Hoda Yosefian - دانشجوی کارشناسی ارشد، مهندسی مکانیک بیوسیستم، دانشگاه بوعلی سینا همدان
Ayat Mohammad Razdari - دانشجوی دکتری، مهندسی مکانیک بیوسیستم، دانشگاه شهرکرد
Marziyeh Seihoon - عضو هیات علمی پژوهشکده کاربرد پرتوها، پژوهشگاه علوم و فنون هسته ای، سازمان انرژی اتمی ایران
Hassan Kiyani - دانشجوی دکتری، مهندسی مکانیک بیوسیستم، دانشگاه آزاد واحد علوم و تحقیقات تهران

چکیده با فرآوری مواد غذایی به روش پرتودهی، کیفیت مواد غذایی حفظ شده و با کنترل میکروارگانیسم­ها عوامل فساد کنترل می­گردد. همزمان روش­های مختلف خشک کردن نیز که به حفظ کیفیت و بافت محصول منجر می­گردد، کاربرد زیادی دارند. در این پژوهش با کمک روش سطح پاسخ، شرایط بهینه خشک کردن سیب­زمینی پرتو دیده با اشعه گاما تعیین شد. برای پرتودهی نمونه­ها از چشمه کبالت ۶۰ (گاماسل ۲۲۰) استفاده شد. نمونه­ها با دزهای صفر، ۲ ،۵ و ۸ کیلوگری پرتودهی شدند و خشک کردن با استفاده از مایکروویو در سه توان ۲۰۰، ۴۰۰ و ۶۰۰ وات و در سه ضخامت ۵، ۷ و ۹ میلی­متر انجام گرفت. شرایط بهینه مربوط به دز پرتودهی۵ کیلوگری، ضخامت نمونه ۷ میلی­متر و توان مایکروویو ۴۰۰ وات و برای L*، a*، b*، تغییرات رنگ، زاویه هیو، کروما و شاخص قهوه­ای شدن به ترتیب، ۸۷/۵۷، ۹۵/۰-، ۱۹/۴۲، ۷۳/۱۰، ۵۳/۱-، ۲۲/۴۲ و ۵۹/۱۱۳ پیشنهاد شد. علاوه بر تاثیر متغیرهای دز پرتودهی، ضخامت نمونه و توان خشک­کن مایکروویو بر روی شاخص­های رنگ از جمله *L ،a*،b*، شاخص قهوه­ای شدن، کروما و زاویه هیو نیز بررسی شدند. با افزایش مقدار دز پرتودهی، افزایش ضخامت نمونه و توان مایکروویو، شاخص تغیرات رنگ کاهش، زاویه هیو افزایش و دانسیته رنگ کاهش می­یابد. در نهایت با استفاده از مدل شبکه عصبی، خشک کردن سیب­زمینی پرتودیده مدل­سازی شده و توانایی این مدل در پیش­بینی تغییرات رنگ با مدل رگرسیون و سطح پاسخ مقایسه گردید. در این مقایسه مدل شبکه عصبی داری قابلیت بالاتر در پیش­بینی نسبت به مدل رگرسیون بود (ضریب تعیین ۹۷۰۶/۰ ).

Drying, RSM, Gamma ray, Neural Network, RSM, Regresion, کلید واژگان: اشعه گاما, خشک کردن, شبکه عصبی, رگرسیون