دانلود مقاله استفاده از شبکه های عصبی مصنوعی جهت مدل سازی فرآیند سرخ کردن مواد غذایی

دانلود مقاله استفاده از شبکه های عصبی مصنوعی جهت مدل سازی فرآیند سرخ کردن مواد غذایی (docx) 9 صفحه

دسته بندی : تحقیق

نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )

تعداد صفحات: 9 صفحه

قسمتی از متن Word (.docx) :

استفاده از شبکه های عصبی مصنوعی جهت مدل سازی فرآیند سرخ کردن مواد غذایی چکیده وجود جریان های انتقال جرم طی فرآیند سرخ کردن مواد غذایی یکی از اساسی ترین مشکلات مدلسازی سینتیک (میزان جذب روغن و خروج آب) در این نوع فرآیندها می باشد. شبکه های عصبی مصنوعی توانایی بالا یی در مدل سازی فرآیندهای پیچیده از جمله فرآیندهای پیچیده صنایع غذایی دارند . لذا در این پژوهش کارا یی روش شبکه عصبی مصنوعی به عنوان یک روش با پتانسیل بالا برای مدلسازی سینتیک انتقال جرم در فرآیندهای سرخ کردن مواد غذایی مورد بررسی قرار گرفته است. توانایی پیشگویی یک شبکه عصبی به توپولوژی آن وابستگی کامل دارد. از شبکه های عصبی مصنوعی برای مدل سازی فرآیندهای سرخ کردن مواد غذایی استفاده شده است. نتایج نشان می دهد که یک توپولوژی مناسب از شبکه عصبی دارای تعداد لایه و نرون مناسب، توانایی تطابق بالا با داده های آزمایش را داشته و قادر به پیشگویی مقدار جذب روغن و خروج آب در طی سرخ کردن مواد غذایی با ضریب همبستگی بالا را دارا می باشد. کلید واژه: سرخ کردن، شبکه های عصبی، نرون، الگوریتم ، مدلسازی. mariye.abtahi@yahoo.com× -ٌ 2- habibmirzaei@yahoo. ca ٌ- مقدمه امروزه با توجه به کمبود زمان، استفاده از فست فود ها و غذاهای آماده و سرخ کردنی گسترش زیادی پیدا کرده است. شکلی که مواد غذایی به آن صورت مصرف می شوند تاثیر مهمی بر کیفیت تغذیه ای محصولات غذایی دارد. در مورد تولید محصولاتی که به صورت عمیق سرخ می شوند باید هم سلامت مصرف کننده و هم جنبه های ظاهری و حسی مطلوب را برای مصرف کننده در نظر گرفت ( ٌ). لذا نیاز روز افزون برای تولید محصولات کم چربی بطور اساسی افزایش یافته است. روشهای متعددی برای تولید محصولات سرخ شده با چربی کم وجود دارد که یکی از این روشها استفاده از مواد پوشش دهنده می باشد، پوشش های خوراکی به عنوان سدهایی در مقابل جذب رطوبت، گاز و روغن عمل می کنند ( ٍ). سرخ کردن عمیق، به صورت یک فرایند انتقال جرم و حرارت بطور همزمان می باشد که گرما از روغن به ماده غذایی منتقل می شود، آب از ماده غذایی تبخیر شده و روغن به داخل آن جذب می شود. فاکتورهایی که بر انتقال جرم و گرما تاثیر می گذارند عبارتند از خصوصیات حرارتی و فیزیکو شیمیایی ماده غذایی و روغن، شکل هندسی ماده غذایی، درجه حرارت روغن و نیز نوع پیش- تیمارهایی که قبل از فرایند سرخ کردن اعمال می شود. دمای روغن و زمان فرایند فاکتورهای بحرانی هستند که بر خصوصیات کیفی محصول تاثیر می گذارند ( َ). در تحقیقات زیادی پوشش های خوراکی به عنوان عامل کاهش دهنده جذب روغن و ایجاد محدودیت در حین سرخ کردن مورد بررسی قرار گرفته اند، از این رو تولید محصولاتی با رطوبت بیشتر و روغن کمتر را ممکن می