بررسی روند خشک‌کردن ارقام مختلف برنج ایرانی با پیش تیمار اهمیک در خشک‌کن ماکروویو و مدل‌سازی با روش سطح پاسخ و شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشکده آب‌وخاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 دانش‌آموخته کارشناسی ارشد، گروه مهندسی مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 دانش‌آموخته کارشناسی ارشد، گروه مهندسی مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

در این تحقیق بررسی خشک‌کردن سه رقم برنج به کمک خشک‌کن ماکروویو و با استفاده از پیش تیمار اهمیک انجام شد. در این تحقیق از یک جعبه شیشه‌ای جهت پیش تیمار اهمیک استفاده شد که برای پیش اهمیک تیمار سه ولتاژ 125، 150، 175 ولت و در سه زمان 5، 10، 15 دقیقه انتخاب شد و تغییرات وزن اندازه‌گیری و ثبت شد و درنهایت در ماکروویو با توان 600 وات قرار داده شد و تا زمان خشک شدن هر دو دقیقه یک‌بار توزین شد. نتایج به‌دست‌آمده از آزمایش با استفاده روش سطح پاسخ و شبکه عصبی مصنوعی تحلیل و موردبررسی قرار گرفت. بررسی انجام‌شده بر روی برنج‌ها در فرایند اهمیک نشان داد که رقم فجر به‌مراتب بیشتر از رقم‌های دیگر (طارمی دم‌سیاه و ندا) خارج‌سازی آب و کاهش وزن را داشته است و بعدازآن رقم طارمی و دم‌سیاه بیشترین میزان خارج‌سازی رطوبت را داشته است و کمترین میزان خارج‌سازی و کاهش وزن در رقم ندا بوده است. همچنین در بخش خشک‌کردن با ماکروویو نیز افزایش ولتاژ و زمان فرایند اهمیک سبب خارج شدن بیشتر رطوبت نسبت به ولتاژهای پایین شده است و رقم برنج فجر نسبت به ارقام دیگر کاهش وزن بیشتری را داشته است. همچنین مقادیر پیش‌بینی‌شده از مدل‌های RSM و شبکه عصبی مصنوعی نشان داد که میزان دقت شبکه عصبی مصنوعی به‌مراتب بیشتر از دقت اعداد پیش‌بینی‌شده با RSM بوده است.

چکیده تصویری

بررسی روند خشک‌کردن ارقام مختلف برنج ایرانی با پیش تیمار اهمیک در خشک‌کن ماکروویو و مدل‌سازی با روش سطح پاسخ و شبکه عصبی مصنوعی

تازه های تحقیق

  • فرایند پیش تیمار اهمیک سبب خارج شدن بهتر رطوبت از نمونه ها گردیده است.
  •    شبکه عصبی مصنوعی نسبت به روش سطح پاسخ توانسته در زمینه خشک کردن برنج پیش بینی بهتری داشته باشد.
  • زمان فرایند اهمیک تاثیر بیشتری نسبت به ولتاژ فرایند اهمیک داشته است.
  • فرایند اهمیک بر روی تغییرات وزن ارقام برنج تاثیر معنی داری را داشته است و تفاوت معنی داری را ایجاد کرده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation of drying process of different Iranian rice cultivars by Ohmic pre-treatment in microwave dryer and modeling by response surface methodology and artificial neural network

نویسندگان [English]

  • Mohsen Azadbakht 1
  • Mohammad Vahedi Torshizi 2
  • Hasan Jafari 3
1 Associate Professor, Department of Bio-system mechanical engineering, Faculty of Water and Soil, Gorgan University of Agricultural Sciences and Natural Resources.
2 Department of Bio-System Mechanical Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
3 Department of Bio-System Mechanical Engineering, Sari University of Agricultural Sciences and Natural Resources, Sari, Iran.
چکیده [English]

In this research, investigation drying of four rice cultivars (Fajr, Taromi , Dom-siah and Neda) were done by microwave dryer and using ohmic pre-treatment. Three voltages of 125, 150, 175 volts were selected for the pre- treatment ohmic in three times 5, 10 and 15 min and the weight changing were measured and recorded. Finally, the samples placed in the microwave by power 600 watt and every two minutes until dry weight changes were measured. The results of the experiment were analyzed using response surface methodology and artificial neural network. Investigation on rice varieties in the ohmic process showed that Fajr variety had the highest water extraction and weight loss compared to other varieties (Taromi , Dom-siah and Neda) and during the pre-treatment process of ohmic and also during drying by the microwave, those had more moisture extracted. And after that, Tarom and Dom-Siah had the highest amount of moisture removal, Also the lowest moisture removal during the Ohmic heating and drying process were in Neda cultivar. In addition to weight loss in drying with a microwave dryer, Increasing voltage and ohmic time had higher moisture content than low voltage and low ohmic time and rice cultivar Fajr had more weight loss than other cultivars. Also, the predicted values of the response surface method (RSM) models and artificial neural network showed that the accuracy of the artificial neural network was 0.30 more than the predicted RSM numbers.

