پیش‌بینی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم نمونه های بادمجان طی فرایند سرخ کردن عمیق با استفاده از شبکه عصبی مصنوعی (ANN)

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 30، دوره 13، شماره 2 - شماره پیاپی 44، خرداد و تیر 1396، صفحه 333-345   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v1395i0.49966

نویسندگان

صفیه خلیلیان^{* 1}؛ امان محمد ضیایی فر¹؛ علی اصغری²؛ مهدی کاشانی نژاد¹؛ محبت محبی³

¹گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

²گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.

³گروه علوم و صنایع غذایی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.

چکیده

انتقال رطوبت و روغن بر توزیع دما در سیستم نقش داشته و باعث ایجاد شار حرارتی متغیر در فرایند می گردد. لذا در این پژوهش با استفاده از شبکه عصبی مصنوعی به بررسی و پیش بینی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم (رطوبت و روغن) طی فرایند سرخ کردن نمونه های بادمجان پرداخته شد. اثر پیش تیمار خشک کردن با هوای داغ در چهار سطح دمایی (40، 70، 100 و 130 درجه سانتی گراد) تا رسیدن به سطوح رطوبتی 12 و 5 گرم بر گرم ماده خشک، دماهای مختلف سرخ کردن (130، 150 و 170 درجه سانتی گراد) طی مدت زمان 6 دقیقه در فواصل زمانی یک دقیقه ای بر محتوی روغن و رطوبت برش های بادمجان طی فرایند سرخ کردن عمیق با سه بار تکرار مورد بررسی قرار گرفت. پروفیل های دمایی در سطوح بالا و پایین نمونه ها طی فرایند سرخ کردن عمیق با قرار دادن ترموکوپل نوع K نیز ثبت گردید. ارتباط بین ضریب انتقال حرارت سطحی وکینتیک های انتقال جرم نمونه های بادمجان، طی فرایند سرخ کردن عمیق با استفاده از تحلیل مولفه اصلی (PCA) نشان داد که داده های موجود در 3 ناحیه مختصاتی PC، متفاوت قرار داشتند. نتایج حاصل از بررسی ضرایب انتقال حرارت سطحی و کینتیک های انتقال جرم نمونه های بادمجان طی فرایند سرخ کردن عمیق با استفاده از شبکه عصبی مصنوعی پس انتشار با ساختار پرسپترون چند لایه (MLP)، حاکی از وجود یک رابطه پیچیده بین پارامترهای انتقال حرارت سطحی و جرم نمونه های بادمجان طی فرایند سرخ کردن عمیق بود. شبکه مورد استفاده شامل تابع سیگموئید در لایه مخفی و الگوریتم آموزش لونبرگ-مارکوارت (ML) با توپولوژی سه لایه 4-5-4 با ضریب تبیین (R2) 97/0 و متوسط مربع خطای (MSE) 0013/0، بهترین شبکه برای پیش‌بینی کینتیک های انتقال رطوبت، روغن و ضریب انتقال حرارت سطحی به دست آمد. با توجه به نتایج فوق می توان بیان نمود که این شبکه امکان دست یابی به دما و زمان سرخ کردن با کمترین مقادیر رطوبت و روغن در نمونه های بادمجان سرخ شده را در کمترین زمان ممکن فراهم می کند.

کلیدواژه‌ها

سرخ کردن؛ بادمجان؛ ضریب انتقال حرارت سطحی؛ انتقال جرم،؛ شبکه عصبی مصنوعی

مراجع

AOAC., 1995, Official methods of analysis. Washington, DC: Association of Official Analytical Chemists.

Ahromrit, A., & Nema, P. K., 2010, Heat and mass transfer in deep-frying of pumpkin, sweet potato and taro. Journal of Food Science and Technology, 47, 632-637.

Baumann, B. & Escher, E., 1995, Mass and heat transfer during deep fat frying of potato slices. Rate of drying and oil uptake. Lebensmittel-Wissenschaft und-Technologie, 28, 395–403.

Chen, S. D., Chen, H. H., Chao, Y.C. & Lin, R. S. 2009. Effect of batter formula on qualities of deep-fat and microwave fried fish nuggets. Journal of Food Engineering. 95, 359–364.

Datta, A. K., 2007, Porous media approaches to studying simultaneous heat and mass transfer in food processes. I: Problem formulations. Journal of Food Engineering, 80, 80-95.

FAO, 2011. Food and Agriculture Organization of the United Nations.

Farid, M. M. & Chen X. D., 1998, The analysis of heat and mass transfer during frying of food using a moving boundary solution procedure. Heat and Mass Transfer, 34, 69-77.

Farinu, A. & Baik, O.-D., 2008, Convective mass transfer coefficients in finite element simulations of deep fat frying of sweet potato. Journal of Food Engineering, 89,187-194.

Farkas, B. E., Singh R. P. & Rumsey T. R., 1996, Modeling heat and mass transfer in immersion frying. I, Model development. Journal of Food Engineering, 29, 211-226.

Farkas, B.E. & Hubbard, L.J., 2000, Analysis of convective heat and mass transfer during immersion frying, Drying Technology, 18, 1269-1285.

Fiszman, S. M., Salvador, A., & Sanz, T., 2005, Why, when and how hydrocolloids are employed in batter-coated food - A review. Progress in Food Biopolymer Research, 1, 55–68.

Hernandez. J. A. Perez, Garcia, M.A. Alvarado, Trystran, G. & Heyd, B., 2004, Neural networks for the heat transfer prediction during drying of cassava and mango. Journal of Innovative Food Science and Emerging Technologies,5, 57-64.

Ngadi, M. , Dirani, K. , & Oluka, S., 2006, Mass transfer characteristics of chicken nuggets. International Journal of Food Engineering, 2, 1–16.

Rumelhart, D. E., Hinton, G. E. & Williams, R. J., 1986, Learning internal representations by error propogation. Parallel data Processing,1, 318-362.

Sreekanth, S., Ramaswamy, H. S., Sablani, S. S., & Prasher, S. O.,1999, A neural network approach for evaluation of surface heat transfer coefficient,J. Food Process. Preserv. 23, 329-348.

Sablani, S. S.,2001, A neural network approach for non-iterative calculation of heat transfer coefficient in fluid-particle systems,Chem. Eng. Process., 40, 363–369.

Sahin, S., Sastry S.K. & Bayindirli L., 1999, The determination of convective heat transfer coefficient during frying. Journal of Food Engineering, 39, 307-311.

Saguy, I. S. & Pinthus, I. J., 1995, Oil uptake during deep-fat frying: factors and mechanisms. Food Technology, 49,142–145, 152.

Van Eck, J. & Snyder, A., 2006, Eggplant (Solanummelongena L.). Methods of Molecular Biology, 343, 439-47.

Vitrac, O., Dufour, D., Trystram, G., & Raoult-Wack, A. L., 2002, Characterization of heat and mass transfer during deep-fat frying and its effect on cassava chip quality. Journal of Food Engineering, 53, 161-176.