مدل سازی تغییرات کیفی روغن کنجد طی فرآیند استخراج با استفاده از سیستم های هوشمند و رگرسیونی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد گروه مکانیک بیوسیستم، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

2 استادیار گروه مکانیک بیوسیستم، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

3 استادیار گروه علوم و مهندسی صنایع غذایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

چکیده

کنجد یکی از مهم ترین دانه های روغنی با ارزش تغذیه ای و عملکردی بالا در دنیا می باشد. بنابراین مدل سازی و بررسی رابطه بین عواملی که می تواند بر کیفیت روغن کنجد استحصال شده تأثیرگذار باشد، حائز اهمیت است. در این پژوهش، شبکه های عصبی مصنوعی (ANN) و سیستم استنتاج عصبی - فازی سازگار (ANFIS) برای پیش بینی کیفیت روغن کنجد استخراج شده به روش پرس مورد استفاده قرار گرفت. مدل به دست آمده از شبکه عصبی مصنوعی از نوع پرسپترون چند لایه در مقایسه با مدل های رگرسیونی و ANFIS از ضریب تبین بالاتر و خطای کمتری در پیش بینی پارامترهای کیفی روغن کنجد استحصال شده، برخوردار بود. بر اساس نتایج بدست آمده بیشترین مقدار عدد اسیدی مربوط به سرعت 20 دور در دقیقه و کمترین مقدار مربوط به سرعت 80 دور در دقیقه می باشد و افزایش دما باعث افزایش این شاخص شد. هم چنین بیشترین مقدار عدد یدی مربوط به سرعت دورانی 80 دور در دقیقه و دمای استخراج 90 درجه‌ سانتی‌گراد به میزان 13/1و کمترین مقدار مربوط به سرعت 80 دور در دقیقه و سطح دمایی 20 دور در دقیقه به میزان 312/0 بود. هم جنین افزایش دما باعث افزایش عدد اسیدی در نمونه ها شد.

چکیده تصویری

مدل سازی تغییرات کیفی روغن کنجد طی فرآیند استخراج با استفاده از سیستم های هوشمند و رگرسیونی

تازه های تحقیق

  • اثر سرعت دورانی و دمای استخراجی و اثر متقابل آن‌ها بر یکدیگر بر میزان عدد اسیدی روغن کنجد استخراج شده، در سطح یک درصد معنی‌دار بود.
  • اثر سرعت دورانی و دمای استخراجی و اثر متقابل آن‌ها بر یکدیگر بر میزان عدد یدی روغن کنجد استخراج شده، در سطح یک درصد معنی‌دار بود.
  • شبکه عصبی مصنوعی از نوع پرسپترون چند لایه در مقایسه با مدل‌های رگرسیونی و  ANFISاز ضریب تبین بالاتر و خطای کم‌تری در پیش‌بینی پارامترهای کیفی روغن کنجد استحصال شده، برخوردار بود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modeling quality changes of sesame oil during extraction process using intelligent and regression system

نویسندگان [English]

  • Mansour Assafi 1
  • Rasoul Meamar-Dastjerdi 2
  • Mohammad Noshad 3
1 MSc student of Mechanics of Biosystems Engineering Department, Faculty of Agricultural Engineering and Rural Development, Khuzestan Agricultural Sciences and Natural Resources university (KAU), Mollasani, Iran.
2 Assistant professor of Biosystems Engineering Department, Faculty of Agricultural Engineering and Rural Development, , Khuzestan Agricultural Sciences and Natural Resources university (KAU), Mollasani, Iran.
3 Assistant professor of Food Science & Technology, Faculty of Animal Science and Food Technology, Khuzestan Agricultural Sciences and Natural Resources university (KAU), Mollasani, Iran
چکیده [English]

Sesame is one of the most important oil seeds with high nutritional value and high functional properties in the world. Therefore, it is important to model and investigate the relationship between the factors that can affect the quality of sesame oil. . In this research, artificial neural networks (ANN) and adaptive neuro-fuzzy inference system (ANFIS) were used to predict the quality of sesame oil extracted by the press method. The model obtained from ANN had a higher correlation coefficient and less RMSE in predicting the quality of sesame oil extracted. Results showed the highest of acid values is related to the speed of 20 (rpm) and the lowest value is related to the speed of 80 (rpm), and increase temperature has increased it. Also, the highest of ions values was related to 80 (rpm) and extraction temperature 90 °C (1.13) and the lowest value was 80 (rpm) and 20 °C, (0.312). Increased temperature caused an increase acid value.