کلیدواژه‌ها [English]

  • Ohmic heating
  • Microwave dryer
  • rice
  • Response surface method
  • Artificial neural network
[1]​  T. Imai, K. Uemura, N. Ishida, S. Yoshizaki, A. Noguchi.(2007). Ohmic heating of Japanese white radish Rhaphanus sativus L. Int. J. Food Sci. Technol. 30 , 461–​ 472. doi:10.1111/j.1365-2621.1995.tb01393.x.
[2]​  A. Goullieux, J.-P. Pain, Ohmic Heating, in: Emerg. .(2005). Technol. Food Process. Elsevier,: pp. 469​ –505. doi:10.1016/B978-012676757-5/50020-7.
[3]​  C.M.A.-C. Raymond H. Myers, Douglas C. Montgomery.(1995). Response Surface Methodology: Process and Product Optimization Using Designed Experiments. publish in wiley.
[4]​ K. Sastry, Q. Li.(2005).Modeling and optimization of ohmic heating of foods inside a flexible. J. Food Proc Eng. 28(4):417 - 436
[5]​  F. Icier, C. Ilicali.(2005). Temperature dependent electrical conductivities of fruit purees during ohmic heating. Food Res. Int. 38  1135–1142. doi:10.1016/j.foodres.2005.04.003.
[6]  I. Castro, J.. Teixeira, S. Salengke, S.. Sastry, A.(2004).Vicente, Ohmic heating of strawberry products: electrical conductivity measurements and ascorbic acid degradation kinetics. Innov. Food Sci. Emerg. Technol. 5  27–36. doi:10.1016/j.ifset.2003.11.001.
[7]​  M.R. Zareifard, H.S. Ramaswamy, M. Trigui, M. Marcotte.(2003). Ohmic heating behaviour and electrical conductivity of two-phase food systems. Innov. Food Sci. Emerg. Technol. 4 , 45–55.
[8]​  L.-J. Wang, D. Li, E. Tatsumi, Z.-S. Liu, X.D. Chen, L.-T. Li.(2007). Application of two-stage ohmic heating to tofu processing. Chem. Eng. Process. Process Intensif. 46,486–​ 490.
[9]​  H.S.R. M. Marcotte, M. Trigui.(2000). Effect of salt and citric acid on electrical conductivities and ohmic heating of viscous liquids. J. Food Process. Preserv. 24 , 389​ –​ 406. doi:10.1111/j.1745-4549.2000.tb00427.x.
[10]​  S. Sarang, S.K. Sastry, L. Knipe.(2008). Electrical conductivity of fruits and meats during ohmic heating. J. Food Eng. 87, 351–356.
[11]​  Aghabashlo ., M.(2008). Fabrication and Evaluation of a Semi-​​ Continuous Experimental Dryer Suitable for Small Fruits and Vegetables Based on Thin-layer Kinetics. Thesis. [In persian]
[12]​  A. Midilli, H. Kucuk, Z. Yapar.(2002). A New Model For Single-Layer Drying. Dry. Technol. 20 , 1503–1513. doi:10.1081/DRT-120005864.
[13]​  C. Coff, Incorporation, Digestion and Incarnation, History. (n.d.) 1–9. doi:10.1016/j.aqpro.2013.07.003.
[14]​  C.M.A.-C. by Raymond H. Myers , Douglas C. Montgomery.(2009). Response Surface Methodology: Process and Product Optimization Using Designed Experiments. 3rd Edition, 3rd ed., Wiley.
[15]​  H. Han, B. Li, H. Wu, W. Shao.(2015). Multi-objective shape optimization of double pipe heat exchanger with inner corrugated tube using RSM method Design of Experiments. Int. J. Therm. Sci. 90 (2015) 173–186. doi:10.1016/j.ijthermalsci.2014.12.010.
[16]​  A. Hosainpour, H. Darvishi, F. Nargesi, A. Fadavi.(2014). Ohmic pre-drying of tomato paste. Food Sci. Technol. Int. 20 , 193–204. doi:10.1177/1082013213480360.
[17]​  S. Salengke, S.K. Sastry.(2005). Effect of ohmic pretreatment on the drying rate of grapes and adsorption isotherm of raisins. Dry. Technol. 23 , 551–564. doi:10.1081/DRT-200054131.
[18]​  M.Y. B. Khoshnevisan, Sh. Rafiee, M. Omid.(2013). Prediction of environmental indices of Iran wheat production using artificial neural networks. Int. J. Energy Environ. 4 . 339–348.
[19]​  M. Azadbakht, H. Aghili, A. Ziaratban, M.V. Torshizi.(2017). Application of artificial neural network method to exergy and energy analyses of fluidized bed dryer for potato cubes. Energy. 120 . 947–958. doi:10.1016/j.energy.2016.12.006.
[20]​  M. Azadbakht, M.V. Torshizi, F. Noshad, A. Rokhbin.(2018). Application of artificial neural network method for prediction of osmotic pretreatment based on the energy and exergy analyses in microwave drying of orange slices. Energy. 165.  836–845. doi:10.1016/j.energy.2018.10.017.
[21]​  M. Azadbakht, M.V. Torshizi, A. Ziaratban.(2016). Application of Artificial Neural Network ( ANN ) in predicting mechanical properties of canola stem under shear loading. Agric. Eng. Int. 18 . 413–425.
[22]​  M. Azadbakht, M. Vehedi Torshizi, H. Aghili, A. Ziaratban.(2018).Application of artificial neural network (ann) in drying kinetics analysis for potato cubes. Carpathian J. Food Sci. Technol. 10 .96–106. https://www.cabdirect.org/cabdirect/abstract/19981100164.