فهرست نشریات علمی دسترسی آزاد ایران

زمینه مطالعاتی: یکی از مهمترین کاربردهای شبکه‌های عصبی مصنوعی، طراحی مدلی است که بتوان براساس آن مقدار یک یا چند متغیر وابسته را به کمک متغیرهای مستقل پیش‌بینی کرد. الگوریتم ژنتیک یکی از روش‌های بهینه‌سازی مسائل و مدل‌ها است که اساس آن بر انتخاب طبیعی و برخی از مفاهیم مهم از علم ژنتیک استوار است. هدف: در این مطالعه از روش الگوریتم ژنتیک- شبکه عصبی مصنوعی برای پیش‌بینی درصد کاهش وزن، درصد کاهش آب، درصد جذب مواد جامد و درصد آبگیری مجدد برش‌های کیوی آب‌گیری شده به روش اسمز-فراصوت استفاده شد. روش کار: ساختار الگوریتم ژنتیک- شبکه عصبی مصنوعی با 3 ورودی زمان اعمال فراصوت (در هشت زمان 10، 20، 30، 40، 50، 60، 70 و 80 دقیقه)، غلظت محلول ساکارز (در سه سطح 20، 30 و 40 درجه بریکس) و توان فراصوت (در سه سطح 0، 75 و 150 وات)، برای پیش‌بینی ویژگی‌های برش‌های کیوی آبگیری شده، توسعه یافت. نتایج: میانگین درصد کاهش رطوبت برای نمونه شاهد (بدون اعمال فراصوت) 96/21 درصد بود. با افزایش توان فراصوت دستگاه به 150 وات، میانگین درصد کاهش رطوبت نمونه‌ها 51/27 درصد افزایش یافت (05/0>P). با افزایش غلظت محلول اسمزی از 20 به 40 درصد، میانگین درصد کاهش رطوبت نمونه‌ها به‌طور معنی‌داری از 58/16 درصد به 33/35 درصد افزایش یافت (05/0>P). مقادیر ضرایب تبیین (r) محاسبه‌شده برای پیش‌بینی درصد کاهش وزن، درصد کاهش آب، درصد جذب مواد جامد و درصد آبگیری مجدد برش‌های کیوی آبگیری شده با استفاده از روش الگوریتم ژنتیک- شبکه عصبی مصنوعی به ترتیب برابر 983/0، 989/0، 992/0 و 979/0 بود. براساس نتایج آزمون آنالیز حساسیت، پارامتر آبگیری مجدد، حساس‌ترین پارامتر به تغییرات غلظت محلول اسمزی و افزایش زمان اعمال فراصوت بود. نتیجه‌گیری نهایی: نتایج به دست آمده از این روش نشان می‌دهد که روش الگوریتم ژنتیک- شبکه عصبی مصنوعی یک راه‌حل مناسب برای مدل‌سازی فرآیند آبگیری از کیوی به روش اسمز- فراصوت است.