan, R., Salari, K., Barikloo. H.,. Modeling moisture diffusivity of pomegranate seed cultivars under fixed, semi fluidized and fluidized bed using mathematical a neural network methods. Acta Sci. Pol., Technol. Aliment. (): 37-49. - Amiri Chayan, R., Kaveh. M., 3. Physical parameters and kinetic modeling of fix and fluid bed drying of terebinth seeds. J. Food Proces Preservation, doi:./fpp.9. (in press). 3- Demuth, H., Beale, M., Hagan. M., 7. Neural network toolbox 5. The MathWorks, Natick, MA, USA. 4- Koc, B., Eren, I., and Ertekin, F.K., 8. Modelling bulk density, porosity and shrinkage of quince during drying: the effect of drying method. Journal of food engineering. 85: 34-349. 5- Kurozawa, L. E., Hubinger, M. D., Park, K. J.,. Glass transition phenomenon on shrinkage of papaya during convective drying. Journal of Food Engineering. 8: 43 5. 6- Liu, P., Yang, B., Kallio, H.,.Characterization of phenolic compounds in Chinese hawthorn (Crataegus pinnatifida Bge. var. maor) fruit by high performance liquid chromatography electrospray ionization mass spectrometry. Food Chem. : 88 97 7- Mayor, L., Sereno, A. M., 4. Modelling shrinkage during convective drying of food materials: a review. Journal of Food Engineering. 6: 373 386. 8- Motevali, A., Youni, S., Amiri Chayan R., Aghilinategh N., Banakar. A., 3. Drying kinetics of dill leaves in a convective dryer. Int. Agrophys. 7: 39-47. 9- Niamnuy, C., Kerdpiboon, Devahastin, S.,. Artificial neural network modeling of physicochemical changes of shrimp during boiling. LW T - Food Science and Technology 45: - 6. - Shafafi Zenoozian, M., Devahastin, S. 9. Application of wavelet transform coupled with artificial neural network for predicting physicochemical properties of osmotically dehydrated pumpkin. Journal of Food Engineering. 9: 9 7. منابع ٢٠٢