عنوان پایان‌نامه
بررسی بافت و پیش بینی تغییرات خصوصیات کیفی پودر بستنی در فرایند خشک کردن پاششی با استفاده از شبکه عصبی مصنوعی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6731;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72910;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6731;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72910
- تاریخ دفاع
- ۰۵ بهمن ۱۳۹۴
- دانشجو
- محبوبه فضایلی
- استاد راهنما
- محمدسعید یارمند, زهرا امام جمعه
- چکیده
- چکیده هدف از انجام این تحقیق، بررسی تأثیر شرایط خشک‌کردن پاششی، میزان آب‌شاتوت و مواد پایدارکننده بر خصوصیات کیفی پودر بستنی و نمونه‌های حاصل از بازسازی مجدد پودر بستنی می‌باشد. جهت انجام این فرایند خشک‌کردن، از یک خشک‌کن پاششی آزمایشگاهی استفاده شد. در این مطالعه، پارامترهای مستقل شامل دمای هوای ورودی (120، 140 و 160 درجه سانتی‌گراد)، سرعت ماده ورودی به خشک‌کن (5، 10 و 15%)، میزان ثعلب (3/0، 6/0 و 9/0%)، میزان جایگزینی ثعلب با کاپا کاراگینان (5، 10 و 15%) و میزان آب‌شاتوت (15، 30 و 45%) می‌باشد. ویژگی‌های کیفی پودر بستنی (راندمان، میزان رطوبت، فعالیت آبی، دانسیته توده، حلالیت و دمای انتقال شیشه‌ای) و نمونه‌های حاصل از بازسازی مجدد پودر بستنی (میزان افزایش حجم، رفتار ذوب، میزان آنتوسیانین و ترکیبات فنولی کل، ویژگی‌های رئولوژیکی و سختی بافت) مورد ارزیابی قرار گرفتند. از روش سطح پاسخ جهت یافتن شرایط بهینه تولید استفاده شد. شرایط بهینه شامل دمای هوای ورودی 140 درجه سانتی‌گراد، سرعت ماده ورودی 10 % و 30 % آب شاتوت انتخاب شد. در این شرایط میزان افزایش حجم، سختی، ویسکوزیته ظاهری، سرعت ذوب، میزان آنتوسیانین کل و راندمان به ترتیب 85/69 %، 11/55 N، 21/2 Pa.s، 038/1 g/min، 96/54 mg/L و 3/67 % بود. در پایان پیش‌بینی خصوصیات فیزیکوشیمیایی پودر بستنی شاتوت و بستنی حاصل از آن با مدل‌سازی شبکه عصبی انجام گرفت، به این منظور از پرسپترون چند لایه (MLP) با الگوریتم یادگیری پس انتشار خطا برای مدل-سازی شبکه‌ها در محیط¬ NeuroSolutions استفاده شد. در نهایت مدل طراحی شده به خوبی با داده‌های آزمایشی تطابق داشت. کلمات کلیدی: خشک کردن پاششی، پودر بستنی، شاتوت، شبکه عصبی مصنوعی.
- Abstract
- Abstract The objective of this work was to study the influence of spray drying conditions, black mulberry juice and stabilizer concentration on the quality attributes of ice cream powder and ice creams made from the reconstituted powders. A lab-scale spray dryer was employed for the spray drying process. In this study, the independent variables were inlet-air temperature (120, 140, and 160 °C), feed flow rate (5, 10 and 15%), Salep concentration (0.3, 0.6, and 0.9 %), the replacement of salep by k-carrageenan (5, 10, and 15 %) and black mulberry juice concentration (15, 30 and 45%). The overall quality characteristics of ice cream powders (drying yield, moisture content, water activity, bulk density, solubility and glass transition temperature) and ice creams made from their corresponding reconstituted powders (overrun, melting behavior, total anthocyanin and phenolic content, rheological properties, and hardness) were analyzed. Response surface methodology (RSM) was performed to optimize the spray drying conditions for the production of ice cream powder. The following optimum process conditions were determined: inlet air temperature of 140 °C, feed flow rate of 10%, Salep concentration of 0.9%, 15% replacement of salep by k-carrageenan and juice concentration of 30 %. These parameters led to the overrun, hardness, apparent viscosity, melting rate, total anthocyanin content and drying yield of 69.85%, 55.11 N, 2.21 Pa s, 1.038 g/min, 54.96 mg/L and 67.3 %, respectively. A supervised artificial neural network (ANN) trained by back propagation algorithms was developed to predict the quality properties of ice cream powder. A feed-forward multi-layered perceptron (MLP) artificial neural network trained by back propagation algorithm was selected to develop the prediction model. This model was fitted with experimental data very well. Key words: Spray drying, Ice cream powder, Black mulberry juice, Artificial Neural Network.