کلیدواژه‌ها [English]

  • Sesame oil
  • extraction
  • Modeling
  • ANFIS
  • ANN
[1] Rababah, T. M. (1998). Improvement of the quality of halawa Rababah tehina with special emphasis on the problem of oil separation. Master thesis, Jordan University.

[2] FAOSTAT. (2014).URL http://www.faostat.org

[3] Boskou, D. (2017). Edible Cold Pressed Oils and Their Biologically Active Components. J. Exp. Food Chem., 3(1),1000108-1000109

[4] Siger, A., Nogala-kalucka, M., Lampart-szczapa, E. (2008). The content and antioxidant activity of phenolic compounds in cold‐pressed plant oils. J. Food Lipids., 15(2), 137-149.

[5] Warra, A. (2011). Seed oil methods of extraction and its prospects in cosmetic industry: a review. J. Pure App. Sci., 4(2), 164-168.

 [6] Jang, J., Roger, C., Eiji, M. (1997). Neuro-Fuzzy and Soft Computing-a Computational Approach to Learning and Machine Intelligence. Auto Cont, IEEE Transn., 42(10), 1482-84.

[7] Mohebbi, M., Shahidi, F., Fathi, M., Ehtiati, A., Noshad, M. (2010). Prediction of moisture content in pre-osmosed and ultrasounded dried banana using genetic algorithm and neural network. Food Bio. Proc., 98(4), 362-366.

[8] Noshad, M., Mohebbi, M., Shahidi, F., Mortazavi, S,A. (2013). Application of the Fuzzy- Neural Adaptive Inference System (ANFIS) to predict the water loss of quince slicee during ultrasound- osmotic dehydration. 21th Con Food Sci and tech, Shiraz ( In presian).

[9] Karaman, S., Ozturk, I., Yalcin, H., Kayacier, A., Sagdic, O. (2012). Comparison of adaptive neuro-fuzzy inference system and artificial neural networks for estimation of oxidation parameters of sunflower oil added with some natural byproduct extracts. J. Sci. Food Agric.,  92(1), 49-58.

[10] AOCS. (1997) Official Methods and Recommended Practices of the American Oil Chemists’ Society. American Oil Chemists’ Society, Champaign., Method Cd., 8-53.

[11] AOCS.(1993). Official Methods and recommended practices of the American Oil Chemists Society. 4th ed, Champaign, IL: American Oil Chemists’ Society Press.

[12] AOAC. (1995) Official methods of analysis of the Association of Official Analytical Chemistry (AOAC). 16th Ed.

[13] Ross, T.J. (2010). Fuzzy logic with engineering application, 3th ed., John Wiley and Sons, Ltd., Publication, United Kingdom, pp 264-265.

[14] Jang, J. S. R., and C. T. Sun. (1997). Neuro-fuzzy modeling and control, proceedings of the IEEE, 83 (3), 378-406.

[15] Hernandez-Perez, J. A., Garcıa-Alvarado, M. A., Trystram, G. and Heyd, B. )2004(. Neural networks for the heat and mass transfer prediction during drying of cassava and mango. Innovative Food Sci. Emer. Technologies, 5, 57–64.

[16] Erenturk, S. and Erenturk, K. )2007(. Comparison of genetic algorithm and neural network approaches for the drying process of carrot. J.Food Eng. 78, 905–912.

[17] Abraham, A (2005). Adaptation of Fuzzy Inference System Using Neural Learning, in: Nedijah, N. and Mourelle, M., Fuzzy systems engineering, theory and practice. Springer publishing, Berlin, Heidelberg, pp 53-83

[18] Prior, E.M., Vadke, V.S., Sosulski, F.W. (1991). Effect of heat treatment on canola press oils. II: Oxidative stability. J. Am. Oil Chem. Soc. 68, 407-411.

[19] Gunstone, F.D. (2004). Rapeseed and Canola Oil Production Processing Properties and uses., Blackwell publishing Ltd., London, pp 67-96.