توسعه ساختارهای چندلایه میکرو و نانوکپسول و ارزیابی رفتار نفوذ و رهایش بر اساس تحلیل داده های تجربی و شبیه سازی پیشرفته با شبکه های عصبی کانولوشنی (CNN) برای مکمل های غذایی و نوشیدنی های عملکردی

این پژوهش عمیق به توسعه و بهینه سازی ساختارهای هیبریدی چندلایه میکرو و نانوکپسولی می پردازد که قابلیت کنترل دقیق و هدفمند سینماتیک نفوذ و رهایش ترکیبات زیست فعال با حساسیت بالا به مولفه های فیزیکوشیمیایی محیط پیرامونی از جمله دما، رطوبت نسبی، Ph و پتانسیل الکتروشیمیایی را دارا می باشند. در این راستا با بهره گیری از چارچوب های پیشرفته یادگیری عمیق و به خصوص ساختار شبکه های عصبی کانولوشنی چند طبقه، داده های آزمایشگاهی با تفکیک زمانی و مکانی بالا مدل سازی شده اند تا الگوهای نانومورفولوژیکی اثرگذار بر نفوذ مولکولی در هریک از لایه های کپسول، به صورت کمی و کیفی استخراج شوند. فرآیند آموزش شبکه عصبی با اعمال تکنیک های تنظیم ابرپارامترهای بهینه شده شامل نرخ یادگیری تطبیقی، قابلیت های کاهش بیش برازش با مکانیزم dropout و وزن دهی هوشمند لایه ها به گونه ای طراحی شده است که دقت بالای پیش بینی رفتار دینامیکی رهایش ترکیبات زیست فعال را تضمین نماید. نتایج محاسباتی حاکی از انطباق آماری بارز میان داده های مدل شده با داده های تجربی و سنجش نتایج با شاخص های بنیادین خطاگیری مانند ریشه میانگین مربعات و تحلیل حساسیت چند معیاره پارامترهای فرایندی است که امکان مدیریت توزیع فضایی-زمانی نرخ انتشار و توزیع احتمالاتی ترکیبات فعال در هر لایه را فراهم می آورد. این رویکرد میان رشته ای تلفیقی از فناوری نانومواد، شیمی پلیمر و یادگیری ماشین قابلیت طراحی ساختارهای نانویی تعاملی سفارشی سازی شده را به منظور تامین الزامات اتوفارماکولوژیکی، پایداری زیستی و پایایی محیطی داراست. همچنین فناوری ارائه شده ضمن افزایش طول عمر زیستی ترکیبات حساس و کاهش هزینه های تولید، بستر نوآورانه ای برای نسل جدید صنایع غذایی عملکردی هوشمند با قابلیت کنترل دقیق در سیستم های تحویل مواد زیست فعال فراهم می سازد که نقطه عطفی در مهندسی صنایع غذایی پیشرفته قلمداد می شود.

Keywords:

نانوکپسولاسیون چندلایه , شبکه عصبی کانولوشنی , سینماتیک نفوذ , رهایش کنترل شده , پلیمرهای زیست تخریب پذیر , مکمل های غذایی , نوشیدنی های عملکردی , مدل سازی یادگیری عمیق