مدل‌سازی خصوصیات فیزیکوشیمیایی برش‌های بادمجان پوشش داده‌شده با صمغ دانه ریحان طی فرآیند سرخ‌کردن مقاله

مقدمه: محصولات غذایی سرخ‌شده با توجه به ویژگی‌های منحصربه‌فرد مانند رنگ، بو، طعم و بافت مطلوب بسیار مورد توجه می‌باشند. کنترل شرایط سرخ کردن و استفاده از پوشش‌های هیدروکلوئیدی خوراکی (صمغ‌ها) یکی از روش‌های مناسب برای کاهش جذب روغن، حفظ رطوبت و بهبود خصوصیات ظاهری مواد غذایی سرخ‌شده است. مواد و روش‌ها: در این پژوهش از غلظت‌های مختلف صمغ دانه ریحان (0/0، 0. 5، 1 و 1. 5 درصد وزنی/وزنی) جهت پوشش‌دهی برش‌های بادمجان هنگام سرخ شدن عمیق در دماهای 150، 175 و 200 درجه سلسیوس استفاده گردید و رابطه بین پارامترهای فرآیند و خصوصیات محصول نهایی به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی مدل‌سازی گردید. یافته‌ها: نتایج این پژوهش نشان داد که پوشش‌دهی با صمغ دانه ریحان باعث کاهش جذب روغن محصول نهایی شد. پیش تیمار پوشش‌دهی باعث حفظ رطوبت محصول نهایی شد و رطوبت نمونه پوشش داده‌شده با 5/1 درصد صمغ از سایر نمونه‌ها بیشتر بود (64. 05%). این فرآیند توسط روش الگوریتم ژنتیک- شبکه عصبی مصنوعی با 2 ورودی شامل غلظت صمغ دانه ریحان و دمای سرخ‌کن و 5 خروجی شامل درصد روغن، مقدار رطوبت و سه شاخص اصلی رنگی (زردی (b*)، قرمزی (a*) و روشنایی (L*)) مدل‌سازی شد. نتایج مدل‌سازی نشان داد شبکه‌ای با تعداد 4 نرون در یک لایه پنهان و با استفاده از تابع فعال‌سازی تانژانت هیپربولیک می‌تواند خصوصیات فیزیکوشیمیایی برش‌های سرخ‌شده بادمجان را پیش‌بینی نماید. نتیجه‌گیری: پوشش حاوی 1. 5 درصد صمغ دانه ریحان باعث حفظ رطوبت و کاهش جذب روغن توسط نمونه‌های سرخ‌شده گردید و این پوشش به‌عنوان پوشش خوراکی مناسب برای پوشش‌دهی برش‌های بادمجان قبل از فرآیند سرخ کردن، توصیه می‌شود. نتایج آزمون آنالیز حساسیت نشان داد که تغییر غلظت صمغ دانه ریحان بیشترین تاثیر را بر شاخص روشنایی و سپس بر روی مقدار روغن برش‌های بادمجان سرخ‌شده دارد. همچنین تغییر دمای سرخ‌کن نیز بیشترین تاثیر را بر شاخص روشنایی نمونه‌های سرخ‌شده داشت.

Introduction: Fried food products are very popular due to their unique characteristics such as color, smell, taste and desirable texture. Controlling frying conditions and using edible hydrocolloid coatings (gums) is one of the best methods to reduce the oil uptake, moisture retention, and improving the appearance properties of fried foods.Materials and Methods: In this study, different concentrations of basil seed gum (0.0, 0.5, 1 and 1.5% w/w) were used to coat the eggplant slices during deep-frying at 150, 175 and 200°C and the relationship between process parameters and the quality of final product were modeled by genetic algorithm-artificial neural network method.Results: The results of this study showed that coating with basil seed gum reduced the oil uptake of the final product. Coating pretreatment maintained the final product moisture and moisture content of the sample coated with 1.5% gum was higher than the other samples (64.05%). This process was modeled by genetic algorithm-artificial neural network method with 2 inputs that included basil seed gum concentration and frying temperature and 5 outputs that included oil percentage, moisture content, and three main color indexes (yellowness(b*), redness (a*), and lightness (L*)). The results of modeling showed that a network with 4 neurons in a hidden layer and using the hyperbolic tangent activation function can predict the physicochemical properties of fried eggplant slices.Conclusion: The coating containing 1.5% of basil seed gum retained moisture content and reduced oil absorption by the fried samples, and this coating is recommended as a suitable edible coating for coating of eggplant slices before the frying process. Sensitivity analysis results showed that the changes in the concentration of basil seed gum had the highest effect on the lightness index and then on the oil content of fried eggplant slices. The change of frying temperature also had the highest effect on the lightness index of fried samples.