Application of artificial neural network to modeling the effect of calcium ascorbate on extending button mushroom shelf life

Document Type : Research Article


1 Assistant Professor, Department of Horticultural Sciences, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran

2 Assistant Professor, Department of Food Science and Technology, Bu-Ali Sina University, Hamedan, Iran

3 Graduated MSc Student, Department of Horticultural Sciences, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran


Calcium ascorbate is ascorbic acid buffered salt containing calcium and effective in maintaining the quality and reducing losses of agricultural products during post harvest storage. In this study, artificial neural network modeling was used to predicting the effect of calcium ascorbate on button mushroom shelf life. After treatment of calcium ascorbate at three concentrations (0, 0.4 and 0.8%), mushrooms were kept at 1±0.5°C and 90% relative humidity and then qualitative characteristics were evaluated during 0, 10, 15, 20 and 25 days storage. In order to predicting calcium ascorbate effects on button mushroom shelf life, multi-layer perceptron neural network with 2 input (calcium ascorbate concentration and shelf life time) and 14 outputs (weight loss, firmness, TSS, pH, L*, a*, b*, chroma, Hue angle, ΔE, browning index, vitamin C, total phenol and polyphenol oxidase activity) was used. The results showed that a networks with 8 neuron in a hidden layer and using sigmoid function and levenberg–marquardt optimization technique and 40%-20%-40% data for training/ testing/ validating process can be well predict the effect of calcium ascorbate on button mushroom shelf life with correlation coefficient equal 0.91. Results of sensitivity analysis by optimum neural network (2-8-14), was defined shelf life time as the most effective factor in predicting button mushroom attributes during post harvest storage.


Main Subjects

[1] حاتمی، م.؛ کلانتری، س.؛ دلشاد، م. (1391) اثر تیمار پس از برداشت آب گرم و شرایط دمای نگه‌داری بر میوه رسیده سبز گوجه فرنگی. علوم باغبانی ایران، دوره 43، شماره 2، ص123-113.
[2] Lagnika C., Zhang M., Nsor-Atindana J., Bashari M. (2012). Effects of ultrasound and chemical treatments on white mushroom (Agaricus bisporus) prior to modified atmosphere packaging in extending shelf-life. J. Food Sci. Tech., 23, 1–9.
[3] Silveira A.C., Aguayo E., Chisari M., Artes F. (2011). Calcium salts and heat treatment for quality retention of fresh-cut “Galia” melon. Postharvest Biol. Tech., 62, 77–84.
[4] Barbagallo R.N., Chisari M., Caputa G. (2012). Effects of calcium citrate and ascorbate as inhibitors of browning and softening in minimally processed 'Birgah' eggplants. Postharvest Biol. Tech., 73, 312-322.
[5] Fan X., Niemera B.A., Mettheis J.P., Zhuang H., Olson D.W. (2005). Quality of fresh-cut apples slices as affected by low-dose ionizing radiation and calcium ascorbate treatment. J. Food Sci., 70, 143–148.
[6] Aguayo E., Requejo-Jackman C., Stanley R., Woolf A. (2010). Effects of calcium ascorbate treatments and storage atmosphere on antioxidant activity and quality of fresh-cut apple slices. Postharvest Biol. Tech., 57, 52–60.
[7] الوندی، س.؛ سیاری، م. (1394) اثر آسکوربات کلسیم و تیمار دمایی بر افزایش عمر قفسه­ای قارچ دکمه‌ای. به زراعی کشاورزی، (پذیرش چاپ).
[8] Salehi F., Razavi S.M.A. (2012). Dynamic modeling of flux and total hydraulic resistance in nanofiltration treatment of regeneration waste brine using artificial neural network. Desalin. Water Treat., 41, 95-104.
[9] تبریزیان، ح.؛ غفوریان، ع.؛  حکم‌آبادی، ح. (1391) بررسی احتمال بروز تنش محیطی در گیاه پسته بر اساس داده‌های اقلیمی با استفاده از شبکه عصبی مصنوعی. چکیده پایان‌نامه کارشناسی ارشد،دانشکده کشاورزی و منابع طبیعی، دانشگاه گرمسار.
[10] رضایی، م.؛ روحانی، ع. (1392) مدل‌سازی و بهینه کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک. به زراعی کشاورزی، جلد 15، شماره 4، 64-53.
[11] حسینی، س.م.ط.؛ سی و سه مرده، ع.؛ فتحی، پ.؛ سی و سه مرده، م. (1386) کاربرد شبکه‌های عصبی مصنوعی و رگرسیون چند متغیره در برآورد عملکرد گندم دیم منطقه قروه استان کردستان. پژوهش کشاورزی، جلد 7، شماره 1،  54-41.
[12] مستوفی، ی.؛ نجفی، ف. (1384) روش­های آزمایشگاهی تجزیه­ای در علوم باغبانی. انتشارات دانشگاه تهران، ص 136-137.
[13] Tomas-Barberan F.A., Gil M.I., Cremin P., Waterhouse A.L., Hess-Pierce B., Kader A.L. (2001). HPLC-DAD-ESIMS analysis of phenolic compounds in nectarines, peaches and plums. J. Agr. Food Chem., 49, 4748–4760.
[14] Singleton V.L., Orthofer R., Lamuela-Raventos R.M. (1999). Analysis of total phenols and other oxidation substrates and antioxidants by means of Folin–Ciocalteu reagent. Method. Enzymol., 299, 152–178.
[15] Janovitz-klapp A.H., Richard F.C., Goupy P.M., Nicolas J.J. (1990). Inhibition studies on apple polyphenol oxidase. J. Agr. Food Chem., 38,926–931.
[16] Salehi F., Kashaninejad M. (2014). Effect of different drying methods on rheological and textural properties of Balangu seed gum. Drying Tech, 32(6), 720-727.
[17] Salehi F., Razavi S.M.A. (2016). Modeling of waste brine nanofiltration process using artificial neural network and adaptive neuro-fuzzy inference system. Desalin. Water Treat., 57 (31), 14369-14378.
[18] صالحی، ف.؛ کاشانی‌نژاد، م.؛ نجفی، ا.و.؛ اسدی، ف. (1394) مدل‌سازی سینتیک خشک‌کردن لایه‌نازک قارچ دکمه‌ای توسط هوای داغ با استفاده از الگوریتم ژنتیک- شبکه عصبی مصنوعی. نشریه پژوهش‌های صنایع غذایی، (پذیرش چاپ).
Volume 3, Issue 4
September 2016
Pages 27-34
  • Receive Date: 06 June 2016
  • Revise Date: 21 July 2016
  • Accept Date: 07 August 2016
  • First Publish Date: 22 August 2016