سازند ( ُ). استفاده از پوشش قبل از سرخ کردن یک لایه یک شکل و یکنواخت را در اطراف ماده غذایی ایجاد می کند، علاوه بر این عطر و طعم ماده غذایی را بهبود می بخشد. توانایی این پوشش ها در محدود کردن انتقال رطوبت احتمالا باعث می شود که محصولات سرخ شده تردی خود را با ممانعت از انتقال رطوبت از داخل ماده غذایی به پوسته و یا جذب رطوبت از محیط به داخل پوسته حفظ کنند ( ُ). سیستم های پوششی را می توان به دو دسته تقسیم کرد: ٌ - پوشش های چسبنده ٍ- پوشش های پف کننده. پوشش های چسبنده معمولا با روکش استفاده می شوند و به عنوان یک لایه چسبنده بین سطح محصول و روکش مورد استفاده قرار می گیرند. پوشش های پف کننده از آرد گندم، آرد ذرت و یک عامل پوک کننده به عنوان یک افزودنی حساس تشکیل می شوند که سایر آردها، نشاسته ها، صمغ ها و طعم دهنده ها هم می توانند به عنوان افزودنی اختیاری به این پوشش ها افزوده شوند ( ِ). با و جود اینکه مصرف چربی اضافی عامل اصلی کلسترول بالای خون، فشار خون بالا و بیماری های قلبی و عروقی شناخته شده است اما هنوز هم مصرف محصولات سرخ شده بسیار رایج می باشند ( ّ). از این رو این مطالعه در جهت کاهش چربی محصولات سرخ شده و یا جایگزین کردن آن در محصولات حائز اهمیت می باشد. الهام از طبیعت و سیستم های زنده در حل مسائل مختلف همواره به عنوان یک ایده اساسی مورد توجه بشر قرار داشته است. تلاش های اولیه به منظور مدلسازی مغز و شبکه عصبی انسان منجر به ارایه مدل هایی برای عملکرد یک واحد پردازش مغز یعنی نرون شده است. تا کنون محققان و دانشمندان با استفاده از ساختار بیولوژیکی شبکه های عصبی ساختارهای گوناگونی را برای شبکه های عصبی مصنوعی طراحی نموده اند که همگی سعی در شبیه سازی ساختار شبکه های عصبی بیولوژیک دارند. توسعه شبکه های عصبی مصنوعی حدود ًِ سال پیش آغاز شد که محرک پیدایش آنها را می توان آشنایی با ساختار و عملکرد مغز به همراه شبیه سازی آن جهت استفاده از قدرت بالای مغز در کاربردهای مختلف دانست. یک شبکه عصبی مصنوعی از ترکیب واحدهایی به نام نرون تشکیل شده است. ورودی این نرون در وزن ها ضرب شده و سپس با یک عدد ثابت که بایاس نامیده می شود جمع می گردد، نتیجه نیز از یک تابع غیر خطی عبور می کند تا خروجی ساخته شود. تعداد نرون های لایه مخفی یک شبکه عصبی تاثیر بسزایی در عملکرد آن دارد. انتخاب تعداد نرون ها در واقع مصالحه ای بین همگرایی و قابلیت تعمیم شبکه می باشد. الگوریتم تعیین وزن ها و بایاس ها در شبکه همراه با دو مرحله نرمالیزه کردن و عکس نرمالیزه کردن می باشد. نرمالیزه کردن داده های ورودی و خروجی یک شبکه باعث افزایش همگرایی شبکه و کاهش خطای آن می شود. شبکه های عصبی قادر به مدل سازی سیستم های غیر خطی و پیچیده با تعداد زیادی داده ورودی و خروجی می باشند. توانایی پیشگویی یک شبکه عصبی به ساختار آن وابستگی کامل دارد (نوع تابع انتقال، تعداد لایه ها و تعداد نرون های لایه پنهان)تخمین. تعداد نرون های لایه پنهان عموماً به وسیله آزمون و خطا انجام می شود که وقت گیر بوده و دارای خطا می باشد. تعداد نرون های لایه پنهان وابسته به