ارزیابی مدل سازی فرآیند خشک کردن زعفران به روش آون گذاری با استفاده از شبکه عصبی مصنوعی

زعفران ارزشمندترین ادویه شناخته شده در دنیا است. کروسین، پیکروکروسین و سافرانال به ترتیب به عنوان شاخص رنگ، طعم و آرومای زعفران شناخته میشوند. خشک کردن از مهمترین مراحل مؤثر بر کیفیت نهایی زعفران از لحاظ میزان کروسین، پیکروکروسین و سافرانال محسوب می گردد. در این تحقیق، کارایی فرآیند خشک کردن به روش آونگذاری بر اساس متغیرهای مهمی همچون دما، زمان و ضخامت الیه زعفران تحت مدلسازی به روش شبکه عصبی مصنوعی قرار گرفت. نتایج مدلسازی فرآیند خشک کردن زعفران به روش آونگذاری نشان داد که اگر تغییرات کروسین تحت قانون یادگیری مومنتوم و با تابع انتقال تانژانت با تعداد نورون 8 و با 25 ،55 و 20 درصد داده ها به ترتیب برای آموزش ارزیابی و آزمون مورد استفاده قرار گیرد، بیشترین ضریب تعیین (914/0 )را خواهد داشت. در حالیکه برای تغییرات میزان پیکروکروسین قانون یادگیری لونبرگ و تابع انتقال تانژانت در تعداد نورون 12 بهترین شبکه را با 50 ،25 و R2 25 درصد داده ها به ترتیب برای آموزش، ارزیابی و آزمون (986/0=) طراحی کرد. تغییرات سافرانال نیز با قانون یادگیری لونبرگ و تابع انتقال سیگموئید در تعداد نورون 8 و با 35 ،45 و 20 درصد از داده ها برای آموزش، ارزیابی و آزمون با ضریب تعیین مناسب 981/0 مدل و توسط شبکه آن پیش بینی شد.

Saffron is the most valuable spice known in the world. Crocin, picrocrocin and safranal are known as saffron color, taste and aroma indices, respectively. Drying is one of the most important steps affecting the final quality of saffron in terms of crocin, picrocrocin and safranal content. In this study, the efficiency of drying process by oven method based on important variables such as temperature, time and thickness of saffron layer was modeled by artificial neural network method. Modeling results of saffron drying process by oven method showed that if crocin changes under momentum learning rule and tangent transfer function with 8 neurons and 25, 55 and 20% of the data were used for evaluation and test training respectively; the coefficient has the highest correlation coefficient (0.914). Whereas for the changes of picrocrocin, the Levenberg learning law and the tangent transfer function in the number of neurons, 12 designed the best networks with 50, 25 and 25% of data for training, evaluation and testing, respectively (R = 0.986). Safranal changes were also predicted by the Levenberg learning law and Sigmoid transfer function in neuron number 8 with 35, 45 and 20% of the data for training, evaluation and testing with appropriate correlation coefficient of 0.981 and predicted by its network.