مدل سازی اثر فراصوت بر ویسکوزیته، ضریب قوام و شاخص رفتار جریان غلظت های مختلف صمغ گزانتان
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 72
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_FSCT-21-146_012
تاریخ نمایه سازی: 19 اسفند 1402
Abstract:
استفاده از امواج فراصوت برای تغییر ساختار صمغ ها، منجر به اصلاح و بهبود ویژگی های عملکردی و خواص رئولوژیکی آنها می شود. در این پژوهش اثرات شدت فراصوت و زمان تیماردهی بر ویسکوزیته ظاهری، ضریب قوام و شاخص رفتار جریان غلظت های مختلف صمغ گزانتان بررسی و مدل سازی شد. برای مدل سازی فرآیند نیز از روش الگوریتم ژنتیک- شبکه عصبی مصنوعی با سه ورودی (توان فراصوت، زمان تیماردهی و غلظت صمغ) و سه خروجی (ویسکوزیته، ضریب قوام و شاخص رفتار جریان) استفاده گردید. ویسکوزیته ظاهری نمونه شاهد صمغ گزانتان (تیمار نشده) با غلظت های ۱/۰، ۱۵/۰ و ۲/۰ درصد به ترتیب برابر ۰/۲۱، ۹/۳۹ و ۵/۶۶ میلی پاسکال ثانیه بود. نتایج این پژوهش نشان داد که با افزایش شدت و زمان اعمال فراصوت، ویسکوزیته صمغ کاهش می یابد. تیماردهی با امواج فراصوت به مدت ۲۰ دقیقه باعث کاهش معنی دار ویسکوزیته ظاهری صمغ گزانتان از ۹/۳۹ به ۲/۲۳ میلی پاسکال ثانیه گردید (۰۵/۰>p). نتایج مدل سازی به روش الگوریتم ژنتیک- شبکه عصبی مصنوعی نشان داد شبکه ای با ساختار ۳-۵-۳ در یک لایه پنهان و با استفاده از تابع فعال سازی تانژانت هیپربولیک می تواند پارامترهای رئولوژیکی صمغ گزانتان را با ضریب همبستگی بالا و مقدار خطا پایین پیش بینی نماید. مقادیر میانگین مربعات خطا (MSE)، میانگین مربعات خطا نرمالیزه شده (NMSE)، میانگین خطا مطلق (MAE) و ضریب همبستگی (r) برای پیش بینی ویسکوزیته ظاهری صمغ گزانتان به ترتیب برابر ۱۷/۷۳، ۲۰/۰، ۴۸/۶ و ۹۰/۰ بود. بر اساس نتایج آزمون آنالیز حساسیت، شدت تیماردهی با فراصوت به عنوان موثرترین عوامل در تغییر ویسکوزیته ظاهری، ضریب قوام و شاخص رفتار جریان صمغ گزانتان بود.
Keywords:
Apparent viscosity , Genetic algorithm-artificial neural network , Hyperbolic tangent , Sensitivity analysis. , آنالیز حساسیت , الگوریتم ژنتیک- شبکه عصبی مصنوعی , تانژانت هیپربولیک , ویسکوزیته
Authors
Fakhreddin Salehi
Associate Professor, Department of Food Science and Technology, Bu-Ali Sina University, Hamedan, Iran
Moein Inanloodoghouz
MSc Student, Department of Food Science and Technology, Bu-Ali Sina University, Hamedan, Iran
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 :