Mohsen Zandi - Department Food Science and Engineering, Faculty of Agriculture, University of Zanjan
Ali Ganjloo - Department Food Science and Engineering, Faculty of Agriculture, University of Zanjan
Mandana Bimakr - Department Food Science and Engineering, Faculty of Agriculture, University of Zanjan

در این پژوهش، تاثیر متغیرهای مختلف فرایند تقطیر مقاومتی شامل گرادیان ولتاژ (۵، ۱۵ و ۲۵ ولت بر سانتی متر)، زمان استخراج (۳۰، ۷۵ و ۱۲۰ دقیقه) و غلظت نمک کلرید سدیم (۵/۰، ۱ و ۵/۱ درصد) بر عملکرد استخراج، مصرف انرژی و محتوای فنول کل اسانس بیدمشک مورد بررسی قرار گرفت و با روش تقطیر آبی مقایسه شد. در نهایت از مدل سازی شبکه عصبی مصنوعی برای پیش بینی سینتیک استخراج اسانس استفاده شد. نتایج نشان داد که بازده استخراج، مصرف انرژی و محتوای فنول کل به طور معنی داری تحت تاثیر متغیرهای زمان استخراج و گرادیان ولتاژ می باشد (۰۵/۰>p). بازده اسانس به دست آمده توسط روش های تقطیر مقاومتی و تقطیر آبی به ترتیب برابر ۰۱۲/۰±۱۱۹/۰ و ۰۱/۰±۰۸۱/۰ بود. بین وزن مخصوص، ضریب شکست و محتوای فنول کل اسانس حاصل از روش های تقطیر مقاومتی و تقطیر آبی تفاوت معنی داری وجود نداشت (۰۵/۰˃p)، با این حال IC۵۰ اسانس استخراج شده توسط روش تقطیر مقاومتی به طور معنی داری (۰۵/۰>p) بالاتر از اسانس بدست آمده با روش تقطیر آبی بود. در طراحی مدل شبکه عصبی مصنوعی گرادیان ولتاژ، زمان استخراج و غلظت نمک به عنوان ورودی در نظر گرفته شد و بازده استخراج اسانس به عنوان خروجی مدل پیش بینی گردید. نتایج نشان داد که بهترین عملکرد پیش بینی مربوط به پیکربندی ۳-۹-۸-۱ بود (۰۳۶/۰RMSE= و ۹۹/۰R۲=). بنابراین، می توان نتیجه گرفت که روش تقطیر مقاومتی برای استخراج اسانس قابل استفاده است و مدل شبکه عصبی مصنوعی یک ابزار کمی کارآمد در پیش بینی سینتیک استخراج اسانس است.

Salix aegyptiaca L., Ohmic assisted hydrodistillation, Artificial neural network, Extraction yield., بیدمشک, تقطیر مقاومتی, شبکه عصبی مصنوعی, بازده استخراج.