مدلسازی سینتیک خشک کردن لایه نازک زرشک

آگاهی از رفتار خشک شدن در طراحی، شبیه سازی، و بهینه سازی این فرآیند مهم است. به منظور بررسی تاثیر سطوح مختلف دما، سرعت و پیش تیمار بر مدت زمان خشک شدن و تغییر رنگ محصول نهایی آزمایشی با سه سطح دما (شامل60=t2= 70، t1و80= t3درجه سلسیوس) و سه سطح سرعت (شامل 0/3=v2= 0/5، v1و1= v3متر بر ثانیه) برای نمونه های شاهد و تیمار شده با شوک حرارتی و امولسیون "کربنات پتاسیم + روغن زیتون" در 3 تکرار در قالب طرح بلوک کامل تصادفی و به صورت فاکتوریل اجرا گردید. زرشک ها از محتوای رطوبت اولیه 73/44% بر پایه تر به محتوای رطوبت مورد نیاز 18% بر پایه تر در طول خشک شدن رسیدند. سینتیک خشک شدن توسط اندازه گیری وزن زرشک ها در فواصل زمانی منظم، تحت نظارت قرار گرفت. منحنی های خشک شدن برای زرشک های شاهد و تیمار شده به دست آمدند. مدت زمان خشک شدن تحت تاثیر دما و پیش تیمار در سطح احتمال 99% قرار گرفت. بیشترین مدت زمان خشک شدن 2920 دقیقه و برای نمونه های شاهد در دمای c° 60 و سرعت 0/3 متر بر ثانیه ثبت شد. همچنین کمترین مدت زمان خشک شدن برای نمونه های تیمار شده با امولسیون کربنات پتاسیم و روغن زیتون در دمای c° 80 و سرعت 1 متر بر ثانیه ثبت شد. تغییر رنگ (e∆) محصول نهایی تحت تاثیر دما، سرعت، پیش تیمار و اثرات متقابل آن ها در سطح احتمال 99% قرار گرفت. بهترین وضعیت با کمترین مقدار e∆ برای نمونه های تیمار شده با شوک حرارتی در دمای c° 80 و سرعت 1 متر بر ثانیه بود. انتقال رطوبت از نمونه ها توسط مدل انتشار فیک بیان شد تا ضریب پخش موثر رطوبت(deff) محاسبه شود. این ضریب با افزایش دما افزایش یافت و مقادیر بزرگتری برای نمونه های تیمار شده به دست آمد. همچنین مقادیر بزرگتری برای نمونه های تیمار شده با امولسیون شامل روغن زیتون و کربنات پتاسیم نسبت به نمونه تیمار شده با آب داغ به دست آمد. مقادیر ضریب انتشار رطوبت نمونه ها ی شاهد، تیمارشده با شوک حرارتی و امولسیون روغن زیتون و کربنات پتاسیم در دمای c° 80 و سرعت 1 متر بر ثانیه به ترتیب12-^10×6/42 ، 12-^10×8/87 و 12-^10×9/67 متر بر مجذور ثانیه به دست آمد. تحلیل آماری نشان داد که دما و پیش تیمار بیشترین تاثیر را در کاهش زمان خشک شدن در سطح معنی دار 1% داشته است. دوازده مدل ریاضی توسط ضریب تعیین (r^2)، مربع کای (x^2) و خطای مربعات میانگین (rmse) مورد ارزیابی قرار گرفت. مدل میدیلی با r^2 ،x^2 و rmse به ترتیب0/998 ، 4-^10×2/24 و 0/0140 مناسبترین مدلی بود که توانست خشک شدن لایه نازک زرشک را توضیح دهد. یکی از روش های هوش مصنوعی که در سطح وسیعی در خشک کردن و برای شبیه سازی و پیش بینی پارامترهای مورد نیاز در فرآیندهای خشک کردن در حال گسترش است، شبکه های عصبی مصنوعی می باشد. در این تحقیق از شبکه mlp با الگوریتم یادگیری لونبرگ- مارکوارت و توابع آستانه تانژانت سیگموئیدی و سیگموئید لگاریتمی استفاده شد. یک ساختار شیکه عصبی برای پیش بینی تغییرات محتوای رطوبتی تحت شرایط آزمایش بکار رفت. بهترین توپولوژی از شبکه mlp با الگوریتم یادگیری lm و تابع آستانه tansig 1-16-30-4 با ضریب همبستگی 0/9992 و خطای حقیقی 0/00025 بود. علاوه بر این بهترین توپولوژی از شبکه mlp با الگوریتم یادگیری lm و تابع آستانه 4-25-5-1،logsig با ضریب همبستگی 0/9991 و خطای حقیقی 0/00032 بود.