بررسی کارایی شبکه های عصبی مصنوعی در پیش بینی تاثیر غلظت پلیمر و ولتاژ فرایند الکتروپاشش بر ویژگی های فیزیکی ذرات

با توجه به حساسیت ترکیبات زیست فعال، به تازگی استفاده از روش نوین پاشش الکتروهیدرودینامیکی جهت ریزپوشانی این ترکیبات پیشنهاد شده است. پارامترهای موثر بر اندازه و مورفولوژی ذرات تولیدی به دلیل تاثیری که بر حفاظت ترکیبات زیست فعال و رهایش کنترل شده آن ها در مکان و زمان مناسب دارند، از اهمیت فراوانی برخوردار هستند. از این رو در مطالعه حاضر ابتدا اثرات میزان غلظت کنسانتره پروتیین آب پنیر، صمغ عربی، شیر خشک و ولتاژ روی برخی از ویژگی های فیزیکی محلول پلیمری و اندازه ذرات تولیدی به روش پاشش الکتروهیدرودینامیکی تعیین شد و سپس توسط مدل شبکه عصبی مصنوعی پرسپترون چند لایه و شبکه با تابع پایه شعاعی شبیه سازی گردید. این دو مدل همراه با توابع آستانه مختلف در پیش بینی مقادیر ویسکوزیته، کشش سطحی، هدایت الکتریکی محلول پلیمری و اندازه کپسول های تولیدی مورد استفاده قرار گرفتند. نتایج نشان داد که مدل شبکه پرسپترون چند لایه متشکل از چیدمانی با پنج ورودی و یک لایه مخفی حاوی 4 نرون با تابع فعال سازی تانژانت هیپربولیک که با استفاده از الگوریتم یادگیری لونبرگ-مارکوارت و تعداد تکرار 1000 آموزش دیده بود، بهترین نتیجه را برای پیش بینی این ویژگی ها در مقایسه با شبکه تابع پایه شعاعی به دست داد. ضرایب تبیین اندازه ذرات تولیدی، ویسکوزیته، کشش سطحی و هدایت الکتریکی محلول به ترتیب برابر با 0/958، 0/991، 0/996 و 0/967 بودند. آنالیز حساسیت مقادیر پیش بینی شده توسط شبکه عصبی پرسپترون چند لایه در برابر مقادیر تجربی حاکی از قرار گرفتن داده ها به طور تصادفی در اطراف خط رگرسیونی با ضریب تبیین بالا بود که دلیلی بر دقت بالای شبکه عصبی در پیش بینی داده های خروجی می باشد. شایان ذکر است که اندازه ذرات تولیدی، ویسکوزیته و هدایت الکتریکی محلول پلیمری با بالا رفتن غلظت پلیمرهای به کار رفته افزایش یافت و تمامی سطوح اختلاف آماری معنی دار (p<0/05) داشتند. نتایج به دست آمده در این مطالعه، به منظور پیش بینی اثرات عوامل اشاره شده بر ویژگی های فیزیکی محلول هیدروکلوییدی و ذرات تولیدی در جهت انتخاب مناسب ترین ترکیب دیواره، با در نظر داشتن هدف از ریزپوشانی ترکیب زیست فعال، اهمیت کاربردی دارند.

Keywords:

پاشش الکتروهیدرودینامیکی , شبکه عصبی , مدل پرسپترون چند لایه , مدل تابع پایه شعاعی , ویژگی های فیزیکی