خلاصة:
مقدمه: دانه سویا به عنوان یک منبع غنی از ترکیبات مغذی ضروری همچون پروتئینها، روغنها و ترکیبات زیست فعال شناخته میشود و دانه سویا این قابلیت را دارد که به عنوان یک اسنک و مغز برشته شده استفاده شود، اما وجود محدودیتهای مثل طعم سویا، بافت سخت و طعم لوبیای گس مانند منجر به کاهش مصرف این منبع غنی گشته است، بنابراین برای بهبود و افزایش مصرف دانه سویا، باید این محدودیتها برطرف گردد. برشته کردن میتواند منجر به ایجاد یک طعم مطلوب بدون هیچ گونه طعم لوبیایی و تلخ شود و به طور معنیداری باعث افزایش طعم، رنگ و بهبود بافت دانه سویا گردد.
مواد و روشها: برای این مطالعه برشته کن مادون قرمز طراحی و ساخته شد و نمونه آماده شده دانه سویا (فرآوری شده) با توجه به شرایط آزمایش برشته شد. در این بررسی، مدل شبکه عصبی مصنوعی برای مدلسازی سینتیک کاهش رطوبت در اسنک سویا در طول برشته کردن با استفاده از سامانه مادون قرمز توسعه داده شد. برای این منظور، توان لامپ مادون قرمز (250، 350 و 450 وات)، فاصله سطح لامپ از نمونه (4، 7 و 10 سانتیمتر) و زمان برشته کردن (25 دقیقه) به عنوان ورودی در نظر گرفته شد و مقدار نسبت رطوبت (MR) به عنوان خروجی تخمین زده شد. علاوه بر این سه مدل ریاضی مختلف برای برازش دادهها مورد استفاده قرار گرفت و در نهایت دادههای برازش شده این سه مدل ریاضی با دادههای برازش شده مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت.
یافتهها: براساس نتایج حاصل از به کارگیری شبکه عصبی مصنوعی، مدل شبکه عصبی مصنوعی برای دادههای نسبت رطوبت با یک لایه مخفی، تابع انتقال سیگموئید، قاعده یادگیری لیونبرگ مارکوآرت و تعداد 4 نرون، با 55 درصد برای زیر گروه آموزشی و 25 و20 درصد به ترتیب برای هر یک از زیر گروههای ارزیابی و آزمایشی بهترین برازش را به همراه داشت. ضریب تبین و ریشه متوسط مربع خطای دادهها بدست آمده برای مدل شبکه عصبی مصنوعی به ترتیب 9992/0 و 01099/0 و برای بهترین مدل ریاضی به ترتیب 9776/0 و 02758/0 بود.
نتیجهگیری: این استنتاج وجود دارد که مدل شبکه عصبی مصنوعی به مراتب بهتر از مدلهای ریاضی میتواند نسبت رطوبت را در اسنک سویا طی فرایندبرشته شدن مورد برازش قرار دهد.