مدل سازی راندمان انکپسولاسیون و پایداری کورکومین موجود در پیکرینگ امولسیون سلولز با استفاده از الگوریتم های شبکه عصبی مصنوعی (ANN) و درخت طبقه بندی و رگرسیون (CART)
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 109
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FSCT-20-136_004
تاریخ نمایه سازی: 30 آبان 1402
Abstract:
پایداری کورکومین و راندمان انکپسولاسیون آن در امولسیون از جمله مهمترین فاکتورهای تعیین کننده زیست دسترس پذیری و جذب آن در بدن است. به این منظور در پژوهش حاضر پارامترهای موثر بر این دو فاکتور شامل زمان، pH و غلظت سلولز به عنوان متغیرهای ورودی و پایداری کورکومین و راندمان انکپسولاسیون به عنوان متغیر پاسخ در شبکه عصبی مصنوعی و الگوریتم درخت تصمیم استفاده شد. در این راستا نانوکریستال سلولز حاصل از هیدرولیز اسیدی برای تهیه پیکرینگ امولسیون کورکومین با نسبت روغن:آب ۹۵:۵ و غلظت سلولز ۱، ۵/۱، ۲، ۵/۲، و ۳ درصد وزنی/حجمی استفاده شد و راندمان انکپسولاسیون روغن حاوی کورکومین و پایداری آن در طول ۸ روز اندازه گیری شد. نتایج نشان داد که با افزایش غلظت سلولز راندمان انکپسولاسیون به صورت معنی داری افزایش یافته و همچنین راندمان انکپسولاسیون در pH ۷ بالاتر از pH ۲ بود (۰۵/۰p≤). کورکومین موجود در امولسیون های تهیه شده در pH ۲ در طول نگهداری به شدت کاهش یافت این درحالی بود که میزان کورکومین موجود در امولسیون های با pH ۷ در طول ۸ روز نگهداری به خوبی پایدار بود. مدل سازی برای دو پارامتر پایداری کورکومین و راندمان انکپسولاسیون با آماره های R۲ و RMSE% به ترتیب نشان داد ۱-۶- ۳ MLP (۰۰/۱۰RMSE%= و ۹۹/۰ R۲=) و ۱-۶-۲ RBF (۹۹/۹RMSE%= و ۹۹/۰ R۲=) دارای دقت بالاتری است. در نهایت نتایج نشان داد استفاده از الگوریتم شبکه عصبی مصنوعی نسبت به درخت تصمیم برای پیشبینی این دو پارامتر عملکرد بهتری داشت.
Keywords:
Artificial neural network (ANN) , Cellulose , Classification and regression tree (CART) , Curcumin , Decision tree , Pickering emulsion , پیکرینگ امولسیون , درخت تصمیم , سلولز , شبکه عصبی مصنوعی , کورکومین
Authors
hoda fahim
PhD student, Department of Food Science and Technology, Sari Agricultural Sciences and Natural Resources University, Sari, Mazandaran, Iran
Ali Motamedzadegan
professor, department of Food Science and Technology, Sari Agricultural Sciences and Natural Resources University
Reza Farahmandfara
Department of Food Science and Technology, Sari Agricultural Sciences and Natural Resources University, Sari, Mazandaran
Nader Ghaffari Khaligh
Nanotechnology and Catalysis Research Center, Institute for Advanced Studies (IAS), University of Malaya, Kuala Lumpur, Malaysia
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :