بررسی کارایی شبکه های عصبی مصنوعی در پیش بینی ویژگی های فیزیکی، رئولوژیکی و رنگ سنجی نانوذرات کیتوزان

تشکیل نانوذرات کیتوزان با پایداری بالا به منظور استفاده در سیستم های تحویل مواد مغذی و دارویی، همچنان یک چالش عمده در صنایع غذایی و دارویی است. همچنین متغیرهای زیادی می توانند اندازه، مورفولوژی و سایر ویژگی های نانوذرات کیتوزان را در طی فرایند ژله ای شدن یونی و با استفاده از سدیم تری پلی فسفات (به عنوان متداول ترین عامل اتصال عرضی)، تحت تاثیر قرار دهند. لذا در این پژوهش، پس از تولید نانوذرات کیتوزان تحت تاثیر متغیرهای مستقل غلظت کیتوزان، غلظت سدیم تری پلی فسفات و نسبت کیتوزان به سدیم تری پلی فسفات، در گام بعدی، ویژگی های فیزیکی، رئولوژیکی، کدورت و رنگ سنجی نانوذرات تولیدی مورد اندازه گیری قرار گرفتند. در نهایت، از دو شبکه عصبی مصنوعی مدل پرسپترون چند لایه و شبکه تابع پایه ی شعاعی با یک لایه پنهان و با توابع آستانه، الگوریتم های یادگیری و ... مختلف، به منظور پیش بینی ویژگی های نانوذرات کیتوزان استفاده شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه برای ویژگی های فیزیکی، ویسکوزیته، شاخص b* و chroma و شبکه تابع پایه شعاعی برای دیگر ویژگی های مورد بررسی (با بکارگیری الگوریتم یادگیری لونبرگ- مارکوارت و تعداد تکرار ۱۰۰۰)، قادر به پیش بینی آن ها با ضرایب تعیین بسیار بالا و میانگین مربعات خطای پایین بود. ضرایب تعیین برای اندازه نانوذرات، شاخص پراکندگی، پتانسیل زتا، ویسکوزیته و ضریب هدایت الکتریکی سوسپانسیون های نانوذرات کیتوزان به ترتیب برابر با ۹۸۸۱/۰، ۹۵۳۴/۰، ۹۴۳۱/۰، ۹۲۱۲/۰ و ۹۶۳۶/۰ بودند. این در حالی بود که شبکه ی تابع پایه شعاعی با یک لایه پنهان، چیدمانی با ۳ ورودی، ۴ نرون در لایه پنهان و ۳ خروجی، با تابع انتقال سیگموئید- سیگموئید، بهترین نتیجه را برای پیش بینی ویژگی های L*، ΔE و WI سوسپانسیون های نانوذرات کیتوزان داشت. ضرایب تعیین برای پیش بینی L*، ΔE و WI نانوذرات کیتوزان به ترتیب برابر با ۹۵۸۶/۰، ۹۷۷۵/۰ و ۹۴۵۷/۰بودند. همچنین شاخص رفتار جریان سوسپانسیون های نانوذرات کیتوزان کمتر از ۱ بود که نشان دهنده رفتار سودوپلاستیک نمونه ها بود.

کلیدواژه ها:

Chitosan nanoparticles (CSNPs) ، Multilayer perceptron (MLP) model ، Radial base function (RBF) model ، Physical properties ، Colorimetric parameters. ، نانوذرات کیتوزان ، مدل پرسپترون چند لایه ، مدل تابع پایه شعاعی ، ویژگی های فیزیکی ، پارامترهای رنگ سنجی