کاربرد شبکه و شرایط تعیین پارامترهای شبکه داد. لذا روش های اپتیمم سازی از قبیل الگوریتم ژنتیک در جهت غلبه بر این مشکل ذاتی شبکه های عصبی مورد استفاده قرار گیرند. الگوریتم ژنتیک الهام گرفته از طبیعت است و تکامل طبیعت با فرضیه داروین، اساس شکل گیری آن می باشد که در آن بهترین ها حق بقا دارند. مفاهیم اصلی GA شامل عملگرهای سه گانه انتخاب، آمیزش و جهش که در مورد سیستمهای مصنوعی بکار می روند می باشد. در فرآیند تکثیر، کروموزوم هایی با شایستگی بالا شانس تکرار بیشتر در جمعیت منتخب را پیدا می کنند که این کار توسط فرآیند انتخاب صورت می پذیرد. بدین منظور روشهای متنوعی مطرح شده است و روش چرخ گردان معروف ترین آنهاست. همچنین از انتخاب نخبه گرا نیز استفاده شده که در هر نسل تعدادی از برازنده ترین افراد بدون تغییر به نسل بعد منتقل شده است. پس از تکمیل فرآیند انتخاب، نوبت به اعمال عملگر بر روی جهت منتخب به منظور تولید جمعیت فرزندان می رسد. در انجام فرآیند پیوند، با انتخاب مقدار ثابت نرخ پیوند، به ترتیب برای هر کروموزوم یک عدد تصادفی تولید می شود. اگر عدد تصادفی تولید شده از نرخ پیوند کمتر باشد، این کروموزوم انتخاب می شود تا با کروموزوم های بعدی که شرایط فوق را دارد، آمیزش نماید. در انجام فرآیند جهش، با انتخاب مقدار ثابت نرخ جهش، برای کلیه بیت های کروموزوم های جمعیت عدد تصادفی تولید می شود. اگر عدد تصادفی تولید شده از نرخ جهش کوچکتر باشد، مقدار آن بیت عوض یعنی مقدار صفر به یک و یا بالعکس تبدیل می شود. الگوریتم ژنتیک هنگامی که برخی ضوابط مانند تعداد معینی تولید نسل و یا میانگین انحراف معیار عملکرد اشخاص جمعیت تامین شود، به پایان می رسد. به منظور به دست آوردن تعداد بهینه نرون ها در لایه پنهان می توان از روش الگوریتم ژنتیک استفاده نمود (ٌٌ-ْ). - Artificial Neural Network (ANN) - Genetic Algorithm(GA) - Selection - Crossover - Mutation ٍ- شبکه های عصبی مصتوعی شبکه های عصبی مصنوعی تعمیم یافته مدل های ریاضی تشخیص انسان بر اساس زیست شناسی عصبی هستند و بر پایه فرضیات زیر استوار است (ٍ-ٌ): ٌ. پردازش اطلاعات در اجزای ساده ای با تعداد فراوان، به نام نرون صورت می گیرد. ٍ. سیگنال ها در بین نرون های شبکه از طریق پیوند ها یا اتصالات آنها منتقل می شوند. َ. هر پیوند، وزن مربوط به خود را دارد که در شبکه های عصبی رایج در سیگنال های انتقال یافته از آن پیوند ضرب می شود. ُ. هر نرون یک تابع فعال سازی (معمولا غیر خطی) را بر روی ورودی های خود که جمع وزن دار سیگنال های ورودی است اعمال می کند تا سیگنال خروجی خود را تولید نماید. با توجه به فرضیات فوق میتوان یک ANN را با ویژه گی های زیر مشخص نمود: ٌ. الگوی پیوند های بین نرون های مختلف آن شبکه که ساختار یا معماری شبکه نامیده می شود. ٍ. روش تعیین وزن های روی پیوند های شبکه که آن را الگوریتم آموزش یا یادگیری می نامند. َ. تابع فعال سازی شبکه که هر نرون روی ورودی های خود اعمال می کند. در طی ٌِ سال گذشته، ANNs به طور ویژه ای مورد توجه قرار گرفته اند، زیرا دارای کاربردهای فراوان و