بررسی تغییرات سفتی و بافت میوه گلابی در بارگذاری نیروهای مختلف و دوره‌های متفاوت انبارداری با شبکه عصبی مصنوعی

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 4، دوره 15، شماره 6 - شماره پیاپی 60، بهمن و اسفند 1398، صفحه 113-132   

نوع مقاله: مقاله پژوهشی انگلیسی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v15i6.75049

نویسندگان

محمد واحدی ترشیزی؛ محسن آزادبخت^*

گروه مکانیک بیوسیستم دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

در این تحقیق به بررسی اثر نوع بارگذاری‌های دینامیکی و استاتیکی و دوره انبارداری بر میزان سفتی گلابی پرداخته شد. برای این کار ابتدا گلابی‌ها به سه گروه 27 تایی برای سه بارگذاری استاتیکی لبه نازک، استاتیکی لبه پهن و دینامیکی دسته‌بندی شده و بارگذاری شدند. هر یک از گروه‌های بارگذاری شده در سه دوره 5، 10 و 15 روزه انبار دار شده و بعد از هر دوره انبارداری با استفاده از آزمون غیرمخرب CT-Scan از تغییر بافت گلابی‌ها عکس‌برداری شد و سپس میزان سفتی بافت گلابی با استفاده از سفتی‌سنج اندازه‌گیری شد. همچنین داده‌ها با استفاده از دو شبکه مصنوعی MLP و RBF شبیه‌سازی و مورد بررسی قرارگرفت. نتایج نشان داد که با افزایش دوره انبارداری و میزان نیروی بارگذاری در هر سه نوع بارگذاری میزان سفتی به‌طور معنی داری (سطح 1%) کاهش یافت. همچنین بافت گلابی در بارگذاری دینامیکی به شدت نسبت به دوبارگذاری دیگر تخریب شده است. بهترین مقادیر شبکه عصبی مصنوعی برای فشار لبه پهن (12 نرون- RBF) (R2 Wide edge= 0.9738– RMSE Wide edge= 0.3419- MAE Wide edge= 0.268) و برای فشار لبه نازک(4 نرون -RBF) (R2Thin edge= 0.9946– RMSE Thin edge=0.170977- MAE Thin edge= 0.133) و در نهایت برای بارگذاری دینامیکی (8 نرون- RBF) (R2 Dynamic loading = 0.9933– RMSE Dynamic loading =0.230- MAE Dynamic loading=0.187) بوده است.

کلیدواژه‌ها

گلابی؛ سفتی؛ بارگذاری؛ انبار داری؛ شبکه عصبی؛ CT-Scan

مراجع

Afsharnia, F., Mehdizadeh, S. A., Ghaseminejad, M., & Heidari, M. (2017). The effect of dynamic loading on abrasion of mulberry fruit using digital image analysis. Information Processing in Agriculture, 4(4), Pages 291-299.

Azadbakht, M., Aghili, H., Ziaratban, A., & Vehedi Torshizi, M. (2017). Application of artificial neural network method to exergy and energy analyses of fluidized bed dryer for potato cubes. Energy, 120, 947–958.

Azadbakht, M., Torshizi, M. V., & Ziaratban, A. (2016). Application of Artificial Neural Network (ANN ) in predicting mechanical properties of canola stem under shear loading. Agricultural Engineering International: CIGR Journal, 18(5), 413–424.

B. Khoshnevisan, Sh. Rafiee, M. Omid, M. Y. (2013). Prediction of environmental indices of Iran wheat production using artificial neural networks. International Journal of Energy and Environment, 4(2), 339–348.

Diels, E., van Dael, M., Keresztes, J., Vanmaercke, S., Verboven, P., Nicolai, B., et al. (2017). Assessment of bruise volumes in apples using X-ray computed tomography. Postharvest Biology and Technology, 128, 24–32.

Jahangiri, M., Hassan-Beygi, S. R., Aboonajmi, M., & Lotfi, M. (2016). Effects of storage duration and conditions on mechanical properties of viola cucumber fruit under compression loading. Agricultural Engineering International: CIGR Journal, 18(2), 323–332.

Khalifa, S., Komarizadeh, M. H., & Tousi, B. (2011). Usage of fruit response to both force and forced vibration applied to assess fruit firmnessa review. Australian Journal of Crop Science, 5(5), 516–522.

Leśniak, A., & Juszczyk, M. (2018). Prediction of site overhead costs with the use of artificial neural network based model. Archives of Civil and Mechanical Engineering, 18(3), 973–982.

Mazidi, M., Sadrnia, H., & Khojastehpour, M. (2016). Evaluation of orange mechanical damage during packaging by study of changes in firmness. International Food Research Journal, 23(2), 899–903.

Mirzaee, E., Rafiee, S., Keyhani, A., & Djom-Eh, Z. E. (2009). Physical properties of apricot to characterize best post harvesting options. Australian Journal of Crop Science, 3(2), 95–100.

Moggia, C., Graell, J., Lara, I., Gonzalez, G., & Lobos, G. A. (2017). Firmness at Harvest Impacts Postharvest Fruit Softening and Internal Browning Development in Mechanically Damaged and Non-damaged Highbush Blueberries (Vaccinium corymbosum L.). Frontiers in Plant Science, 8(April), 1–11.

Moggia, C., Graell, J., Lara, I., Schmeda-Hirschmann, G., Thomas-Valdes, S., & Lobos, G. A. (2016). Fruit characteristics and cuticle triterpenes as related to postharvest quality of highbush blueberries. Scientia Horticulturae, 211, 449–457.

Montero, C. R. S., Schwarz, L. L., Santos, L. C. dos, Andreazza, C. S., Kechinski, C. P., & Bender, R. J. (2009). Postharvest mechanical damage affects fruit quality of “Montenegrina” and “Rainha” tangerines. Pesquisa Agropecuaria Brasileira, 44(12), 1636–1640.

Read, S. J., Droutman, V., Smith, B. J., & Miller, L. C. (2017). Using neural networks as models of personality process: A tutorial. Personality and Individual Differences, 136,52-67.

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 networks. Desalination and Water Treatment, 41(1-3), 95–104.

Soleimanzadeh, B., Hemati, L., Yolmeh, M., & Salehi, F. (2015). GA-ANN and ANFIS models and salmonella enteritidis inactivation by ultrasound. Journal of Food Safety, 35(2), 220–226.

Taheri-Garavand, A., Karimi, F., Karimi, M., Lotfi, V., & Khoobbakht, G. (2018). Hybrid response surface methodology–artificial neural network optimization of drying process of banana slices in a forced convective dryer. Food Science and Technology International, 24(4), 277–291.

Tavarini, S., Degl’Innocenti, E., Remorini, D., Massai, R., & Guidi, L. (2008). Antioxidant capacity, ascorbic acid, total phenols and carotenoids changes during harvest and after storage of Hayward kiwifruit. Food Chemistry, 107(1), 282–288.

Yan, Y., Zhang, X., Zheng, X., Apaliya, M. T., Yang, Q., Zhao, L., et al. (2018). Control of postharvest blue mold decay in pears by Meyerozyma guilliermondii and it’s effects on the protein expression profile of pears. Postharvest Biology and Technology, 136(October 2017), 124–131.

Zhang, H., Wu, J., Zhao, Z., & Wang, Z. (2018). Nondestructive firmness measurement of differently shaped pears with a dual-frequency index based on acoustic vibration. Postharvest Biology and Technology, 138, 11–18.

Zhang, W., Cui, D., & Ying, Y. (2014). Nondestructive measurement of pear texture by acoustic vibration method. Postharvest Biology and Technology, 96, 99–105.