آسان در حل معادلات پیچیده و غیر خطی می باشند. ANNs به طور موفقیت آمیزی در زمینه های مختلف از جمله تجارت، پزشکی و صنایع مختلف کاربرد پیدا کرده اند. یک شبکه عصبی مصنوعی از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی تشکیل شده است. هر کدام از ساختار های ارائه شده دارای لایه هایی از نرون ها می باشند. لایه ورودی لایه است که شبکه عصبی، ورودی را از طریق آن دریافت می کند و لایه خروجی لایه ای است که شبکه عصبی پاسخ ورودی دریافت شده از لایه ورودی را از طریق آن به عنوان خروجی اعمال می کند و از آنجاییکه پاسخ ها و خروجی های لایه های میانی بین لایه ورودی و لایه خروجی از خارج از شبکه قابل رویت نیستند این لایه های میانی را لایه های مخفی می نامند (ٌٍ). عملکرد اساسی نرون مصنوعی شامل جمع زدن سیگنال های ورودی وزن دار آن و اعمال تابع خروجی یا تابع فعال سازی است. توابع انتقال سیگموئیدی و تانژانت هیپربولیک جزء متداول ترین توابع انتقال هستند. این توابع توابع مزایای ویژه ای برای استفاده در شبکه های عصبی ای که با روش پس انتشار آموزش داده می شوند، دارند، زیرا - Neuron 3- Connections - Activation Function - Activation Function - Sigmoid Functions -Hyperbolic Tangent Function در این توابع ارتباط ساده ای بین مقدار تابع در یک نقطه و مقدار مشتق آن تابع در همان نقطه وجود دارد. این مسئله باعث می شود که بار محاسباتی الگوریتم پس انتشار در حین آموزش کاهش یابد (ٌّ-ٌٍ). َ- مدلسازی به روش شبکه عصبی مصتوعی پیش بینی دما، رطوبت و مقدار چربی گوشت گلوله شده به عنوان تابعی از متغییرهای فرآیند توسط میتال و زانگ (ًًٌٍ) با استفاده از شبکه های عصبی مصنوعی انجام گرفته است ( ٌْ). شبکه های عصبی به طور موفقیت آمیزی قادر به پیش بینی مقدار رطوبت نهایی محصول بودند. همچنین با استفاده از این روش مقدار روغن جذب شده و مقدار نهایی چربی درون گلوله های گوشت قادر به مدلسازی بودند. استفاده از شبکه های عصبی مصنوعی در سایر محصولات سرخ شده نیز از کارایی بالایی برخوردار بوده و توانایی پیشگویی پارامترهای انتقال جرم با ضریب همبستگی بالا می باشد. ُ- نتیجه گیری شبکه های عصبی قادر به مدل سازی سیستم های غیر خطی و پیچیده با تعداد زیادی داده ورودی و خروجی می باشند. شبکه های عصبی مصنوعی به طور موفقیت آمیزی به منظور پیشگویی پارامترهای انتقال جرم در طی سرخ کردن مواد غذایی به کار رفته اند که در تمامی موارد ذکر شده نتایج قابل قبولی توسط محققان گزارش شده است. ِ- مراجع Effects of different preparation technologies on .ٌُُُ Ramasawmy, G., Goburdhun, D . and Ruggoo, A. .ٌ proximate composition and calorie content of potato products. Science and Technology- Research .ٌُُ؛ٌٌَ :ُ Journal, Effects of different batter formulations on quality of deep-fat fried carrot slices. A .ًًٍُ Akdeniz, N. -ٍ Thesis Submitted to the Graduate school of Nartural and Applied Sciences of Middle east Technical university. Oil uptake and texture development in fried potato slices. Journal of .ًًٍِ Pedreschi, F. and Moyano, P. -َ .َِّ؛ِِْ :ًْ Food Engineering, Application of Edible Coating in Maintaining Crispness of Breaded Fried Foods. MS .ًًٍَ Ballard, T. -ُ Thesis submitted to the Faculty of Virginia Polytechnic Institute and State University. Effects of soy and rice flour addition on batter rheology .(ًًٍِ) Dogan, S. F., Sahin, S. and Sumnu, G. -ِ .ٌٍَ؛ٌٍْ :ٌْ and quality of deep -fat fried chicken nuggets. Journal of Food Engineering, Comparative evaluation of edible coating to reduce fat uptake in a .ًًٍٍ Albert, S. and Mittal, G. S. -ّ .َُِ؛ُُِ :َِ deep-fried cereal product. Food Research International, Developments in osmotic dehydration., .ًًٍِ Rastogi, N.K ., Raghavarao, K.S.M.S., and Niranjan, K. -ْ In: Sun, D. W. (ed.), Emerging technologies for food processing. Elsevier Academic Press, California, .ٍٍَ؛ٌٍٍ × َ- Heldman, D.R. Lund, D.B. ًًٍْ. Handbook of Food Engineering. CRC Press, Taylor and Francis Group, LLC. ُ- Morimoto, T. ًًٍّ. Genetic algorithm. In Handbook of Food and bioprocess modeling techniques, (S.S. Sablani, M.S. Rahman, A.K. Datta, and A.S. Mujumdar, eds.), CRC Press, New York. ًُِ؛َُُ. ًٌ- Neurosolution. ًًٌٍ. Neurosolution software User's Guide: (Version ّ؟ًٌ). NeuroDimension, Inc., USA. ٌٌ- Rajeev, S., and Krishnamoorthy, S. C. ٌٍُُ. Discrete optimization of structure using genetic algorithms. Journal of Structural Engineering. ASCE, ٌٌَ(ِ): ٌٍََ؛ًٌٍِ. ٌٍ- Hilal, N., O. O. Ogunbiyi, et al. (ًًٍَ). "Neural network modeling for separation of bentonite in tubular ceramic membranes." Desalination, ٍٍَ: ٌِْ؛ٌٍَ. ٌَ- Darwish, N.A., N. Hilal, Al-Zoubi, H., and Mohammad, A.W. ًًٍْ. Neural networks simulation of the filtration of sodium chloride and magnesium chloride solutions using nanofiltration membranes. Institution of Chemical Engineers, َِ(Aُ): ٌُْ؛ًَُ. ٌُ- Delgrange, N., Cabassud, C., Cabassud, M., Durand-Bourlier, L., and Lain, J.M. ٌَُُ. Neural network for prediction of ultrafiltration transmembane pressure_application to drink water. Journal of Membrane Science, ًٌِ: ٌٌٌ-ٌٍَ. ٌِ- Teodosiu, C., Pastravanu, D., and Macoveanu, M. ًًًٍ. Neural network model for ultrafiltration and backwashing. Water Research, َُ: ٌَُْ-ًََُ. ٌّ- Dornier, M., Decloux, M., Trystram, G., and Lebert, A. ٌُُِ. Dynamic modeling of crossflow microfiltration using neural networks, Journal of Membrane Science, َُ: ٍَّ-ٍَْ. ٌْ- Mittal, G. S. and Zhang, J. ًًٌٍ. Artificial neural network for the prediction of temperature, moisture and fat contents in meatballs during deep-fat frying, International Journal of Food Science and Technology, َّ: َُُ-ُُْ.